Rick Manelius 的 AI 生产力论：专注胜过面面俱到
Rick Manelius 于 7 月 26 日发布了一则关于 AI 生产力的警示，当时他的项目清单已累积至约 40 个活跃概念验证项目。AI 让单项任务完成得更快，但他的工作负担却感觉更加零散。他没有把节省下来的时间变成喘息空间，反而将其转化为更多承诺。
Rick Manelius 的 AI 生产力论挑战了围绕生成式 AI 最诱人的承诺：更快的执行并不会自动带来专注、已完成的工作或更短的工作日。它可能只是降低了开启新事项的成本。
这种区别至关重要，因为 AI 助手如今让草稿、原型、研究和实验变得异常容易启动。Claude、ChatGPT、Copilot 和编程代理都能在几分钟内产出看得见的进展。更艰难的人类工作则始于首次输出之后：此时，人们必须做出选择、核实、修改、协调并完成工作。
Manelius 认为，有价值的应对方式应是纵向而非横向的。知识工作者应利用 AI 深入推进更少但更重要的项目，而不是把注意力分散到每一个新近变得负担得起的想法上。他的个人经历并非受控研究，但它指出了一个职场数据正开始揭示的生产力问题。
一位创始人将节省的时间变成了 40 个未结项目
最直接的变化不是新模型或新产品发布，而是一则关于 AI 效率如何制造更多未完成工作的公开叙述。
Manelius 是一位连续创业者，他表示自己积累了超过 100 个文章标题和大纲。此外，还有约 50 个潜在项目在等待可用时间。生成式 AI 似乎消除了此前让许多想法长期搁置的限制。
他开始利用会议之间的五分钟空档向 Claude 分派任务。在他转入下一通电话时，助手仍可继续生成内容。早期实验的效果足够好，促使他进一步扩大尝试范围。
这种成功反而成了问题。更快的草稿和原型提高了他对于自己能够维持多少项目的预期。最终，他发现自己要负责约 40 个概念验证项目，每一个都需要额外的决策与关注。
在他的原文叙述中，Manelius 将每个项目描述为另一个开放回路。开放回路指的是一种尚未解决、持续争夺心理注意力的承诺。AI 降低了开启这些回路所需的劳动，却没有消除关闭它们所需的人力成本。
这对知识工作者而言是一个重要区别。生成式 AI 往往压缩工作的第一阶段，包括头脑风暴、起草、总结或搭建原型。但它未必会以同样的速度压缩后续每个阶段。
一篇生成的文章仍需要事实审查、结构判断、编辑和发布。一个软件原型仍需要测试、安全审查、维护和用户支持。一份研究备忘录仍需要评估来源，并由承担责任的人作出决策。
因此，AI 在改变承担责任的经济学之前，先改变了启动工作的经济学。开始变得廉价，而贯彻到底依旧昂贵。当启动项目的数量增长快于完成能力时，用户积累的是义务，而非自由。
Manelius 将他的调整总结为：少做一些，但做得更好。他推迟了另一篇文章，因为他认为那篇文章还需要进行数次额外修订。这个选择说明了其文章背后更深层的主张。
新的瓶颈不再总是产出一个看似合理的初稿，而是决定哪个版本值得持续投入注意力。当涉及优先级、声誉或长期后果时，这项决定无法被安全地委托出去。
这让故事不止关乎一位创始人拥挤的项目清单。当员工起草十份提案、经理启动五项分析，或开发者生成多个应用程序时，同样的模式都可能出现。每一项产出都会带来潜在的后续工作，即使生成它时几乎毫不费力。
AI 输出并不等同于已完成的价值。只有当输出经得起验证、触达目标用户并产生有用结果时，价值才会出现。一份不断增长、看似可信的草稿文件夹，可能代表的是库存，而不是进展。
Manelius 为替代方案提供了一个清晰名称：专注与贯彻到底。专注限制哪些承诺进入系统；贯彻到底则提供必要的判断与持续努力，将所选承诺推过终点线。
Rick Manelius 的 AI 生产力警示契合无限延展的工作日
AI 进入的职场早已在奖励及时响应、可见活动和持续扩张的项目规模。
Microsoft 的职场遥测数据提供了观察这一环境的有用视角。其分析称，在核心工作时间内，消息负担沉重的员工可能每两分钟就会受到一次打断。对于最频繁被打断的用户而言，按这一计算，全天会出现 275 次会议、邮件或聊天消息。
同一份工作日分析发现，非工作时间聊天量同比增长了 15%。它还报告称，平均每人会在标准工作时间前后收到 58 条消息。晚上 8 点后开始的会议增加了 16%。
这些数据并不能证明 AI 导致了碎片化工作。它们表明，AI 正进入一个本已承受压力的注意力系统。更快的内容生产可能会向这个系统注入更多消息、会议、审查与决策。
组织层面的激励也很直接。当一项任务耗时更少时，公司很少会将每一分钟节省下来的时间都视为受保护的休闲时间。管理者可以提高产出预期，员工可以自愿承担更多工作，竞争对手也能更快交付。
一篇 2025 年工作论文审视了截至 2023 年的时间使用记录，并得出了相关结论：职业受到 AI 影响程度越高，与更长工作日和更少休闲时间相关。作者认为，AI 经常补充人类劳动，使额外工作时间在经济上更有价值。
这项延长工作日研究并不能确定每位当前生成式 AI 用户都会有何种体验。其时间跨度涵盖了更广泛形式的 AI，而职场实践仍在持续变化。不过，它挑战了这样一种假设：节省劳力的技术会自动将节省的时间交给劳动者。
压力尤其落在知识工作者身上，因为他们的工作没有天然的终止点。仓库班次会结束，但战略文件总可以再增加一个情景。产品总可以再进行一次实验，收件箱也总可以再发出一条回复。
生成式 AI 扩大了这种可选工作。它可以提出比人手开发更多的营销活动、产品构想、分析、面试问题或设计变体。每个选项单独看起来都可能很有价值。
超负荷出现在项目组合层面。一个人或许能更快完成每项 AI 辅助任务，却同时推进了过多任务。局部效率由此带来系统范围的拥堵。
这正是 Rick Manelius AI 生产力论中的核心反转。AI 消除了创造事物的摩擦，但此前的一些摩擦实际上保护了注意力。困难的起步迫使人们决定一个想法是否值得投入。
这道保护性屏障正在消失。任何人都可以在早餐前写出一份像样的项目简报。开发者可以在一个下午搭建出陌生的代码库，而营销人员则能在一次会话中生成数周的营销活动变体。
这些输出会创造下游需求。必须有人选出最佳营销活动、理解生成的代码、协调其中的矛盾，并决定新项目是否支持真实目标。这些任务依赖于情境与责任担当。
公司若通过活动量来衡量 AI 采用情况，可能会加剧这个问题。提示词数量、生成的文档和已部署的助手都很容易追踪。更少的已完成优先事项、更快的客户成果或更高的决策质量，则需要更审慎的衡量。
生成 20 份草稿的员工，可能看起来比挑选一个强有力想法并完成它的人更忙碌。后者或许创造了更多价值，但其过程产生的可见 AI 活动更少。
由此形成的文化可能会将每一个节省下来的小时变成新的要求。员工随之会将 AI 体验为一种加速指令，而不是自主性的来源。机器变得更快，而人类仍要对每一种后果负责。
启动工作变得廉价，但完成仍有人类成本
与筛选、验证、协调和责任承担相比，生成式 AI 对生产环节的压缩更为显著。
研究人员已记录到在边界明确的任务中存在真实的生产力提升。一项颇具影响力的研究考察了 5,179 名使用生成式 AI 助手的客服代理。获得使用权限后，平均每小时解决的问题数量提高了 14%。
增益并不均匀。新手和技能较低的员工提升了 34%，而经验丰富的员工获益很小。这项客服代理研究表明，AI 可以传播从高绩效同事身上学习到的模式。
这一结果支持采用 AI 辅助，也揭示了任务定义为何重要。客服工作具有可衡量的案例、既定的工作流程和明确的完成条件。
许多知识型项目并不具备这些边界。创始人在判断一个概念是否值得成立公司时，无法以每小时解决的问题数为优化目标。编辑在判断一项论证是否准备就绪时，也不能只依赖起草速度。
编程研究讲述了类似但带有条件的故事。涉及 4,867 名软件开发者的三项现场实验发现，使用 AI 编程助手的员工，其完成任务数量增加了 26.08%。经验较少的开发者表现出更高的采用率和更大的增益。
即使如此，已完成的开发任务也不会消除集成成本。生成的代码必须适配现有架构、安全要求和维护实践。更快地创建功能，可能会增加组织其他环节的审查需求。
随着工作变得并发且相互关联，AI 代理同样会遇到困难。Microsoft 研究人员报告称，领先的计算机使用代理在单任务环境中的完成率为 16.7%。在多任务负载下，这一比例降至 8.7%。
该团队的代理评估采用了多时间跨度环境，用于测试跨不同时间框架的相互依赖工作。这种下降反映出人类项目负责人熟悉的问题：进展不仅仅取决于完成孤立的动作。
真实工作带有依赖关系。一份销售提案依赖于获批的定位、最新的客户数据和法律措辞。一次产品发布依赖于经过测试的代码、文档、支持准备情况以及协调一致的发布日期。
AI 可以加速这条链条中的某些部分，但无法让所有依赖关系消失。如果一个人启动的链条多于组织所能支持的数量，即使单项任务变得更快，整体流动仍可能放缓。
这正是为什么“贯彻到底”应当与“专注”拥有同等地位。专注决定哪条链路最重要。贯彻到底则管理各项依赖，直至结果真正抵达客户、同事、读者或决策者手中。
最后阶段往往需要投入不成比例的精力。一份看似完成了 90% 的草稿，仍可能存在缺乏依据的论断、薄弱的过渡，或不清晰的决策。一份原型可能看起来可以运行，却仍不具备投入生产所需的可靠性。
Manelius 曾借助日食从偏食到全食的视觉差异来描述这一差距。这个比喻不应被视为普适的质量公式。有些任务确实需要快速且足够好的答案，而非事无巨细的打磨。
然而，对于信任与连贯性至关重要的工作，这一比喻很贴切。一次几近完成的客户迁移仍可能失败。一份大体准确的高管备忘录仍可能导致错误决策。一款近乎安全的应用仍然并不安全。
AI 让人更容易把可见的完成度误认为已具备运营就绪性。流畅的文字看起来已经完成，即便其来源仍不确定。生成的界面看起来可以使用，即便其边界情况尚未经过测试。
因此，知识工作者需要采用更严格的“完成”定义。项目并非在模型停止生成时就算完成。只有当有人验证结果、解决关键依赖，并将其交付至预定目标时，项目才算完成。
个人知识系统可通过保留上下文并减少重复搜索来支持这一过程。例如，个人知识库可以让决策、来源和项目历史保持关联。但它无法决定哪个项目应当优先。
这一边界很重要。更好的检索能够减少协调摩擦，但它应服务于有限的项目组合。否则，改进后的组织方式只会帮助人们维持更多尚未完成的承诺。
专注与贯彻到底胜过横向 AI 生产力
稀缺资源正从生产能力转向引导并维持注意力的能力。
传统生产力系统通常假设工作来自外部。它们帮助用户捕捉任务、进行分类，并高效执行。生成式 AI 改变了这一模式，因为这种工具既能帮助完成现有工作，也能同样迅速地创造新工作。
向助手询问增长思路，它可以给出数十条建议。要求它提供功能机会，它可以产出一份路线图。询问研究方向，它可以生成足以让一个团队忙碌的问题清单。
如今，用户需要为工作设置准入机制。每个新项目都应先争夺有限的注意力，之后 AI 才能获准将其扩展。没有这道关口，创意生成就会成为范围蔓延的自动化来源。
这正是 Rick Manelius AI 生产力论点中的纵向生产力策略。用户选择少量有意义的成果，然后在这些边界内反复应用 AI。工具深化执行，而不是扩大活跃项目组合。
对于产品经理而言，这可能意味着使用 AI 来综合访谈、质疑假设、起草规格说明，并准备决策。这四项任务都服务于同一个产品问题。
横向的替代方案则可能会为若干彼此无关的功能生成规格说明，因为它们如今看起来都负担得起。这种做法会带来更多利益相关方评审、依赖关系、指标和维护义务。
对于作者而言，纵向使用可以围绕同一篇文章整合研究、来源比较、结构性批评和编辑。横向使用则可能产出多篇浅层草稿，争夺同样的发布时间和编辑精力。
对于工程师而言，纵向使用可以包括针对一次明确发布的调试、测试生成、文档编写和代码审查。横向使用则可能创建多个实验性服务，却没有明确的负责人或退役计划。
专注并不意味着拒绝探索。它意味着将探索与承诺区分开来。低成本实验可以回答一个明确的问题，但其结果应触发经过审慎考虑的继续、暂停或停止决定。
这一决策点能防止原型成为永久的后台义务。它也能抵消可见进展带来的心理吸引力。生成的输出让人感觉高效，因为它创造了具体的东西，即便它并未推动核心目标。
在作出该决策之后，贯彻到底需要受保护的注意力。AI 可以帮助准备工作，但人类仍需要不受打扰的时间来进行判断。在项目之间持续切换，会削弱发现细微错误与权衡所需的上下文。
Microsoft 的中断数据让这一要求显得难以实现。不过，当 AI 在选定工作流程内处理常规材料时，它也可以帮助守护专注。同一项会创造更多选择的技术，也能总结更新、检索先前决策，或准备一份受约束的简报。
差异在于谁来控制队列。如果每条消息、每个想法和每条生成建议都变成任务，AI 就会加速碎片化。如果由明确的优先级决定助手处理什么，AI 就能减少围绕该成果的噪音。
知识混合，即整合多个相关来源的信息，在这些条件下很有用。像 knowledge blending 这样的系统可以将分散的上下文汇集到一个答案中。用户仍必须界定该答案应支持的决策。
组织也需要在更大规模上遵循同样的纪律。领导者应先确定哪些工作流程值得加速，再将智能体分发到各个部门。他们还应决定节省下来的时间将如何使用。
如果一家公司期待所有节省的时间都转化为更多产出，员工自然会开始更多工作。如果它为审查和恢复保留部分能力，AI 带来的收益就能同时提升质量与可持续性。
指标应强化完成。团队可以跟踪进行中工作的时长、活跃项目数量、已完成的客户成果、修订率和被放弃的原型。这些信号能够揭示 AI 是在改善流动，还是在增加库存。
较低的项目数量不一定意味着较低的雄心。它可能意味着团队将资源集中在完成最重要的地方。实际检验标准是：更少的承诺是否带来更强的成果。
倦怠论断需要的不只是创始人的个人经历
Manelius 提出了可信的机制，但他的叙述并不能证明使用 AI 会导致倦怠。
世界卫生组织将倦怠定义为一种职业现象，源于未得到成功管理的长期工作场所压力。其三个维度包括精疲力竭、日益疏离或愤世嫉俗，以及职业效能降低。
这一倦怠定义专门适用于工作。Manelius 讨论了创业活动和个人副业。他的经历可能与倦怠相似，但未必符合职业定义的每个要素。
他的效率估计同样需要谨慎看待。他写道，AI 可以让某些任务的速度提升两到 100 倍。这些数字描述的是一个宽泛区间，而非其项目组合中经过测量的结果。
可靠的收益会因任务、工作者、模型和质量门槛而有显著差异。初稿或许能更快完成，但验证可能会抵消部分节省的时间。一些复杂任务仍超出模型可靠胜任的能力范围。
证据也显示，AI 可以减少工作，而非扩大工作量。一项覆盖 66 家公司和 7,137 名知识工作者的随机实地实验，研究了一种整合到电子邮件、会议和写作中的 AI 工具。
在实验后半段，使用该工具的干预组员工每周在电子邮件上少花两小时。他们也减少了常规工作时间之外的工作。研究人员没有发现任务数量或构成出现更广泛的变化。
这些结果削弱了“生成式 AI 必然造成过载”的说法。它们表明，当整合式工具被用于既有工作时，可以归还时间。它们也说明，个人获得工具使用权并不会自动重组团队层面的实践。
重要变量可能在于节省时间之后发生了什么。一个员工可以保护这段时间，另一个则可能开启三个新项目。一位经理可以减轻行政负担，另一位则可能提高产出目标。
个人能动性很重要，但组织权力同样重要。员工未必能控制节省下来的时间会被用于恢复、更深度的工作，还是另一项任务。竞争市场和绩效体系会影响生产力收益如何分配。
项目类型同样会改变风险。客户支持提供的是可重复且有闭环的工作。创业、写作和产品开发则包含几乎无限的可选范围。AI 能在这些开放式领域激发远多于以往的潜在工作。
还有另一种反驳观点。在不确定性较高时，推出更多实验可能是理性的。初创公司通常通过测试多个想法来学习，而 AI 降低了收集这些证据的成本。
问题不只是实验数量，而是缺乏明确的停止规则。一次实验应当有一个问题、有限预算和一个决策日期。没有这些控制，探索就会变成不断扩张、义务模糊的项目组合。
完美主义带来相关风险。Manelius 主张在重要项目上付出最后 1% 的成本。这一原则可以改善影响重大的工作，但当用户能从更早版本中受益时，它也可能延误交付。
专注与贯彻到底不应意味着无限期地打磨一切。它们应意味着在工作开始前选择恰当的质量门槛。私人分析、公开文章、医疗工作流程和金融决策需要不同程度的保障。
因此，这一论点最有力的版本是有条件的。当用户将每一项效率收益都重新投入额外承诺时，AI 可能增加过载。当他们限制进行中的工作并保护归还的时间时，AI 则可以减少过载。
这种表述让 Rick Manelius 对 AI 生产力的警告保持有用，而不将一次经历视作普遍证据。他的故事提供了机制。职场研究表明，结果取决于任务边界、管理选择和工作者控制权。
三个信号将显示 AI 是否支持更好的工作
AI 生产力的下一阶段将通过已完成成果、工作时长，以及在真实多任务条件下的表现来评判。
第一个信号是，组织是否开始衡量进行中的工作，而不是生成的输出。当前的采用仪表板很容易让人庆祝提示词数量、助手使用情况或已创建文档。这些指标几乎无法说明已完成的价值。
更强的衡量体系会将 AI 使用与周期时间、客户成果、缺陷数量和活跃项目数量联系起来。如果这些结果改善，同时进行中的工作保持受控，专注论点就会获得支持。
如果企业报告更多生成材料，却没有更快完成工作，这一警告就会更有力。届时，AI 将是在扩张组织库存，而不是提升有用的吞吐量。
第二个信号是，节省下来的时间是否会缩短工作日。研究已经指向相反的方向。一项实地实验发现，电子邮件时间减少，非工作时间工作也有所减少；而时间使用研究则将 AI 暴露与更长的工作时长联系起来。
未来的职场遥测数据可以更清楚地揭示哪种模式正占据主导地位。下班后的消息、周末活动、会议量以及不受打扰的专注时间，都比单纯的自我报告效率更能提供有力证据。
如果非工作时间的活动减少，就表明组织正在让员工保留一部分效率提升带来的收益。若此类活动持续增长，则说明 AI 的产能正被不断攀升的期望所吸收。
第三个信号在于，智能体在漫长且相互关联的工作流程中的表现。单任务演示可能让自主性看起来几近完善。但职场价值取决于智能体能否保持上下文、管理依赖关系，并从错误中安全恢复。
据报告，在多任务负载下，完成率从 16.7% 降至 8.7%，这说明了当前的差距。更好的表现将使 AI 能承担更多后续推进工作，而不只是产出更多起始材料。
这种改进不会消除人类判断。它会改变判断介入流程的位置。人们可以监督结果和例外情况，而智能体则在既定工作流之间处理更多协调工作。
在这种可靠性出现之前，知识工作者应将每个由 AI 生成的项目视为未来对注意力的一项索取。第一次输出是一份邀请，而不是已经完成的成果。
实际问题不再是 AI 能否让你更快。在许多边界明确的任务中，它显然可以。问题在于，这种速度是推动既定目标前进，还是又制造了一个未闭环事项。
在让助手启动一项新工作之前，先明确它会取代哪项既有承诺。定义何为完成、由谁负责验证，以及工作何时停止。然后，利用 AI 将这个选定项目推进得更远。
新的 AI 超能力并非无止境的生成与持续不断的行动。它们是选择什么值得关注、保留其周边上下文，并细致完成它的能力。在开启下一项工作前，你会先完成哪个未竟项目？
