Rick Manelius 的 AI 生产力观点：专注胜过更多产出
Rick Manelius 于 2026 年 7 月 26 日发布了一则直白的 AI 生产力警告：当时他的项目清单已增长至约 40 个正在进行的实验。AI 让启动工作变得显著容易，却没有提升他完成所有已启动事项的能力。
这一区别很重要，因为多数 AI 生产力主张衡量的是既定任务内的速度。它们很少衡量节省下来的时间回到一位雄心勃勃的工作者手中后会发生什么。那些时间可能变成休息、更深入的工作，或是另外十几个承诺。
Rick Manelius 的文章认为，稀缺资源已经发生转移。如今，产出草稿、原型、分析或应用所需的努力更少了。决定什么值得关注、结束未闭环事项，并将有价值的工作推进至最终阶段，反而变得更难。
Rick Manelius 这一关于 AI 生产力的论点，挑战了最常见的职场 AI 叙事。Microsoft、OpenAI、Anthropic、Google 和无数初创公司都在出售各种形式的能力扩张。Manelius 则追问：当人们立即填满这些新增能力时，会发生什么？
他的答案令人不安。更快的生产可能创造更多工作，而非减少工作。因此，最有价值的人类技能或许是专注与贯彻到底，而不是发起更多 AI 辅助活动的能力。
Rick Manelius 的 AI 生产力论点改变了什么
这并非一次新模型发布，而是对评判 AI 辅助工作指标的及时挑战。
Manelius 描述了一段熟悉的过程。在生成式 AI 出现之前，他有超过 100 个文章创意和约 50 个可能的项目等待关注。时间限制了这些雄心。
AI 削弱了这一限制。他开始在会议之间发送提示词，有时利用五分钟的空档，而模型则在后台持续工作。早期实验带来了令人鼓舞的结果，让继续增加实验显得合情合理。
这种扩张持续下去，直到他同时推进约 40 个概念验证项目。若按启动成本判断，每个项目看起来都不昂贵；但合在一起，它们形成了大量尚未完成的义务组合。
这段经历促使 Manelius 将横向生产力与纵向进展区分开来。横向生产力指同时做更多事情；纵向进展则指将更少的重要事项推进得更远。
这个差别听起来简单，但职场软件通常奖励前一类。活动会体现在生成的文档、任务更新、拉取请求、原型、消息和会议摘要中。贯彻到底则更慢，也更不显眼。
一个完成的项目还需要 AI 无法消除的工作。必须有人决定产出是否正确、相关、完整、安全且有用；必须有人整合反馈，并为结果承担责任。
Manelius 用一篇未完成的文章说明了这个问题。尽管初稿已接近可发布水平，他仍认为它不够好。他选择再进行数轮修改，而不是迅速发布。
这一决定体现了核心反转。AI 降低了达到一个看似合理的初版的成本；而从“看似合理”到“真正出色”之间的剩余差距，仍可能需要大部分判断、编辑和投入。
这正是为何这篇文章不仅仅是个人生产力建议。它捕捉到了 AI 辅助知识工作中日益显现的冲突：组织可以生成更多成果物，却未必产出更多决策、客户价值或已完成的结果。
这个故事也出现在一个特定时刻。AI 智能体如今可以在工作者开会或审阅另一份产出时并行执行多项任务。并行执行提高了机器吞吐量，却也增加了人类审阅队列。
技术创造选项的速度超过了人们评估它们的速度。这使得选择、排序和完成在经济上变得重要。专注不再只是生活方式偏好，而成为一种生产约束。
更快的任务正在拉长工作日
任务加速并不保证工作日更短，因为节省下来的时间往往会转化为承接更多工作的新增能力。
受控研究已经证实，生成式 AI 可以提升边界明确任务的表现。一项 2023 年实验涉及 453 名受过大学教育的专业人士，发现 ChatGPT 将写作任务的平均完成时间缩短了 40%，质量提高了 18%。
这项写作实验衡量的是任务清晰、终点明确且产出可比的工作。这些条件有助于研究人员分离出生产力效应。
另一项研究考察了数千名使用 AI 助手的客服人员。研究人员发现，获得 AI 支持后，平均每小时解决的问题数量提升了 14%。经验较少的员工获益最大。
这些发现支持 AI 生产力主张，但并不能证明每位工作者都能获得等量的空闲时间。更快完成一项任务，可能直接带来更大的工作量。
UC Berkeley Haas 于 2026 年 2 月发布的研究描述了这种强化。研究人员 Aruna Ranganathan 和 Xingqi Maggie Ye 在一家拥有 200 名员工的科技公司进行了为期八个月的民族志研究。
员工更快完成任务，扩大了自身角色的范围，也让工作进入一天中更多时段。当 AI 在后台运行时，他们还同时维持多条工作流。
Berkeley 的研究发现指出了三种模式：员工承担了原本属于其他岗位的任务，利用自然间隙发送提示词，并维持数条同步进行的工作线。
这一描述与 Manelius 的说法高度一致。一个人在开会前发送提示词，因为这个动作只需几秒；但响应仍会带来未来的义务：阅读、判断、修改、转交或拒绝。
提示词几乎不占时间，但它的产出会占用之后的注意力。
这一机制解释了为什么 AI 能够降低每项任务的投入，同时增加总体认知负荷。认知负荷是持有、处理和协调信息所需的心理努力。每个活跃项目都会增加依赖关系和未解决的决策。
职场数据已显示，进一步碎片化的空间有限。Microsoft 在 2025 年报告称，员工在核心工作时段平均每两分钟就会被会议、电子邮件或聊天消息打断一次。
其全球调查发现，80% 的工作者没有足够的时间或精力完成工作。与此同时，53% 的领导者表示生产力需要提高。
无限工作日报告还发现，活动已延伸至清晨和夜晚。Microsoft 将 AI 和重新设计的工作流程视为解决方案的一部分。
Manelius 为这一提议补充了一个关键条件：如果每一次效率提升都成为增加另一项承诺的理由，AI 就无法保护注意力。没有边界，自动化只会加速同一个过载系统。
因此，知识工作者面临一种能力悖论：他们能够产出更多工作单位，却感觉距离完成更远。产出上升，掌控感却下降。
这并不说明 AI 没有价值。它表明组织需要更广泛的生产力衡量指标。速度很重要，但工作日长度、未完成事项存量、修改负担、决策质量和员工恢复同样重要。
更多产出正在与已完成的工作竞争
核心竞争并非人类与 AI 之间的竞争，而是可见产出与能够经受审阅、形成可用结果的工作之间的竞争。
生成式 AI 擅长产出可信的中间成果。它可以起草战略、总结访谈、勾勒代码、提出营销活动方案，或将笔记转化为演示文稿。每一项成果都可能看似进展。
然而，成果物并不自动等于结果。战略需要选择和资源承诺；研究摘要需要可追溯的证据；代码需要测试、维护、安全审查和明确的负责人。
这一差别变得更难察觉，因为 AI 产出往往以精美的结构呈现。良好的格式会让尚未完成的想法显得已经定论；流畅的语言则可能掩盖缺失的背景或缺乏依据的假设。
BetterUp Labs 和 Stanford Social Media Lab 将这一问题的一种形式称为“workslop”。该术语指内容看似精致的 AI 生成材料，但其缺乏足够的实质内容或背景，无法推动接收者的工作。
他们在 2025 年 9 月进行的调查覆盖了 1,150 名美国全职办公室工作者。40% 的受访者表示，在此前一个月里曾收到 workslop。受访者报告称，平均每次需要花两小时处理。
这项workslop 研究属于调查证据，并非对每个工作场所的普遍衡量。但它突出了一个重要的劳动转移。
发送者可以通过快速生成文档节省时间，而接收者随后却要花时间重建其目的、核查其中主张，并决定下一步应做什么。局部效率会创造下游工作。
Manelius 的论点关注的是同一人内部的类似转移。启动 AI 项目感觉成本很低，因为初始生成成本很低；但同一个人之后仍要承担审阅、协调和完成的成本。
这改变了个人项目组合的经济逻辑。在 AI 之前，启动一个项目所需的努力会劝退一些较弱的想法。这种摩擦充当了一个并不完美的筛选器。
AI 消除了大部分筛选作用。工作者现在可以在尚未充分决定问题是否值得关注前就制作原型；团队也可以在尚未就约束条件达成一致前生成多个战略选项。
探索具有真实价值。低成本实验可以在公司作出更大承诺前暴露错误假设。问题出现在实验不断累积，却没有明确的停止规则时。
每个概念验证都需要一个决定：应当推进、与另一项工作合并、暂停，还是关闭。回避这一决定并不会让实验继续保持无成本。
项目会继续占用仪表盘、对话、记忆和存储空间。同事可能依赖它，利益相关方也可能将它的存在理解为一种承诺。
这正是贯彻到底与坚持不懈有所不同之处。坚持不懈意味着在困难面前继续前进；贯彻到底意味着解决这项承诺，包括在正确的解决方式是取消时作出取消决定。
因此，Rick Manelius 的 AI 生产力论点将责任置于现代工作的中心。AI 可以提供选项，但必须由个人或团队负责终点。没有所有权，更快的生成只会制造更广阔的模糊地带。
组织应关注谁正承受这种转变的压力。个人贡献者收到更多需要验证的材料；管理者收到更多需要排序的提案；客户面对更多争夺注意力的功能、信息和文档。
这种压力也会传导至高级领导者。他们必须区分运营吞吐量与战略推进。公司可以交付更多变更，却同时削弱产品整体的一致性。
专注保护一致性。贯彻到底将被选中的可能性转化为可靠结果。二者共同决定 AI 生成的能力会变成价值，还是噪音。
AI 让开始变得廉价，让完成变得昂贵
AI 压缩了初稿阶段，但最后一公里依然集中着判断、责任与艰难取舍。
Manelius 将接近完成的状态比作日全食与日偏食之间的差别。即使数字上的差距看似很小，最后一个百分点也可能彻底改变整体体验。
这个比喻很有用，因为完成度并不会均匀推进。一份草稿或许很快就能达到可接受的流畅度，但要提升其事实可靠性和战略精确度，可能需要多轮人工审核。
软件开发也遵循类似曲线。AI 能够快速产出可运行的代码，尤其是在处理熟悉模式时。要达到生产就绪状态，则需要测试异常情况、保护数据、记录决策，并在发布后维护系统。
最后一公里也可能揭示：最初的方向就是错的。这种发现会让人觉得效率低下，因为它否定了此前的产出。但实际上，识别出一个薄弱方向能够避免更大的浪费。
AI 让这一阶段更加复杂，因为它会让沉没成本显得更高。团队可能在几个小时内生成大量代码、文案或分析内容。即使生成成本很低，产出的体量也会让人难以在情感上放弃它。
这形成了一种新的依恋。人们会为一个项目辩护，因为它看起来已经颇具规模。他们将生成出来的体量误认为是已经赢得的价值。
做好收尾需要采取相反的态度。团队必须依据当前目标评估项目，而不是依据已经产出的内容数量。他们必须始终愿意删掉看似合理的工作。
质量问题也不仅限于幻觉。幻觉是指看似自信、却缺乏事实依据的 AI 输出。即使内容在事实层面正确，也可能因为忽略本地历史、利益相关者需求或组织约束而失败。
这正是上下文访问至关重要的原因。知识工作者需要在审查的当下获得相关决策、文档、对话和证据。一个可检索的个人知识库可以减少重新构建这些上下文所花的时间。
不过，检索并不能代替最终决策。更好的上下文能够支持判断，但无法替人选择目标。工作者仍需决定哪些证据重要，以及组织愿意接受哪种权衡。
完成还包含社会性工作。有人必须促成共识、解释后果、回应异议，并协调实施。这些任务往往只能以人的速度推进，因为信任无法按需生成。
同样的限制也出现在创意工作中。AI 可以在几分钟内提供二十个营销活动创意，但团队仍然需要一个契合受众、产品、时机和声誉的信息。
选择一个创意，就意味着放弃另外十九个。AI 鼓励扩张，而战略要求排除。
因此，生成替代方案的能力提高了对清晰“完成定义”的需求。“完成定义”规定了一项产出在承诺结束前必须满足的条件，其中应包括质量、所有权和交付要求。
没有这样的定义，AI 辅助项目就会永远有继续改进的空间。模型总能再提供一种变体、更多研究或一个改写版本。迭代会变成一种逃避机制。
Manelius 决定减少文章数量、但更深入地修改每篇文章，正是一种回应方式。他在技术消除了稀缺性之后重新施加稀缺性。这种约束来自编辑判断，而非生产成本。
企业需要采取类似行动。它们可以限制同时进行的工作、分配明确负责人，并要求在启动另一项计划前先提供证据。这些选择听起来偏运营层面，但它们保护了 AI 的战略价值。
专注是一套操作系统，而非人格特质
如果组织一边赞美 AI 带来的忙碌，一边奖励员工接受无限量的工作，专注就无法维持。
人们很容易把 Manelius 的经历视为个人纪律问题：他打开了太多未完成的循环，意识到压力后减少了承诺。看起来，一份更好的待办清单或许就足够了。
这种解读忽略了 AI 周围的职场激励机制。领导者常常引入这些工具以提升产能，员工自然会认为，节省下来的时间应当转化为更多产出。
Microsoft 的 2025 Work Trend Index 发现，82% 的领导者预计会在未来 12 至 18 个月内使用数字劳动力扩展员工队伍的能力。数字劳动力指的是承担部分组织工作的 AI 系统。
扩张可以让资源受限的团队受益，但也可能形成一种预期：每位员工都应同时监督更多活动。工作从完成任务转变为管理不断扩大的机器输出队列。
员工无法仅靠集中注意力来解决这种设计问题。他们需要有权拒绝工作、结束实验，并保护不受打扰的审查时间。否则，专注会与绩效预期发生冲突。
一种实用的运营模式应从减少活跃成果开始。成果描述的是有意义的变化，例如解决客户问题或交付可靠能力，而不仅仅是一份生成出来的交付物。
随后，团队可以限制在制工作。在制工作限制规定了在开启下一项工作前可同时进行的项目数量。这种实践长期存在于软件和制造业中，但 AI 让它在各类知识工作中都变得重要。
这一限制应当涵盖 AI 流程，而不仅是人工任务分配。一个同时研究十个主题的智能体，会产生十项审核义务。即使智能体在无人监督下运行，这些义务依然存在。
组织还应衡量闭环情况。有用的信号包括：完成的项目、已解决的决策、已消除的客户问题，以及已退出的旧承诺。仅仅生成文档不应被视为成功。
审查能力应拥有独立预算。在启动 AI 工作流之前，团队应明确谁来检查输出，以及检查需要投入多少时间。无人负责的审查是一种隐性债务。
同样的原则也适用于会议和消息。AI 摘要可以降低参会或回忆信息的成本，也可能因为文档似乎能够自动生成而催生更多会议。
摘要并不能解决相互竞争的优先级。如果每场会议都会产生五项行动项，自动化可能增加进入系统的承诺数量。
因此，管理者需要捍卫停止点。午餐、夜晚和会议之间的空档曾自然地限制工作量。除非团队有意识地恢复这些边界，否则随时可用的模型会将其消解。
这并不意味着拒绝雄心，而是要将雄心引向深度。工作者可以利用 AI 快速测试多种路径，随后投入其中一种，并结束其余路径。
AI 可以通过比较证据、识别矛盾和保存项目上下文来支持这一过程。像 ask remio 这样的工具，可以帮助工作者检索既有材料，而不必再开启一个研究循环。
工作者仍然掌握优先级排序。除非组织清晰表达目标与限制，否则没有任何模型能够知道一项新承诺的完整机会成本。
Rick Manelius 关于 AI 生产力的论点在这里变得可执行。新的技能不只是更好地编写提示词，而是设计一种工作系统，使廉价的开始不会压垮昂贵的收尾。
专注论点仍无法证明什么
Manelius 提出了有力的诊断，但他的个人经历并不能证明 AI 必然会普遍加剧倦怠，也不能证明更少的项目总能带来更好的结果。
原文包含引人注目的生产力估计，从快两倍到快 100 倍不等。这些数字描述的是 Manelius 的经历和表述方式，不应被视为跨职业的受控测量结果。
经验证的研究通常只会在特定条件下发现更有限的影响。专业写作实验测得完成时间缩短了 40%。客户支持研究则发现平均生产力提高了 14%。
结果也会因任务和工作者而异。在客户支持研究中，经验较少的员工获得的收益更大，经验丰富的员工则只看到较小的提升。
其他实验发现，AI 的能力边界并不平滑。它能够很好地完成一些看似困难的任务，却会在自身强项之外的相似任务上失败。当用户在错误领域信任模型时，准确性反而可能下降。
这些差异之所以重要，是因为专注无法修正每一种技术局限。一个高度投入的工作者仍可能遵循不准确的模型输出。集中注意力不能替代验证。
也不应将每个未完成项目都归类为有害。探索性工作能够带来学习，尤其是在不确定性很高时。几个快速原型可以揭示哪条路径值得认真投入。
关键区别在于，实验是否能产出决策。一个试验组合可以是有纪律的，前提是每项试验都有问题、负责人、时间限制和退出条件。
Manelius 还将项目扩张与逐渐出现的倦怠联系起来。倦怠是一种与工作相关的综合征，表现为精疲力竭、与工作疏离以及职业效能下降。它同时受多种组织和个人因素影响。
他的叙述无法将 AI 单独确定为原因。育儿、创业、职场要求、财务压力、健康状况和组织文化都可能影响精疲力竭程度。
Berkeley 的发现同样需要谨慎看待。2026 年 2 月讨论的这项研究，基于一家科技公司内部持续八个月的研究。它提供了丰富的行为证据，而非针对整个劳动力群体的代表性估计。
Microsoft 的遥测数据也存在边界。它反映的是 Microsoft 365 环境中的活动，未涵盖部分人群。消息量并不等同于心理压力。
尽管如此，这些来源都指向一种合理机制：AI 降低了启动认知工作的摩擦，人们随之扩大范围、维持更多并行线索，并占用原本用于暂停的时间。
这一机制应在各行业中得到检验。研究者需要纵向证据，将 AI 采用与工作时长、未完成工作、质量、自主性和福祉联系起来。
雇主还应区分自愿探索与被强加的强化。一位创始人主动选择增加实验，与一位在部署 AI 后绩效指标被提高的员工，处境并不相同。
控制权会改变体验。能够决定如何使用节省时间的工作者，可能体验到更高的自主性；被赋予更高配额的工作者，则可能将同一项技术视为监控或压力。
这里还存在分配问题。AI 可能为一名员工减少繁琐劳动，却把验证工作转移给另一名员工。组织层面的生产力，可能与个人层面的生产力呈现不同面貌。
公平的评估必须追踪工作在交接过程中的流向。它应识别谁节省了时间、谁承担了审核，以及当输出失败时谁承担责任。
专注论点依然有价值，因为它提出了这些问题。它的弱点不在于缺乏一个普适答案；只有当企业将“更加专注”转化为又一项施加给超负荷员工的要求时，它的弱点才会显现。
专注需要做减法。如果领导者保留每一个目标、会议、计划和响应预期，那么新的专注政策就会沦为空话。必须有一些东西退出系统。
三个信号将表明跟进是否胜出
职场 AI 的下一阶段，将取决于组织能否将更快的任务执行转化为更好的结果，同时不无限延长人类工作时间。
生产力衡量方式的变化，是第一个信号。企业应当超越对生成成果、提示词数量或 AI 采用率的统计，转而衡量已完成的结果、返工情况、决策耗时以及未完成工作存量。
如果这些指标变得普遍，“专注”这一论点将更具说服力。这将表明，组织已经认识到机器吞吐量与业务进展之间的差别。
如果企业继续庆祝使用量，却不衡量下游工作，这一论点作为一种运营层面的行动方向就会被削弱。专注将仍是一种个人应对策略，而非机构标准。
第二个信号是，AI 产品是否会为进行中的工作提供更强的控制能力。实用的控制功能可以在同一处呈现每个正在运行的 agent、等待审核的事项、尚未解决的决策以及被遗弃的输出。
这类功能会将人的注意力视为有限资源。它们能够帮助工作者理解，一条新的提示词或一项委派任务会带来哪些未来义务。
如果供应商主要优化的是更多并发 agent、更多生成内容和更多自动消息，过载就仍然很可能发生。界面会鼓励扩张，同时掩盖完成工作的成本。
第三个信号是有关工作强度的长期证据。研究人员应比较在实质性采用 AI 前后，工作日长度、任务范围、恢复时间和员工自主权的变化。
如果工时减少而质量保持稳定，将对 Manelius 警示中最强的版本构成挑战。这将表明，在支持性条件下，节省下来的时间可以真正被保留下来。
更长的工时、更宽泛的职责范围，或不断增加的返工，则会强化他的分析。这些迹象将表明，局部生产力提升正被不断扩张的预期所消化。
知识工作者无需等到这些结果出炉，才开始审视自己的工作系统。他们可以统计当前承诺，识别等待审核的输出，并结束那些已不再回答重要问题的试验。
目标不是人为制造稀缺性，而是有意识地分配资源。AI 应让有价值的工作更容易完成，而不是让每一个可能的项目都显得势在必行。
这正是 Rick Manelius AI productivity 背后持久的洞见。更快的执行会改变瓶颈所在的位置。当生成变得充裕，判断与承诺就会更有价值。
选择那些完成后真正重要的项目。在扩展它们之前，先定义何为完成。然后利用 AI 深入推进、保留上下文、检验假设，并减少可避免的劳动。
悬而未决的问题不再是 AI 能否帮助你启动更多工作——它显然可以。问题在于，你会将这份新增能力用于叠加义务，还是用于完成那少数值得承担的承诺。
