一切都要从一篇在技术圈刷屏的帖子说起。
一个名叫Siddhant Khare的工程师，发表了一篇文章《AI疲惫是真实存在的，但却无人提及》。作为开源项目 OpenFGA 的核心维护者，身处技术浪潮最前沿的他描述了自己工作流程的改变。
过去，写代码是一条清晰、流畅且能带来成就感的路径：思考问题、编写代码、进行测试、测试通过后发布。那是创造者的愉悦。
而现在，他的日常变成了一个循环：提出指令、等待输出、阅读输出、评估输出、判断输出是否正确、判断输出是否安全、判断输出是否符合架构设计，修正不符合的部分，然后重新下达指令，周而复始。
他不再是那个亲手构建系统的创造者，而变成了一条永不停歇的生产线上的“质检员”。干完活后，没有往日的成就感，只有一片空白的疲惫感。这篇帖子迅速引发了热烈反响，评论区里感同身受的人很多：“是我本人没错！”“简直是我每天的写照。”
这并非Siddhant Khare的专属困境。波士顿咨询公司的一项研究，为这种AI带来的新型职场倦怠取了一个形象的名字“AI脑疲劳”。症状包括但不限于：注意力涣散、决策迟缓、大脑像一直在嗡嗡响，明明干了很多活，却感觉什么也没干成。
他们对1488名美国职场人的调查显示，已有14%的人深陷其中。
从“创造者”成为“监督者”
Siddhant Khare试图用自己的经历揭示一个悖论：AI 让单次任务变快了，却让整体工作变得更累、更耗神。几乎在同一时间，哈佛商学院的研究者和波士顿咨询公司的调查都指向了同一个结论：AI 并没有如预期般解放我们，反而以一种更隐蔽的方式重塑了工作体验，带来了系统性的新负担。
比如，AI让程序员这份工作从“思考-编码-测试” 变成了“指令-审阅-修正-再指令”。Siddhant认为自己工作的核心从“创造”变成了“审阅”，也很难获得那种“心流”状态。
他感慨：当人们在一天内需要处理六个由 AI 生成的不同问题时，大脑不是在创造，而是在进行成百上千个微小的、高强度的判断：这个函数命名规范吗？那个逻辑在边界条件下会崩溃吗？这段代码有没有性能隐患？这种高强度的评价性工作，正在悄无声息地榨干认知资源。
哈佛商学院的研究数据证实了这一点：需要高度监督AI工作的员工，在工作中投入的精神努力增加了14%，精神疲劳增加了12%，信息过载感更是飙升了19%。
在很多关于未来的设想里，AI能帮人类处理很多事，能让人类有更多时间享受生活。实际上，至少到目前，和移动互联网出现以后一样，许多人工作和生活的界限被一台手机彻底模糊。
“当AI以一个随时可对话的窗口形式嵌入工作流，它就变成了一个随身携带、永不关门的办公室。”Siddhant表示，以前，下班意味着关掉电脑，离开那个物理空间。现在，对话框永远在线。
一个“帮我看看这个”的需求随时可以扔进来，AI瞬间给出答案，而人们需要进行确认和反馈。工作就这样悄无声息地滑入了本该属于休息的时间。
“那个本该为我节省时间的工具，为何最终吞噬了我一整天，甚至包括本该属于夜晚的时间？”
fomo和潜在的思维能力退化
当你面对龙虾热觉得不知所措，程序员们的焦虑丝毫不比你低。
Siddhant在文章中列出的技术更新清单，是每一个技术从业者所感到疲惫，并且产生措施恐惧症的。
这种指数级的更新速度，让每一个从业者都陷入了深深的焦虑循环。更糟糕的，是知识贬值的速度。人们花费两周时间，精心构建的一套完美提示词工作流，三个月后，可能还不如新模型一句简单的指令。所有投入的时间和精力，仿佛瞬间归零。
另一个正在崩塌的体系是工程师追求确定性的思维。即使AI已经很先进，但输入相同内容很可能输出不同结果。追求确定性的工作突然变成了掷骰子。周一完美运行的提示词，周二可能因为模型的一次微调，就输出完全不同的、甚至错误的代码。
“每一次与它的互动，都必须保持警惕，因为永远不知道它会给使用者一个惊喜，还是一个惊吓。”
为了尽可能让AI能输出想要的内容，Siddhant在工作中花费了很长时间优化提示词，结果有时候会发现自己在这件事上的时间远超自己动手写完整个任务。
更让他害怕的是，在一次没有电脑、没有AI的白板技术讨论中，他诧异地发现，自己从零开始思考、推导一个问题的能力，竟然退化了。长期将初步的思考、代码框架外包给AI，就像长期依赖GPS导航后，逐渐失去了构建心理地图和认路的能力。
以前正是那些独自面对难题时，经历的挣扎、困惑、推导、试错的过程，构建了人们理解的深度。跳过这些痛苦的过程，直接拿到结果，或许能更快地完成任务，但代价是思维的钝化，是理解世界和解决问题能力的肤浅化。
长此以往人们要警惕变成一个只会“审阅”答案，而不会“创造”答案的人。
与AI相处也要照顾好你的大脑
虽然Siddhant抱怨AI带来的困境，但他也冷静分析了目前的状况，并且提出了一些与AI相处的建议，毕竟对于他们这些科技工作者来说，与AI一起工作这件事是不可逆的。
根据他的建议，结合哈佛商学院的学者以及波士顿咨询的研究者的观点，有以下五条具有实操性的建议。
1、建立边界，明确人机分工
AI擅长生成模板代码、撰写文档草稿、自动化测试、快速信息检索。人类擅长顶层架构决策、复杂问题调试、创新性思考、价值与伦理判断。两者并非替代关系，而是互补。
如何找到这个边界？Siddhant的经验是记录。他进行了为期两周的简单记录：什么任务用了AI，花费了多少时间，对结果的满意度如何。数据清晰地告诉他：AI在哪些领域是得力助手，在哪些领域反而是时间黑洞。现在，他知道了何时该用它，何时该亲自上阵。
核心在于：守护好创造性的核心环节，让AI回归工具属性。不要让工具定义你的工作流程，而要用你的目标和大脑去选择和驾驭工具。
2、为AI使用设定“熔断机制”
针对那个让人越陷越深的“提示螺旋”，Siddhant有一条硬性规则：使用AI编码，最多尝试三次。如果三次提示内，AI无法让他得到一个70%可用的内容，他就果断关掉对话框，自己动手写。
这条简单的规则，比他学过的任何高级提示技巧都为他节省了更多时间。它就像电路中的熔断器，在你的认知资源被无限消耗之前，果断切断回路，避免陷入“看似高效，实则低效”的认知黑洞。
同样，为每次AI会话设定时间限制也是一种有效的方法。比如，每次使用AI最多30分钟，计时器一响，无论产出如何，都交付已有成果或转而自己动手。
3、分离思考时间与执行时间
为了防止“思维萎缩”，Siddhant将每天的第一个小时留给了无AI状态。他用纸笔思考，手绘架构草图，用最原始、最缓慢的方式推演问题。这看似低效，实则是为大脑做必不可少的“热身运动”。当思维经过充分预热，再使用AI时，你便能更好地评估其输出，提出更精准的问题，而不至于被它带着跑。
4、接受“不完美”，追求“足够好”
对于追求完美的工程师来说，这是最难接受但最必需的一课。AI的输出从来都不是完美的，它总是“相当不错”，能达到70-80%的程度。如果你强求它产出100分的答案，你消耗在修正、调试、重写上的精力，可能远超你自己从零开始写的成本。
Siddhant接受AI产出70%的完成度。 将每一次AI输出都视为一个初稿、一个起点、一份原始素材。当它出现在屏幕上的那一刻，就在心里给它贴上“草稿”的标签。这种思维方式的转变，能让挫败感减少一半。
5、对炒作周期保持战略定力
面对层出不穷的新工具和新框架，如何避免陷入FOMO的焦虑循环？程序员现在的策略是：关注，但不盲从。他们依然密切关注行业动态，因为这是他工作的一部分，但不再追逐每个新工具上市首周就采用，而是专注于使用一个主力工具，并深入掌握其核心特性。对于新工具，他会等它们经过数月（而非数日）的市场验证后，才进行评估。
文章的最后，Siddhant写下了一段话：“照顾好你的大脑。它是你唯一的头脑，任何人工智能都无法替代。”
