AI 工作周悖论：自动化更多，工作时长高达 90 小时
Google News 在 8 月 11 日揭示了一个尖锐矛盾：AI 领导者承诺减少人类劳动，而一些科技从业者却报告称每周工作时长接近 90 小时。这项 BBC 调查 展现了 AI 能够自动化的工作与雇主如何利用由此释放出的能力之间日益扩大的差距。
核心冲突不在于 AI 是否能为单项任务节省时间。越来越多的证据表明，它确实可以。冲突在于，谁能获得这些节省下来的时间，以及雇主会将效率转化为休闲、更高产出，还是更精简的团队。
这个问题如今已超出少数高强度创业公司的范围。Meta 高管正告诉员工，应将 AI 带来的节省时间重新投入到更多工作中。与此同时，随着员工承担 AI 监督、核验和纠错等新职责，整个行业的公司都在提高绩效预期。
结果形成了一种令人不安的逆转。一项被宣传为摆脱重复性劳动的技术，也在帮助将更高的产出目标和更长的工作安排常态化。机器运转得更快，但人类的工作日并不会自动缩短。
Google News 的报道究竟改变了什么
最新报道将一场抽象的未来工作讨论，变成了当下的管理冲突。
多年来，科技领袖一直将人工智能描述为消除重复性任务的一种方式。预期中的回报听起来很简单：人们可以少花时间起草邮件、搜索文件，或编写常规代码。
这种承诺并非完全是幻想。生成式 AI 可以总结消息、生成初稿、检索信息，并提出软件修改建议。这些能力能够减少完成特定活动所需的时间，尤其是在任务输入清晰、输出易于审查的情况下。
然而，任务效率并不等同于更短的工作周。雇主可以对更快完成的任务作出不同回应：减少工时、提高产出、削减人手，或分配更复杂的工作。技术本身不会在这些结果之间作出选择。
经由 Google News 发布的 BBC 报道，将这一差别置于故事中心。AI 经济中的一些员工描述了从本已严苛的每周 72 小时“996”模式，到接近每周 90 小时的工作安排。
996 指的是每周六天、每天从上午 9 点工作到晚上 9 点。这种安排在不计通勤、深夜消息或额外周末工作之前，就已达到 72 小时。
硅谷过去曾将 996 视为中国科技文化中令人震惊的特征。2021 年，中国有关部门宣布强制实施的此类工作安排违法。此后，美国 AI 创业公司开始将这一术语用作速度、雄心和创始人级投入的信号。
这种做法并非在所有科技公司中普遍存在。也不是每一种长工时安排都代表雇主的正式要求。一些创始人因持有大量股权并预期获得高额财务回报，而自愿投入极端工时。
关键区别出现在这种创始人之间的交易变成对员工的要求时。受薪员工可能承担同等工作量，却没有相应的控制权、股权或免于被解雇的保障。
关于这一趋势的报道显示，长工时可通过职位招聘信息、招聘沟通、绩效规范以及高管树立的榜样进入组织。一项安排即使没有任何政策使用“强制”一词，也可能在事实上具有强制性。
这使当前讨论的重要性超出了又一场关于创业公司文化的争论。AI 正在改变过度工作的经济理由。即使实际生产率提升仍不确定，管理者如今也可以声称每名员工都获得了额外产能。
这是读者应当记住的变化。自动化的承诺已从提供给员工的福利，转变为用来评估他们的基准。
AI 节省的是任务时间，而非整个工作日
只有当组织有意识地保护这些时间时，生产率提升才会转化为自由时间。
关于生成式 AI 在工作场景中表现的一项重要研究，涉及数千名使用 Microsoft 365 Copilot 的知识型员工。研究人员考察了获得该工具后，员工的电子邮件、文档和会议行为如何改变。
这项随机 工作模式研究 发现，活跃用户每周在电子邮件上花费的时间减少了超过三小时。他们完成文档的速度似乎也更快。
然而，研究人员并未发现会议时间显著减少。员工可以改变个人的邮件习惯，却无法独自重新设计与同事和管理者共享的日程安排。
这一差异解释了当前悖论的大部分原因。AI 在任务层面发挥作用，而工作时长则由组织系统形成。当会议、审批、目标和人员配置保持不变时，更快地起草内容并不能缩短工作周。
同样的区别也出现在 Boston Consulting Group 的 2026 年研究中。其全球调查覆盖了 14 个市场和多个行业的 11,749 名员工。
在经常使用一线 AI 工具的员工中，42% 表示每周至少节省了一个完整工作日。然而，66% 在如何使用节省时间方面获得的指导有限或完全没有指导。
超过一半的人没有将这些时间重新投入战略性工作。研究结果表明，许多雇主部署了工具，却没有重新设计岗位，也没有决定应如何分配生产率收益。
BCG 的研究结果 还显示，67% 的受访者表示 AI 已接管较简单的任务。这使员工承担了更大比例的复杂工作。
移除简单工作可以改善岗位体验，但也会消除自然的喘息间隙。一个人可能从一项高度依赖判断的任务直接转入另一项，而认知负荷较低的时段更少。
41% 的受访者报告称，与 AI 相关的心理负担有所增加。接近一半的人表示，他们花更多时间审查、纠正、管理或指导 AI 输出。
这种核验负担有时被称为“照看机器人”（botsitting）。员工收到一份快速生成的初稿，核查其中的说法，修正错误，使其符合内部标准，并对最终结果承担责任。
这一过程仍可能节省时间，但也可能让剩余的每一分钟都更具挑战性。只衡量生成初稿所需时间，会忽略验证初稿所需的专注力。
AI 工具还带来了另一个衡量问题。管理者可以轻易统计生成的代码、文档、工单或营销变体，却更难衡量判断力、维护工作、风险防范，以及纠正低质量输出的成本。
这种失衡鼓励公司奖励可见的产出量。员工因此产出更多、审查更多，并保持更长时间的在线可用状态。
单个员工无法仅靠提高提示词质量来解决这一问题。缩短工作周需要对截止期限、会议结构、人员配置和绩效评估作出协调一致的改变。
如果没有这些改变，节省下来的分钟就会成为产能计划中的空白空间。管理层很快会用另一项任务填满这片空间。
硅谷 996 的复兴提高了风险
AI 竞赛正将极端可用性变成招聘筛选条件，而不只是对紧急情况的临时应对。
高强度工作一直存在于产品发布、安全事件和系统故障时期。较新的模式不同，因为一些创业公司将持续过度工作宣传为其正常运营模式。
996 工作安排要求每周六天、每天 12 小时。一些报道描述员工每周工作七天，或将工作时长延长至超过 72 小时。
一项 硅谷调查 指出，有 AI 创业公司公开拥抱这一模式。据报道，为家庭服务承包商开发对话分析软件的 Rilla 表示，其大约 80 名员工中几乎所有人都遵循 996。
这种安排的支持者认为，短暂的市场窗口期足以证明非同寻常的高强度工作是合理的。基础模型变化迅速，现有巨头正大举投资，竞争产品也能在数月内复制可见功能。
这种压力确实存在。一家小公司可能认为，自己必须比拥有更多算力资源、分发渠道和资本的大型竞争对手更快发布产品。
然而，AI 的解释可能掩盖了一项传统的人力配置决策。公司可以雇用足够的人手以维持可持续的工作量，也可以雇用更少的人，并期望每个人覆盖更大的职责范围。
AI 让第二种选择更容易被包装成技术进步。即使较小团队的产出依赖大量人类加班，高管也可以将其描述为“AI 原生”。
劳动力市场进一步加剧了这种压力。科技行业裁员削弱了员工的安全感，而对一小部分经验丰富的 AI 研究人员的需求仍然旺盛。
不属于这一受青睐群体的员工面临艰难权衡。当其他候选人接受极端工作安排时，拒绝这种安排可能会显得缺乏投入。
职位发布和招聘电话可以明确表达这种预期。内部文化也可以通过晋升、公开表扬、响应时间监控，或每晚保持在线的高级领导者，达到同样效果。
问题不止在于总工时。长时间工作会减少用于学习、家庭责任、医疗照护和恢复的时间，也可能将劳动力群体收窄为那些能够围绕工作安排生活的人。
这种筛选效应会带来商业后果。公司可能失去有经验的员工、照护者，以及那些认识到持续睡眠不足最终会削弱判断力的候选人。
软件开发尤其容易受到影响。更多代码并不总意味着更多进展。每增加一项功能，都会带来测试、安全、维护和集成方面的义务。
AI 可以迅速生成实施方案，但并不会消除对生产环境故障的问责。团队仍必须决定该构建什么、验证行为是否正确，并在系统失败时管理后果。
因此，每周 90 小时的工作可能会制造一种误导性的、可见活动激增。公司记录到更多提交和发布，同时却在累积缺陷、职责不清和技术债务。
短期产出看起来可能令人印象深刻。延迟出现的成本会在之后显现，往往是在构建系统的人已经精疲力竭或离开之后。
核心逆转：效率抬高了工作目标
AI 最直接的职场影响，往往是提高绩效上限，而非降低时间投入。
Meta 的内部讨论说明了这种转变。据报道，首席技术官 Andrew Bosworth 告诉员工，借助 AI 节省下来的时间应当用于为用户完成更多工作。
根据对这场 Meta 员工会议 的报道，Bosworth 表示自己会利用额外一小时产出更多内容。后来，他为自己对一名询问额外休假时间的员工回应过于严厉而道歉。
他的回应让管理逻辑变得异常清晰。当 AI 创造出一小时时间，公司看到的是新增的生产能力；员工看到的则可能是休息机会，或更短的工作日。
这两种结果都不会由技术自动带来。组织会选择哪一种诉求优先。
这正是 Google News 报道背后的主要冲突：AI 效率提升的速度，快于雇佣协议改变的速度。员工仍需承担原有职责，同时还要吸收新的产出目标。
这种模式类似于一种古老的经济效应。当某种资源变得更便宜或更高效时，组织往往会增加对它的使用，而不是维持用量不变。
AI 降低了产出草稿、原型或分析的成本。公司则会要求更多草稿、更多原型，以及更多分析。
过去只需提出三个营销活动概念的员工，如今可能被要求提供 20 个。过去只需实现一种方案的开发者，现在可能要生成五种替代方案，再逐一比较。
支持团队可能在不减少工时的情况下处理更多工单。管理者看到的是更高吞吐量，员工感受到的却是更快的运营节奏。
这些工具还会扩大“合理工作”的定义。那些过去因耗时过长而被拒绝的任务，一旦 AI 能以低成本完成初步处理，就会进入待办事项列表。
每一项局部节省都会带来新的需求。即使每个单位所需时间更少，总工作量仍会增长。
这种动态削弱了“AI 自然会带来闲暇”的说法。更高的生产率可以支持更短工时，但前提是员工能分享一部分收益。
从历史上看，这种分配取决于谈判、劳动法规、竞争性招聘环境以及管理层选择。新机器本身并没有带来周末、加班保护或带薪休假。
同样的原则也适用于生成式 AI。公司必须决定，效率提升是用于提高薪酬、减少工时、改善质量、增加产出，还是缩减员工规模。
大多数组织会将这些结果结合起来。关键问题在于比例，以及员工是否对此拥有任何影响力。
公司还面临协调陷阱。一家雇主可能希望维持可持续的工作安排，却担心输给要求 996 的竞争对手。
这种担忧可能引发行业范围的升级。每家公司都会延长工时，因为它们假定竞争对手也在这么做，即使由此产生的工作质量更低。
当投资者奖励用户或营收的快速增长时，这场竞赛会尤其激烈。与本季度发布产品相比，长期维护成本不那么显眼。
于是，AI 扮演了两种角色：它既是竞争的对象，也是要求建设它的人们提高产出的理由。
生产率数字无法证明什么
无论是员工证词还是高管热情，都无法证明极端工时能带来持久的商业价值。
关于每周 72 小时和 90 小时工作安排的报道值得关注，但它们并不代表每一家 AI 公司。公开发声的初创公司员工，可能来自工作环境尤其严苛的企业。
同样，报告节省了八小时的调查受访者，并不能证明其雇主获得了八小时的有价值产出。自我报告的时间节省，可能不同于可观察到的生产率、质量或财务表现。
任务层面的研究提供了更受控的证据，但其结论仍然有限。Copilot 在早期部署期间减少了活跃用户处理电子邮件的时间。但这并不能证明每位员工、每种工具或每家公司都会获得同样的结果。
研究还说明了为什么个人收益未必能改变整份工作的结构。与员工能独立控制的活动相比，会议和协调流程变化较小。
因此，公司领导者不应将笼统的生产率估计视为适用于每个岗位的配额。工程师、律师、设计师和销售人员面临不同的错误成本与工作流程。
AI 的表现也会因同一职业中的具体情境而异。模型可能为常规职能产出有用的初稿，却可能在陌生系统或模糊需求面前失效。
当输出内容看似可信却不正确时，审查时间会增加。员工必须仔细检查细节，因为流畅的语言可能掩盖错误。
更高的产出量会加剧这一风险。团队生成更多材料时，也必须审查更多材料。瓶颈可能从创作环节转移到验证环节，而非消失。
产出与结果之间也存在差异。更多代码不一定能造就更可靠的产品，正如更多销售消息并不保证带来更多客户。
BCG 的调查提供了一个有用的警示。60% 的受访者表示，被视为“足够好”的工作标准已提高；72% 表示所需技能已发生变化。
只有 36% 的人认为自己获得了足够的技能提升支持。这一缺口意味着，员工面临新的期望，却没有得到相应准备。
这也使关于自愿过度工作的说法更加复杂。员工可能在形式上选择长工时，实际却是在应对裁员、不确定的标准或被替代的担忧。
极端工作安排在合同中可能看似双方同意，在实践中却具有强制性。这一区别取决于谈判能力、替代工作机会，以及拒绝的后果。
这些都不能证明高压的初创公司文化必然失败。小型团队曾在高强度工作时期打造重要产品，也有一些员工明知风险，仍为了股权和经验而接受这种安排。
缺乏依据的跳跃在于，领导者将例外性的努力视为永久运营系统。冲刺有终点，持续紧迫的文化没有。
长期过劳会带来自身的盲点。疲惫的团队可能不再质疑优先级，因为交付成为唯一被认可的投入衡量标准。
当疲劳使仔细验证变得更加困难时，他们也可能更依赖 AI 输出。这种组合会提高运营、法律和安全风险。
负责任的结论，比双方最强硬的主张都更为有限。AI 可以节省有意义的时间，而一些科技从业者仍在承受极端工时。
这些事实可以同时成立，因为生产率与闲暇是彼此独立的结果。连接两者的是管理系统，而不是软件。
员工和雇主接下来应关注什么
下一批证据将来自工作量设计、留任率与质量指标，而非又一次引人注目的 AI 演示。
第一个信号是，公司是否改变正式的绩效预期。领导者应披露，AI 节省是否用于减少人员配置、扩大产出目标，还是支持更短的工作安排。
政策不必保证每一小时节省都转化为休假，但应说明收益如何分享，以及哪些指标将防止隐形工作被忽略。
审查模型输出必须被计入工作。修正生成的代码、记录决策、解决重复劳动，以及处理上下文切换，也同样如此。
员工需要留存这些活动的记录，因为简单的产出衡量可能歪曲他们的贡献。可搜索的工程知识库可以保存决策、修正和技术背景，而不必把每项贡献都变成代码数量。
第二个信号是留任率。如果 AI 优先型组织持续失去有经验的员工，极端工时很可能消耗能力的速度快于其创造能力的速度。
人员流动比有关个别创始人的戏剧性故事更重要。有经验的员工掌握系统知识、客户背景，以及对过往失败的理解。
公司应比较具有不同 AI 预期的团队在离职率、病假、事故率和招聘接受率方面的表现。这些比较可以揭示额外产出是否可持续。
员工也应仔细审阅职位描述。“高强度”“创始人心态”和“随时待命”等措辞，可能在不说明具体小时数的情况下传达真实的排班要求。
求职者可以询问团队如何处理周末、紧急情况、AI 审查以及重大产品发布后的阶段。与笼统的工作生活平衡承诺相比，这些回答更具参考价值。
第三个信号是经质量调整后的生产率。公司需要衡量 AI 辅助产出是否经得起审查、能否触达客户，以及是否仍具可维护性。
有用的指标包括缺陷、返工、安全事件、客户留存率，以及修正生成材料所花费的时间。如果下游团队最终丢弃或修复这些内容，产出的大幅增长意义不大。
同样的标准也应适用于减少工作的说法。当员工将节省下来的时间用于会议或验证时，起草时间缩短并不等于工作周缩短。
知识工作者可以通过保存已完成工作、修订决策以及最终产出背后隐性劳动的证据来保护自己。个人AI 工作流可以帮助记录这些内容，而无需再增加一项耗时的汇报仪式。
第四个信号是大型雇主是否采纳 Meta 的表述方式。如果更多高管明确要求员工将所有节省时间重新投入工作，生产率红利将继续流向产出。
如果雇主开始测试缩短工时的安排，同时跟踪服务与质量表现，那么更短工作周的承诺将获得证据支持。在此之前，它仍是一项政策主张，而非技术必然结果。
最后一个信号是监管关注。现有的工资、加班、健康和工作场所安全规则，并非围绕 AI 生成的产能目标设计。
监管机构无需为人工智能制定新定义，就能审查无偿劳动或强制性排班。他们需要的是可靠记录，显示员工何时工作以及雇主提出了何种期望。
Google News 将继续刊载关于更快模型与更大生产率估计的报道。读者应越过标题数字，追问节省下来的时间去了哪里。
员工是否工作得更少、产出更多、监督机器，还是填补了消失的岗位？审查后质量是否有所提升，还是公司只是变得更快？
这些问题决定 AI 会成为真正的节省劳动力技术，还是另一种强化工作的工具。答案不会来自某项基准测试，而将从组织现在采取的排班、人员配置选择和保障措施中浮现。
