AI 时代最危险的「工位」

Editor's Note：

🗓️ 2026.02.13 | Issue#343

这是春节前最后一期 AI Insider。这次我们没有选公司财报或产业动态，而是从三篇硅谷 AI 从业者的个人博客入手，拼出了一个关于「人在 AI 工作流中该站哪里」的产业命题。三个案例放在一起看，结论可能会让你重新审视自己和 AI 的协作方式。

祝各位读者春节愉快，假期后我们继续更新，马年再见！

Siddhant Khare 上个季度写了比职业生涯任何时期都多的代码，也经历了职业生涯最深的疲惫。两件事直接相关。他不是 AI 的旁观者，作为 CNCF 孵化项目 OpenFGA 的核心维护者，他构建的基础设施让 AI 智能体得以在生产环境中运行。论对 AI 工作流的理解深度，很少有人比他更前沿。

就在同一时期，AI 创业者 Matt Shumer 写下了完全不同的叙述：用自然语言描述需求，离开电脑四个小时，回来发现工作已经完成，不需要任何修改。Google Brain 研究员 Eric Jang 更进一步，他让 Claude 自主设计实验、运行代码、分析数据、提出下一步假设，整个研究循环在无人干预的情况下自动推进。

三个人都是每天深度使用 AI 的从业者，身处同一个时间窗口。一个透支了，两个经历了效率跃迁。

这种分化值得认真对待。它揭示的东西，比任何一篇单独的文章都更有产业意义。

成本去了哪里

Khare 的经历精确地记录了一个被行业集体忽视的现象。

AI 确实让每个任务变快了。过去三小时的工作，现在 45 分钟就能完成。设计文档、脚手架搭建、测试用例、API 调研，速度全面提升。但他的每一天变得更艰难了。

逻辑其实很简单。每个任务耗时缩短之后，填进来的不是休息，是更多的任务。一天之内他会触及六个不同的问题，每个「用 AI 只需要一小时」。AI 在问题之间不会疲劳，人会。六次上下文切换的认知代价，远远超过六个问题本身的难度。

更深层的变化在角色上。他的日常工作从「思考、编码、测试、交付」变成了「提示、等待、阅读输出、评估正确性、判断安全性、核查架构一致性、修复偏差、重新提示」。他从一个创造者变成了质检员。创造能带来心流，质检带来的是持续的决策消耗。密集使用 AI 开发新微服务一周后，到周三他已经无法做最简单的决定。函数叫什么名字？无所谓了。配置放哪个目录？随便吧。大脑被填满了，填满它的是数百个细碎的判断。

他用了一个很准确的说法：AI 拆掉了「限速器」。过去，打字速度、查资料的时间、思考的节奏，都构成天然的产出上限。这个上限有时让人沮丧，但它也充当保护机制。AI 把保护机制拆除了，剩下的唯一瓶颈就是人的认知耐力。而绝大多数人要到耗尽那一刻才知道自己的极限在哪里。

Khare 在 2025 年底到达了那个极限。代码审查变成了盖章，架构决策变成了「AI 建议什么就用什么」。产出比以往任何时候都多，感受比以往任何时候都少。

问题出在哪？不在 AI 的能力，在人把自己放进了工作流的什么位置。

站在传送带旁边，还是设计传送带

Shumer 的工作方式已经和 Khare 完全不同。

他描述的日常是这样的：告诉 AI「我要一个这样的应用，功能是这些，大致长这样，用户流程、界面设计你来定」。AI 写下数万行代码，然后自己打开应用、点击按钮、测试功能、检查体验。如果 AI 自己不满意，它会返回去修改，反复迭代，直到它认为达到了标准，才通知 Shumer 来验收。他的原话是：这就是我这周一的工作。

注意这里的关键区别。Shumer 的认知投入集中在两个端点：定义需求，以及验收最终结果。中间整个生产过程，他不在场。他不逐行审查代码，不判断函数命名，不纠结错误处理的风格。他信任 AI 对过程的控制，只对结果负责。

Jang 的做法把这个思路推到了更极致的位置。他为 Claude Code 设计了一套标准化的研究框架：一个叫 /experiment 的命令，规定了「什么是一次合格的实验行动」。创建独立的实验文件夹、编写并执行单文件 Python 脚本、将中间数据存为可解析的 CSV 格式、观察结果并撰写结论报告。他甚至可以让 AI 连续运行十轮实验，每轮结束后自主反思结果、判断已知与未知，再设计下一轮。

Jang 的核心能力已经从「亲手做实验」转移到了「定义实验应该怎么做」。他设计的是约束条件和运行规则，AI 在这套规则内自主推进。他自己退到了控制室的位置。

现在把三个人放回到同一个坐标系里看。

Khare 站在传送带旁边，每件产品过手检查。AI 产出越多，他的审查量越大。这是一条线性增长的负荷曲线，终点只有一个。

Shumer 站在入口和出口。中间的一切交给 AI 自行处理。他的认知负荷不随产出量增长，而是固定在需求定义和结果验收上。

Jang 设计了传送带本身。他的一次性投入是框架设计，之后 AI 在框架内运行，产出越多，框架的边际价值越高。

三种位置，面对 AI 产出能力的指数级增长，承受的压力截然不同。

对企业和个人意味着什么

这组对照实验揭示的规律可以直接指导当下的 AI 落地策略。

企业最常见的错误，是给团队配备了更强的 AI 工具，却完整保留了原有的工作流程和角色设计。结果就是所有人都被推向了 Khare 的位置：任务更多、审查更密、节奏更快、透支更早。真正的 AI 转型需要触及角色层面的重组。哪些环节仍然需要人在场？哪些环节应该让人退出，只保留验收节点？哪些环节可以像 Jang 那样，通过标准化框架让 AI 自主运转？这些问题远比「选哪个模型」「用哪个工具」更决定转型的成败。

对个人来说，Jang 的 /experiment 命令提供了一个值得深入研究的范式。他没有追求让 AI 完美执行单个指令，而是把精力花在定义边界和流程规则上，让 AI 在规则内自主运行。这种能力有一个重要特征：它不会随模型迭代而贬值。模型越强，优秀的框架设计反而越有杠杆效应。

Khare 在透支之后也抵达了类似的认知。他不再追逐每一个新发布的工具，转而深耕工作流底层的持久问题：上下文效率、智能体授权、运行时审计。他的总结简洁有力：工具来来去去，它们解决的问题不会消失。要把自己绑定在问题上，而非工具上。

结语

回看这三个案例，最反直觉的发现是：在 AI 时代，「克制」可能比「全力投入」更需要判断力。

Khare 的疲惫不是因为能力不够，恰恰因为他太能干、太负责，把自己钉在了 AI 产出的每一个细节上。每一次技术革命都会出现类似的陷阱：新工具提升了产出的速度，人本能地跟上这个速度，直到超过自身的承受边界。蒸汽机时代如此，互联网时代如此，AI 时代只是把这个周期压缩得更短、更猛烈。

真正稀缺的能力正在发生迁移。从「我能用 AI 做多少事」，迁移到「我该在哪些环节出现，在哪些环节退场」。这个判断本身无法外包给 AI，它需要对自身认知边界的诚实评估，也需要对工作流架构的深层理解。

春节假期是个难得的暂停时刻。也许值得趁这几天想一想：你现在站在自己 AI 工作流的什么位置？你是那个审查每一行输出的人，还是那个设计规则然后抽身的人？

答案不同，2026 年的体验会非常不同。