最近，我经常在网上看到一种相似的感受：

用了 AI 之后，工作似乎变快了，但人却越来越累。

我自己也经历过这个阶段。

过去几个月，我每天会同时推进三到四个项目。AI 的能力越来越强，很多过去做不了、或者要花很长时间才能完成的事情，现在都变得可能了。

但奇怪的是，事情完成得越快，我反而越容易焦虑。

后来我慢慢意识到，让人疲惫的可能并不是 AI 本身，而是 AI 改变了人在工作系统中的位置。

当执行不再是瓶颈

过去做一个项目，通常有一个相对自然的过程。

先了解问题，再慢慢规划，然后进入执行阶段。

规划的过程可能很费脑，但一旦想清楚之后，执行反而相对轻松。因为你已经知道下一步应该做什么，只需要按照计划往前走。

但 AI 出现之后，执行开始变得越来越便宜。

以前需要几个小时完成的事情，现在可能几十分钟就能完成；以前只能同时推进一个项目，现在可以让多个项目并行。

于是，真正的瓶颈从“有没有时间执行”，变成了：

我能不能足够快地想清楚？

我能不能判断 AI 做得对不对？

我能不能及时给出下一个方向？

当 AI 执行得越来越快，人就很容易成为整个系统里最慢的部分。

这可能就是一种“认知债务”。

AI 帮我们积累了大量待判断、待确认、待验收的结果。它们看起来都是进度，但每一个进度背后，都需要人重新进入上下文，理解发生了什么，然后做出决定。

执行被加速了，判断却没有。

不是事情太多，而是切换太频繁

我后来发现，真正消耗我的，往往不是某一个任务有多困难，而是我要不断切换到不同的任务里。

一个项目做到一半，AI 已经给出了结果，需要我去看。

我刚进入另一个项目的状态，又要回来判断第一个项目是否正确。

刚刚想清楚一个问题，另一个项目又需要新的指令。

每一次切换，看起来可能只花几分钟，但人需要重新回忆：

这个项目做到哪里了？

前面为什么这样决定？

现在的问题是什么？

下一步需要验证什么？

我们好不容易进入一个项目的心流，却很快又被拉到另一个上下文里。

过去，执行阶段可以让大脑沿着一条相对稳定的路径往前走。现在，AI 承担了大量执行，人却几乎一直停留在规划、判断、提问和验收的状态。

而这些恰恰是最耗费认知的工作。

甚至只是给 AI 打一段指令，也没有想象中那么轻松。

你要回忆前面发生了什么，整理自己的思路，考虑如何准确表达，还要判断下一句话应该说什么。

从表面上看，我们只是坐在那里打字。

实际上，大脑一直在高速做决定。

AI 越强，人越需要自己的脚手架

我现在对这个问题的解决方式，是为自己建立一套适合自己的“脚手架”。

所谓脚手架，并不只是从网上下载一些 Skill，安装几个 Agent，再把它们拼在一起。

那更像是你在网上看了很多简历，招了一群看起来很优秀的人。但这些人是不是真的适合你的工作方式，只有在长期合作之后才知道。

一个适合自己的 AI 系统，也需要经历类似的磨合。

它需要理解你通常如何表达想法，知道你在意什么，知道什么情况下应该继续执行，什么情况下应该回来找你确认。

更重要的是，它需要把你反复使用的方法逐渐固化下来。

现在很多人会说，Agent 可以自我进化。

但我越来越觉得，真正的进化并不会自然发生。

一个系统如果没有记录问题、收集反馈、调整流程和重新验证的能力，它并不会因为使用时间更长，就自动变得更适合你。

而且很多时候，我们自己也很难准确描述“不顺手”的原因。

它可能不是某一个明确的错误，而是一种感受：

它总是在不该问的时候问我。

它总是太早开始执行。

它给出的方案看起来完整，但不是我真正关心的方向。

它完成了任务，却增加了我的验收成本。

这些问题，需要使用者像一个团队管理者一样，慢慢观察、调整和重新设计。

所以，一个真正适合自己的脚手架，很难完全从外部获得。

它需要自己参与构建。

从亲自执行，变成带领一个团队

我现在会把自己想象成一个老板。

这里的“老板”并不是命令别人干活，而是换一个位置去看待工作。

一个好的老板，不应该深入参与每一个执行细节。他更重要的工作，是提出问题、明确方向、判断方案，并在关键节点做决定。

很多事情，我现在不会一开始就要求自己想得非常完整。

我会先通过语音，把脑子里还不成熟的想法说出来。

这些表达可能前后不够连贯，也不像写文章一样严谨，但没有关系。AI 可以先帮我理解、整理，再把它认为的意图反馈给我：

“你想表达的是不是这个？”

有时候，我原本也没有完全想清楚。

但当我看到 AI 整理出的几个方向之后，我通常能判断哪些接近，哪些不对。

这比从空白页面开始，一句话一句话地打字，要轻松很多。

语音让我可以一边说，一边想。

我不再需要先把思想加工成一段完整的文字，再交给 AI。相反，AI 开始参与我思考和澄清的过程。

对我来说，这降低了很大一部分认知负荷。

先把方案聊清楚，再让 AI 独立完成

我现在还有一个很重要的变化：

我不会急着让 AI 开始做。

我会先花一段时间，和它把问题讨论清楚，最后形成一份相对完整的 proposal，也就是执行方案。

这份方案需要回答：

我们到底要解决什么问题？

最终的结果应该是什么？

哪些部分需要做，哪些部分暂时不做？

需要用什么方法验证？

什么情况下应该停下来问我？

当方案足够清楚之后，我再让 AI 独立执行。

它可能需要半小时，也可能需要一小时。而这段时间，我可以去处理另一个项目。

过去，一个需要一小时完成的任务，可能每隔十分钟，我都要回来告诉 AI 下一步做什么。

虽然 AI 一直在工作，但我也始终没有真正离开这个任务。

现在，我可能只需要先用十几分钟把方案确认清楚，剩下的时间让它自己完成。

这不是简单地让 AI 做得更多，而是减少我进入项目的次数。

当每一个项目都拥有相对完整的上下文、方案和执行边界之后，我在不同项目之间切换时，就不再需要反复从头回忆。

切换成本也因此降低了很多。

从 Human in the Loop 到 Human on the Loop

过去，我们常常讲 Human in the Loop。

人在流程里面，AI 每做一步，人都参与判断。

这种方式很安全，但也很累。

现在，我更希望自己逐渐进入一种 Human on the Loop 的状态。

我不再参与每一步执行，而是站在流程之上，观察整个项目是否仍然朝着正确的方向发展。

我关注的是目标、边界、风险和关键决策。

至于中间大量的方案整理、资料处理、代码执行和细节修正，可以交给 AI 完成。

这并不意味着人变得不重要。

恰恰相反，当执行越来越便宜，人的判断会变得更加重要。

只是这种判断不应该被无数细小的指令和频繁的上下文切换消耗掉。

我们需要把有限的注意力，留给真正重要的决定。

更懂你的 AI，不一定是更聪明的模型

我现在越来越觉得，让人轻松的并不只是一个能力更强的模型。

真正重要的是，它是否足够了解你的工作方式。

它是否知道你通常如何做决定。

是否知道你需要先讨论，再执行。

是否知道哪些结果需要沉淀成文档。

是否能在确认方向之后，自动完成后面的步骤。

是否能在遇到真正的不确定性时，再回来找你。

一个更懂你的系统，未必每一步都比其他 AI 更聪明，但它会减少你重复解释、重复判断和重复进入上下文的次数。

这可能比单纯追求更强的模型，更能降低人的疲惫。

AI 不应该只是让我们做更多

我曾经以为，AI 带来的效率提升，就是让我在同样的时间里做更多事情。

现在我觉得，这只是最表面的变化。

更重要的是，我们能不能重新设计自己的工作方式。

当 AI 的速度超过人之后，我们不能再用过去亲自执行每一步的方法，去管理新的工作系统。

否则，AI 完成得越快，我们积累的认知债务就越多。

我们会拥有更多项目、更多结果，也拥有更多需要判断的事情。

真正有帮助的，不是让自己更拼命地跟上 AI，而是建立一套适合自己的脚手架。

让 AI 理解你的意图，记住你的方法，按照你认可的流程工作。

而你则逐渐从执行者的位置退出来，成为提出问题、确定方向和做出判断的人。

这段时间，我在 AI 编程训练营里做的很多事情，本质上也是在帮助学员完成这种转变。

不是只教他们怎样写出更好的提示词，也不是简单地教他们使用更多工具。

而是让他们开始学习：

如何像一个老板一样组织 AI。

如何把模糊的想法变成可以讨论的方案。

如何建立适合自己的工作脚手架。

如何把自己从每一个执行细节里释放出来。

AI 的出现，不应该只是让我们能够承担更多任务。

它也应该让我们有机会重新思考：

哪些事情必须由我来做？

哪些判断真正重要？

我应该站在整个系统的什么位置？

当这些问题逐渐清楚之后，AI 或许不再是一个让人疲惫的加速器。

它会慢慢变成一个真正能够承接工作的团队。

而我们也不需要一直追赶它。

我们只需要学会，如何和它一起工作。