人工智能并不减少工作量——它加剧了工作量
内容
人工智能（Artificial Intelligence，AI）的一个承诺是，它可以减少工作量，使员工能够专注于更高价值和更吸引人的任务。但是，根据新研究，AI 工具并没有减少工作量，而是持续加剧了工作量：在研究中，员工以更快的速度工作，承担了更广泛的任务，并将工作延伸到一天中的更多时间——往往没有被要求这样做。
目前，许多公司都担心如何让更多员工使用 AI。毕竟，AI 减轻某些工作负担的承诺——例如，草拟常规文档、总结信息和调试代码——并让工人有更多时间从事高价值任务，这是一个诱人的前景。
但是，他们是否准备好面对如果他们成功可能发生的事情？虽然领导者们专注于预期的生产力增益，但他们可能会发现自己被复杂的现实所惊讶，并且可能不会看到这些增益的代价，直到为时已晚。
在我们正在进行的研究中，我们发现 AI 工具并没有减少工作量，而是持续加剧了工作量。在对一家美国科技公司（拥有约 200 名员工）的为期八个月的研究中，我们发现员工以更快的速度工作，承担了更广泛的任务，并将工作延伸到一天中的更多时间，往往没有被要求这样做。重要的是，该公司没有强制要求使用 AI（尽管它提供了商业可用的 AI 工具的企业订阅）。员工们自发地做了更多的事情，因为 AI 使“做更多事情”感觉是可能的、可及的和在很多情况下内在有价值的。
虽然这可能听起来像是一个梦想成真，但 AI 热情采用带来的变化可能是不可持续的，会在一段时间后引起问题。一旦实验的兴奋消失，工人可能会发现他们的工作量已经悄悄增加，并感到自己在处理突然出现的所有事情时感到筋疲力尽。这种工作量的增加可能会导致认知疲劳、倦怠和决策能力下降。最初享受的生产力激增可能会让位于工作质量下降、人员流失和其他问题。
这使得领导者们陷入了困境。他们应该怎么做？要求员工自我调节并不是一个赢得胜利的策略。相反，公司需要制定一套关于 AI 使用的规范和标准——我们称之为“AI 实践”。以下是领导者需要知道的内容，以及他们可以做什么来帮助员工取得成功。
生成式 AI 如何加剧工作量
从去年四月到十二月，我们通过在科技公司进行为期两天的现场观察、跟踪内部通信渠道和对工程、产品、设计、研究和运营等领域的 40 多位员工进行深入访谈，研究了生成式 AI 工具如何改变工作习惯。
我们确定了三种主要的加剧形式。
任务扩展
由于 AI 可以填补知识空白，工人越来越多地承担了以前属于他人的责任。产品经理和设计师开始编写代码；研究人员承担了工程任务；组织内的个人尝试了他们以前可能会外包、延迟或完全避免的工作。
生成式 AI 使这些任务感觉起来是新的和可及的。这些工具提供了许多人所经历的认知提升：它们减少了对他人的依赖，并在整个过程中提供了立即的反馈和纠正。工人将其描述为“尝试使用 AI”，但这些实验累积起来，成为工作范围的有意义的扩展。事实上，工人越来越多地吸收了以前可能需要额外帮助或人力的工作。
任务扩展产生了连锁反应。例如，工程师们花费了更多时间审查、纠正和指导同事使用 AI 生成或辅助的工作。这些需求超出了正式的代码审查。工程师们越来越多地发现自己在指导“氛围编码”和完成部分完成的拉取请求的同事。这种监督通常在 Slack 线程或快速的桌面咨询中出现，增加了工程师的工作量。
工作和非工作之间的界限变得模糊
由于 AI 使开始一项任务变得如此容易——它减少了面对空白页面或未知起点的摩擦——工人将小部分工作插入到以前是休息时间的时刻。许多人在午餐、会议或等待文件加载时提示 AI。有些人描述说，他们在离开桌子之前发送了“最后一个快速提示”，以便 AI 可以在他们离开时工作。
这些行为很少感觉像是在做更多的工作，但随着时间的推移，它们产生了一个工作日，自然的暂停较少，工作参与更加连续。提示的对话式风格进一步软化了体验；向 AI 系统输入一行文本感觉更像聊天，而不是正式的任务，使得工作很容易在晚上或早上无意中延伸。
一些工人描述说，他们经常在事后意识到，当在休息时间提示 AI 成为习惯时，休息时间不再提供相同的恢复感。因此，工作感觉不再有界限，变得更加模糊——它总是可以进一步推进的东西。工作和非工作之间的界限并没有消失，但它变得更容易跨越。
多任务处理增加
AI 引入了一种新的节奏，工人同时管理多个活跃线程：手动编写代码，同时 AI 生成替代版本，运行多个代理程序，或者因为 AI 可以“在后台处理”而恢复长期搁置的任务。他们这样做的部分原因是，他们觉得自己有一个“合作伙伴”，可以帮助他们处理工作量。
虽然这种“合作伙伴”的感觉使他们感到有动力，但现实是不断切换注意力，频繁检查 AI 输出，并且有越来越多的打开任务。这造成了认知负担和一直在处理的感觉，即使工作感觉很有成效。
随着时间的推移，这种节奏提高了速度的期望——不一定是通过明确的要求，而是通过什么变得可见和正常化在日常工作中。许多工人注意到，他们同时做了更多的事情——并感到更大的压力——而不是在使用 AI 之前，即使自动化带来的时间节省原本应该减少这种压力。
对组织的影响——以及“AI 实践”如何帮助
所有这些产生了一个自我强化的循环。AI 加速了某些任务，这提高了速度的期望；更高的速度使工人更加依赖 AI。增加的依赖扩大了工人尝试的范围，而更广泛的范围进一步扩大了工作的数量和密度。几位参与者注意到，虽然他们觉得自己更有成效，但他们并不觉得自己更轻松，甚至在某些情况下觉得比以前更忙。正如一位工程师总结的那样，“你曾经以为，也许，因为你可以使用 AI 更高效地工作，所以你可以节省一些时间，工作更少。但事实上，你并没有工作更少。你只是工作相同的时间，甚至更多。”
组织可能将这种自愿扩展工作视为一个明显的胜利。毕竟，如果工人自愿这样做，为什么这会是坏事？这不是我们被承诺的生产力爆发吗？
但是我们的研究揭示了让工作量非正式扩展和加速的风险：短期内看似更高的生产力可能会掩盖默默的工作量增加和日益增长的认知紧张，因为员工同时处理多个 AI 启用的工作流程。由于额外的努力是自愿的，往往被视为愉快的实验，因此很容易让领导者忽略工人承担了多少额外的负担。随着时间的推移，过度工作会损害判断力，增加错误的可能性，并使组织更难区分真正的生产力增益和不可持续的强度。对于工人来说，累积效应是疲劳、倦怠和日益增长的感觉，即工作更难放下，尤其是当组织对速度和响应速度的期望增加时。
与其被动地响应 AI 工具如何重塑工作场所，个人和公司都应该采用“AI 实践”：一套关于如何使用 AI、什么时候应该停止以及如何响应新能力而扩展工作的有意规范和例行程序。没有这样的实践，AI 辅助工作的自然趋势不是收缩，而是加剧，这将对倦怠、决策质量和长期可持续性产生影响。
在组织构建其 AI 实践的过程中，他们应该考虑采用：
有意的暂停
随着任务加速和界限变得模糊，工人可能会从简短的结构化时刻中受益，这些时刻可以调节工作节奏：保护的间隔来评估一致性、重新考虑假设或吸收信息，然后再继续。
这些暂停不会减慢整体工作速度；它们只会防止在加速不受控制的情况下出现的沉默超载。例如，决策暂停可能需要在做出重大决策之前提出一个反驳意见和一个对组织目标的明确链接——扩大注意力范围，以保护免受漂移的影响。将此类暂停纳入日常工作流程是组织支持更好决策、更健康的界限和更可持续的生产力形式的一种方式。
顺序
随着 AI 在后台启用持续活动，组织可以通过故意塑造工作何时推进（而不仅仅是速度快慢）来受益于规范。这包括批量处理非紧急通知、在自然断点处持有更新以及保护专注窗口，在此期间工人免受干扰。
与其对每个 AI 生成的输出做出反应，不如让工作以连贯的阶段推进。通过这种方式协调工作，工人会经历较少的碎片化和较少的昂贵的上下文切换，同时团队保持整体吞吐量。通过调节工作的顺序和时机（而不是要求持续响应），顺序可以帮助组织保留注意力、减少认知超载并在 AI 向前工作场所中支持更深思熟虑的决策。
人类基础
随着 AI 启用更多的独自、自成体系的工作，组织可以通过保护时间和空间用于倾听和人类联系来受益。与他人简短的联系机会——无论是通过简短的检查、共享的反思时刻还是结构化的对话——都会打断与 AI 工具的持续独自参与，并帮助恢复视角。
除了视角之外，社会交换还支持创造力。AI 提供了一个单一的、综合的视角，但创造性的洞察力取决于多个人类视角的接触。通过制度化倾听和对话的时间和空间，组织将工作重新锚定在社会背景中，并有助于抵消快速、AI 介导的工作的耗尽、个性化的影响。
生成式 AI 的承诺不仅在于它可以为工作做什么，还在于它如何被深思熟虑地融入日常节奏。我们的发现表明，没有意图，AI 使得做更多事情变得更容易——但停止工作变得更难。AI 实践提供了一个平衡：一种即使工作加速也能保留恢复和反思时刻的方法。面临组织的问题不是 AI 是否会改变工作，而是他们是否会积极塑造这种变化——还是让它悄悄地塑造他们。