在工作场所假装高效——没人开心

# 职场中的“看起来很高效”——没有人开心 来源：https://nooneshappy.com/article/appearing-productive-in-the-workplace/ 2026年5月6日 > 帕金森定律指出，工作会自动膨胀，占满可用的时间。在人工智能时代，员工现在拥有一种工具，它可以膨胀到填满任何大型语言模型所能生成的内容——也就是说，毫无限制。 --- 过去两年里，我目睹了自己行业发生的变化，至今仍难以描述。大约一年零三个月前，我第一次意识到出了问题，当时我发现一位同事用AI回复我。他的回复明显是由Claude生成的。标点符号暴露了一切——没人会特意打出的em破折号、节奏感十足的结构、对那些我确信他根本不了解的技术侃侃而谈。我沉默了一会儿，权衡着是否要与一个明显在逐字复制粘贴模型回复的人争论。那个频道是公开的，而我花了大把本不该花的时间去纠正基础问题。最终，我放弃了。从任何有意义的角度来看，他都不在对话的另一端。 生成式AI可以产出看起来专业、实则并不专业的工作，而问题以两种形式出现。第一种是，某个领域的新手能够产出看起来与资深人士相当的工作，甚至更快、更超前，却缺乏相应的判断力。第二种是，人们在从未受过训练的学科中生成产物。这两种问题从远处看很相似，但并不相同。研究大多测量了第一种。第二种则是研究缺失的部分，而根据我的经验，它也是两者中风险更高的。 --- ## 跨领域生成 不会写代码的人正在构建软件。从未设计过数据系统的人正在设计数据系统。其中大部分并未交付；它被构建出来，通常花费大量时间，可能内部展示时充满热情，被悄悄使用，偶尔毫无波澜地呈现给客户。员工可以为一个想法痴迷，加班加点工作多时。确实有一些从业者能够使用当前的智能体工具正确完成复杂的事情，但这样的人很少，而且据我观察，通常是在代码生成领域。AI，尽管在个人层面能力强大，但在我的工作场所中尚未实现规模化的正确应用。 我有一个同事，是一位谨慎而聪明的人，担任非工程岗位。今年早些时候，他花了两个月时间构建一个本应由受过正式数据架构培训的人设计的系统。以目前衡量工具使用水平的标准来看，他使用工具相当不错。他生成了大量代码、大量文档、大量在不懂行的人看来像是进展的东西。但当被问及这些内容实际如何运作时，他却无法解释。这项工作从第一天起就是错误的。数据模式，更关键的是目标，其错误程度对任何有两年该领域经验的人来说都显而易见。我们中的几个人确实看出来了。当意见甚至被反馈到副总裁级别时，他进行了反驳。当时的环境被安排成，说出真相并非贡献；他的经理们过于看重进展的表象，不愿看到它被打破。这项工作很可能会继续，直到展示给某个利益相关者，而对方决定不投资。 这是我发现最难描述的现象部分。这个工具并没有让他变成更糟糕的同事。它让他能够，在数月时间里，冒充一个他从未受训的学科，而冒充的效果好到足以让组织内的激励都倾向于让他继续下去。也许这是管理上的失败，但我发现管理层如此渴望拥抱AI，以至于愿意接受这种风险。 如果这个工具能对其产出的本质提供诚实的评估，那或许还尚可容忍。今年春天发表在《科学》杂志上的 Cheng 等人斯坦福研究 [1] (https://nooneshappy.com/article/appearing-productive-in-the-workplace/#ref-1) 证实了每个常规用户早已知道的事实：领先模型比人类受访者大约更顺从50%，即使在不应该的地方也肯定用户。Berkeley CMR 的元分析 [4] (https://nooneshappy.com/article/appearing-productive-in-the-workplace/#ref-4) 发现，具备 AI 素养的用户往往高估自己的表现。当员工超出自己训练领域时，这一点尤其有趣。一项关于支持代理的 NBER 研究 [2] (https://nooneshappy.com/article/appearing-productive-in-the-workplace/#ref-2) 发现，生成式 AI 将新手的生产力提高了约三分之一，而对专家的帮助却微乎其微。哈佛商学院的研究人员在咨询工作中也发现了同样的模式 [3] (https://nooneshappy.com/article/appearing-productive-in-the-workplace/#ref-3)。于是，你有了过度自信的新手，他们能够在无法自己审核正确性的专业领域内提高个人生产力。这能出什么问题呢？ --- ## 传导问题 越来越多的研究将这种现象称为 *产出-能力解耦* [5] (https://nooneshappy.com/article/appearing-productive-in-the-workplace/#ref-5)。在以往任何时代，一项工作的质量或多或少是产出者能力的可靠信号。新手写的文章读起来像新手文章；新手写的代码以新手的方式崩溃。AI 切断了这种关系。现在，新手产出的工作不再暴露其新手身份，因为工作所体现的并非新手的能力。那是系统的能力。在这个过程中，人变成了一种传导渠道，能够将输出路由到接收者，却无法在过程中对其进行评估。 产出工作的技能和评判工作的技能原本是刻意区分的，但完成工作本身曾教会我们评判。第一项技能现在大部分属于机器。第二项技能仍属于我们，尽管愿意去获取或运用它的人越来越少了。 曾经来自受过培训、或曾构建并搞砸过三个类似系统的人的架构评审，现在来自一个模型，这个模型没有任何构建或搞砸任何东西的具体记忆。缓慢并非是对真正工作征收的税；缓慢本身就是真正的工作。正是缓慢让工作变好，让产出工作的人变好，让顶着公司名义的工作能够向客户承诺，他们购买的是某种特定的东西，而非通用之物。 当前一代的智能体系统基于一个前提构建：人是瓶颈——循环运行更快、更干净，如果没有阅读即将发生的事情并决定是否应该发生的尴尬延迟。在大量案例中，这恰恰是反过来的。人在循环中并非早期时代的残留；人是循环中唯一有切身利益的部分。将 H（人）从 HITL（人在循环中）移除并非效率提升。这是放弃了系统唯一用于自我纠错的机制。 --- ## 内部的“垃圾” 曾经只有一页的需求文档，现在变成了十二页。曾经只有三句话的状态更新，现在变成了要点总结的要点总结。回顾笔记、事后分析报告、设计备忘录、启动会议演示：所有可以被拉长的产物，都被那些自己都不读自己产出的人拉长了，而读者也读不胜读。生成一份文档的成本几乎降到了零；而阅读一份文档的成本没有降低，实际上还在上升，因为读者现在必须从合成语境中筛选出文档最初要表达的内容。每一次拉长产物的个人决定看似理性，且各自独立地获得奖励——读者对更长的 AI 生成解释更有信心，无论这些解释是否正确 [5] (https://nooneshappy.com/article/appearing-productive-in-the-workplace/#ref-5)。其集体效应是，在任何特定工作场所，信号比这一切开始之前更难找到。检查点被隐藏了，淹没在它们自己的文书工作中，即使那些制造淹没的人真心想“**保持简洁**”。 这是一种新形式的“垃圾”，而且比公共领域的“垃圾”代价更高，因为产出它的人是领着薪水的。未来专家的管道正在从两端变细。曾经用来教授判断力的工作现在由工具完成，而曾经进行教学的基础岗位正在被裁撤，理由是工具可以做这些工作。这在许多办公室（包括我的）导致的结果是：大量的动作，而动作曾经创造的东西却很少。 下游成本正在迅速积累。关于 *AI 垃圾* 的公共讨论大多集中在涌入公共市场的洪流——佛罗里达大学的一项营销研究 [6] (https://nooneshappy.com/article/appearing-productive-in-the-workplace/#ref-6) 是其中较为直接的处理之一。但较少被讨论的是组织*内部*发生的同样动态：时间浪费在不需要 AI 的任务上、浪费在没人会读的产物上、浪费在仅仅因为工具让构建它们变得廉价而存在的流程上。浪费在那些详述了以前甚至不需要说或被视为理所当然的事情的演示文稿上。 --- ## 该怎么办 在这种环境下，自律的样子几乎老套得令人尴尬，而且对你们大多数人来说可能显而易见，直到你试图去实践。在你能够精确验证产出结果的领域使用工具。永远不要向模型寻求确认；这个工具同意所有人，而一个让同意者无需付出任何代价的同意毫无价值。 生成式 AI 在反馈迅速、大致正确就足够、人仍然是最终仲裁者的任务上表现良好。起草备忘录、生成示例、归纳读者若愿意可以自行验证的材料。伊利诺伊大学的生成式 AI 指南 [7] (https://nooneshappy.com/article/appearing-productive-in-the-workplace/#ref-7) 和 PLOS Computational Biology 上关于研究中 AI 的“十条简单规则”论文 [8] (https://nooneshappy.com/article/appearing-productive-in-the-workplace/#ref-8)（在目前流传的更严谨文档之列）明确列出了许多此类用途：**头脑风暴、文本编辑、重新阐述自己的想法、在已理解的数据中检测模式**。 在所有推荐的使用场景中，人提供判断，工具提供吞吐量。这比“人在循环中”更强有力。工具位于工作之外，受邀时贡献，否则保持沉默——这与大多数智能体系统目前被构建成的样子恰恰相反。 对于企业来说，其工作值得信赖的竞争优势并未消失；反而增值了，因为这么多竞争对手正在悄无声息地将自己转化为内容生成管道，并指望客户不会注意到。 这一切已经进入高潮。德勤已经因一份 AI 幻觉产生的政府报告而退还了部分 44 万美元的费用。未来可能是基于幻觉规格构建的生产系统，或者是一位高级工程师意识到自己过去一年名义上在审核他已经无法胜任审核的工作。清算不会悄无声息。那些仍在正确做工作的公司将能够为此收费。那些已经掏空自己的公司将发现，他们掏空的恰恰是客户为之付费的东西。 对 AI 在工作场所的误解和滥用非常普遍。在我现在所处的许多场合中，专业知识被要求视而不见：要交付得更快、产出更多、更深入地集成工具、为那些在“完成任务”的同事让路。产物在积累；工作却没有。而在所有这些产出的另一端，某位客户正在打开一份交付物，阅读一份总结列表，他们或许会选择手动审查它。 --- **免责声明**：这是一篇个人随笔，并非学术论文，由一位从事工程二十多年的人撰写。这些是我个人在工作场所的经历，并引用了我认为相关的内容。如果你只带走一样东西，那就是：人是容易受影响的人。本文在撰写过程中使用了 AI，采用的方式正是文章本身推荐的：用于头脑风暴、起草和修改我手动验证的材料，从未用于提供我所缺乏的判断力。另外，那些声称这篇文章讽刺性地成为了其自身抱怨的牺牲品的人，100% 正确——就像 AI 一样，我有点啰嗦且重复。 ### 参考文献 1. [阿谀奉承的 AI 会减少亲社会意图并促进依赖](https://www.science.org/doi/10.1126/science.aec8352) (Cheng, Lee, Khadpe, Yu, Han, & Jurafsky, 2026). *Science*. 2. [工作中的生成式 AI](https://www.nber.org/papers/w31161) (Brynjolfsson, Li, & Raymond, 2025). *The Quarterly Journal of Economics*, 140(2), 889-942. 另见：NBER Working Paper No. 31161, April 2023. 3. [驾驭不平坦的技术前沿](https://www.hbs.edu/faculty/Pages/item.aspx?num=64700) (Dell’Acqua, McFowland, Mollick, et al., 2026). *Organization Science*. 最初为 HBS Working Paper No. 24-013, 2023. 4. [关于 AI 与生产力的七个迷思：证据究竟怎么说](https://cmr.berkeley.edu/2025/10/seven-myths-about-ai-and-productivity-what-the-evidence-really-says/) (Berkeley CMR, 2025). 确认 AI 生产力收益不对称和用户过度自信的元分析. 5. [超越更陡峭的曲线：AI 介导的元认知解耦](https://arxiv.org/html/2603.29681) (Koch, 2025). 较长的 AI 解释使用户更自信，与正确性无关. 6. [生成式 AI 与创意内容市场](https://news.ufl.edu/2026/03/ai-slop/) (Zou, Shi, & Wu, 2026). 即将发表于 *Journal of Marketing Research*. 7. [生成式 AI 指南](https://genai.illinois.edu/) (University of Illinois). 生成式 AI 在学术和专业工作中的推荐用途与限制. 8. [在科学中优化和谨慎使用生成式 AI 的十条简单规则](https://doi.org/10.1371/journal.pcbi.1013588) (Helmy, Jin, et al., 2025). *PLOS Computational Biology*, 21(10), e1013588.