大量用 AI 之后，为什么反而更累？
· 4 min read
三个原因：
- 信息爆炸：AI 一次吐出的内容远超人能消化的密度，配图塞满模块，看完记不住结论。
- 宏观对、微观不对：大方向常对得上，细节总差，要反复打磨 prompt。结合上条放大了消耗。
- 承担更多：AI 让原本不归你干的事也变成了你干的事，加上行业卷效率，总量更大。
三个缓解动作：
- 加密度上限：配图任务要求"一张图最多 3 个元素"，超出就拆。
- 前置成功标准：每个 AI 任务先写一句"我需要什么具体结果"，再开工。
- 明确责任边界：AI 干哪些、你干哪些，不因为 AI 能干就揽过来。
为什么用 AI 之后反而更累
不是错觉。三层结构性原因叠在一起。
信息爆炸：AI 给的密度超出人能消化的范围
人脑更擅长处理低密度信息——一页 PPT 三个点比一页三十个点记得牢。
AI 不是这么工作的。给它一个任务，它倾向于一次性吐出一份完整、结构化、看起来"很专业"的产出：
- 出一张架构图 → 配色 + 模块 + 连线 + 图例全部铺满
- 写一份文档 → 章节 + 子章节 + 列表 + 引用全部齐
- 解释一个概念 → 背景 + 定义 + 例子 + 对比 + 延伸
结果就是 接收端的密度爆炸：读完一份 AI 输出，留下的印象往往是"挺全的，但具体说了啥想不起来"。
视觉疲劳就是这个机制的具体例子——AI 出的架构图配色高级、模块工整，但读者视线扫过去抓不到结论，只记住"这张图好炫"。
宏观对、微观不对：永远要继续调 prompt
AI 输出有个常见的"对齐模式"：
- 宏观层面：方向常对得上，需求大致理解了
- 微观层面：细节总差一截——颜色不对、文案不准、边界 case 没覆盖
于是陷入循环：调 prompt → 重新跑 → 看结果 → 又差一点 → 再调。
这种逼近过程本身就累。再结合上一条，如果模型还不够"聪明"，越沟通越陷入恶心循环，极其考验耐心：每次重新跑又是一次密度爆炸——一份塞满内容、AI 自认 为"专业"的产出，需要你重新消化、重新定位哪里不对。
完美匹配的 AI 任务几乎不存在，每一次交付都是 N 轮逼近。
承担更多：能力边界被 AI 拉宽了
更隐蔽的一层：AI 不只是把你已有的活干得更快，而是把 原本不归你干的活 也变成了你干的。
- 你是后端，AI 能帮你写前端 → 现在你得懂前端
- 你是开发，AI 能帮你写文档 → 现在你得审文档质量
- 你是个人贡献者，AI 能帮你拉通 PM / 设计 → 现在你得承担协调
加上行业里都在用 AI 卷效率——别人一小时出方案，你不用就落后。总量上承担的比以前多，单位时间内要交付的也比以前多。
怎么不累
三个动作：
- 给 AI 加密度上限：配图任务默认要求"一张图最多 3 个元素"，超出就拆。
- 前置成功的标准：每个 AI 任务先写一句"我需要的具体结果是什么"——明确到能验证的标准，再开工。
- 明确 AI 的责任边界：哪些事 AI 干、哪些事你干，不因为 AI 能干就把所有事揽过来。
底层逻辑都一样：人是低密度处理器，AI 是高密度生成器，中间必须有过滤层。这个过滤层只能靠你自己，不能让 AI 替你想清楚。
References
- 大量用AI，是不是感觉更累了？ —— 人月聊IT, 哔哩哔哩