Rick Manelius 对 AI 生产力的警告：专注与贯彻执行胜过更多产出

Rick Manelius 曾借助 AI 的速度同时推进约 40 个活跃的概念验证项目，随后发现，更快的执行反而带来了新的倦怠问题。他在 7 月 26 日的文章中，以一种直截了当的冲突重新界定了 Rick Manelius 对 AI 生产力的观点。生成式 AI 能减少单项任务中的劳动投入，却也会鼓励人们开启超出其负责任完成能力范围的工作。

这一差别很重要，因为大多数职场 AI 项目仍在衡量活动量。它们统计提示词、生成的文档、完成的工单、节省的分钟数和自动化步骤。这些数字可以揭示有价值的效率提升，但对于重要项目是否达成持久成果，却几乎没有说明力。

Manelius 提出了另一组优势：专注与贯彻执行。AI 让人更容易创作草稿、原型、计划和备选方案。稀缺的人类能力，则是决定哪一个方案值得持续投入注意力，并将其推进到成本高昂的最后阶段。

对手不是另一个 AI 模型，而是围绕 AI 采用而形成的扩张思维：每节省一小时，就成为开启另一个项目的理由。承诺是更大的产能。正在显现的现实往往是：未完成工作的范围更广、切换更多，也更难判断什么真正值得关注。

AI 生产力热潮制造了更多未闭环事项

直接的变化并非 AI 变得更快，而是低成本的创作让克制变得更有价值。

在他的专注与贯彻执行文章中，Manelius 描述了一种雄心勃勃的知识工作者都熟悉的模式。在生成式 AI 出现之前，许多想法会一直留在“总有一天要做”的清单上，因为创作出可信的初版需要太多时间。AI 降低了这一启动成本。

Manelius 有超过 100 个处于草稿状态的文章标题和大纲，以及约 50 个潜在项目。一旦 Claude 能在会议之间的短暂间隙中工作，一些被搁置的想法便变得可行。早期成果又促使他启动更多实验。

这种方法起初看起来很成功。一个五分钟的提示词就能启动研究、生成文案、勾勒产品，或推动原型向前发展。每一次成功，都让下一个项目显得负担得起。

但这种计算忽略了所有权成本。原型需要审查、修正、定位、维护，以及决定其未来方向。文章草稿需要事实核查、结构性修订、编辑和分发。一个小实验也可能带来一长串后续义务。

Manelius 最终统计出约 40 个正在进行的概念验证项目。他将每个项目描述为一个未闭环事项，即一项尚未解决、仍需要关注的承诺。AI 降低了开始所需的投入，但后续的一切仍由他负责。

他所称的生产力倍增幅度，从两倍到一百倍不等，属于个人估计，而非经过独立测试的测量结果。精确的倍数并不如其背后的不对称性重要。AI 可以压缩某个孤立生产步骤的时间，却无法以同样幅度压缩判断、协调、问责或审慎投入。

这正是 AI 生产力讨论经常脱离实际工作的地方。生成一项看似可信的交付成果，并不等同于完成其背后的责任。草稿可能看起来已经完成，但准确性、受众、所有权和后果等问题仍未得到回答。

以一位使用 AI 将访谈笔记转化为十个功能概念的产品经理为例。生成步骤只需几分钟，但这位经理仍必须比较证据、理解客户细分、验证假设、协调工程团队、否决薄弱想法，并为最终优先级辩护。

软件工程师也面临同样的模式。助手可以迅速生成多个实现方案，但每个方案都会带来审查和维护需求。更多代码可能意味着更多测试、依赖关系、安全暴露面和架构决策。

结果是，待办队列扩张得比人类注意力更快。启动项目几乎毫无摩擦，因此停止似乎显得不合常理。然而，每一项新工作都会与现有承诺争夺同一份日程和认知资源。

过去的瓶颈往往是生产。如今的瓶颈是收尾。

这并不意味着生成式 AI 没有效用。它意味着，效率提升必须在完整工作流中衡量。如果某个工具在起草时节省一小时，却额外带来数小时的审查与协调，局部收益就会夸大最终收益。

因此，一个有用的生产力指标会追问：工作是否抵达了有意义的终点？决策是否作出，产品是否被采用，客户是否得到帮助，文章是否获得信任？单靠产出数量无法回答这些问题。

Rick Manelius 的 AI 生产力观点遇上无限工作日

AI 可以提高任务处理能力，却无法扩展人类选择、切换、恢复并持续承担责任的能力。

现有证据支持一个较为有限的观点：生成式 AI 能提升某些任务上的表现。一项 NBER 实地研究追踪了 AI 助手引入后 5,179 名客户支持人员的表现。获得该工具访问权限后，平均每小时解决的问题数量提高了 14%。

增益并不均衡。新手和技能较低的员工提升了 34%，而经验丰富、技能较高的员工则几乎没有明显效果。这项职场实地研究表明，AI 可以传播高绩效员工已经掌握的做法，帮助新员工更快进步。

另一项涉及 758 名顾问的实验发现，当任务处于 AI 能力边界之内时，参与者获得了显著收益。使用 GPT-4 的参与者完成了更多子任务，工作速度约快 25%，且产出被评估者评为质量更高。

不过，在能力边界之外的一项任务上，表现反而变差。研究人员将这种不均衡的限制称为“锯齿状技术前沿”，意指 AI 在看似难度相近的任务之间，能力可能存在显著差异。这项咨询实验发现，人类判断对于识别哪些工作超出可靠范围仍然至关重要。

这些研究验证了真实收益，但没有一项表明员工应当成倍增加自己的承诺。更快完成一次边界明确的支持互动，与同时负责数十个不确定项目并不相同。后者引入了单任务基准无法捕捉的优先级排序和切换成本。

职场环境本已让这些成本难以消化。Microsoft 分析了汇总的 Microsoft 365 活动数据，并报告称，频繁被打断的用户在核心工作时间内每两分钟就会收到一次会议、电子邮件或聊天通知。其对全天的更广泛估计达到 275 次中断。

同一项分析发现，60% 的会议是临时安排或即兴发起的。标准工作时间之外发送的聊天消息同比上升了 15%，而晚上 8 点后开始的会议同比上升了 16%。Microsoft 将这种模式称为无限工作日。

这些测量反映的是 Microsoft 的客户群体及其特定遥测定义，不应被视为每位员工的普遍画像。尽管如此，它们描述了许多知识工作者如今叠加 AI 生成任务的环境。

即使减少了人工劳动，生成式系统也可能成为另一种中断来源。每个生成的答案都需要评估。每次智能体运行都会产生结果、异常或问题。每个低成本实验都会创造一个新的潜在方向。

认知成本之所以增加，是因为人类无法毫无摩擦地在复杂项目之间切换。美国心理学会总结的研究显示，任务切换会降低表现并增加错误。大脑必须改变目标、激活不同规则，并重建被中断工作的状态。

随着任务变得更复杂或更陌生，这些切换成本会进一步增加。这对 AI 辅助的副项目尤其相关：一个人可能在一小时内不断在编程、市场研究、写作、设计和客户发现之间切换。

问题不只是损失了几秒钟。频繁切换会改变工作的质感。人们花更多时间重新加载上下文、检查状态，并决定该恢复什么工作；花更少时间沿着一条思路持续推进，直到它变得连贯。

个人知识系统可以通过保留来源、决策和项目上下文，减少一部分重建工作。可搜索的AI 第二大脑能帮助人们找回自己曾经掌握的知识，但它无法决定哪项承诺应获得下一个不受打扰的一小时。

这一决定仍然属于人类。AI 可以增加可选行动的数量，但注意力仍决定哪一步会产生实质影响。

真正的 AI 超能力是纵向推进

更快生成的最佳用途，是深化重要工作，而不是扩大未完成工作的项目组合。

Manelius 将这种选择描述为横向生产力与纵向生产力之分。横向生产力将节省的时间用于启动更多项目；纵向生产力则将其用于在同一项目中推进得更远。

这一划分比关于 AI 是否节省时间的简单争论更有用。两种策略都能产生可见产出，只有纵向策略才会为选择、修订、验证和完成保留足够的能力。

这很重要，因为知识工作的早期阶段已变得异常低廉。一个模型可以在人们审视第一个结果之前，就生成十个标题、三个产品概念、一份会议摘要和一份战略草案。由于这些产物具体可见，这种丰富感会让人觉得自己正在取得进展。

然而，价值往往集中在最后阶段。可信的建议，来自于排除薄弱方案之后；可靠的功能，来自于边缘情况经过测试之后；有力的文章，来自于主张经过核查、论证经受修订之后。

Manelius 举例说明了一篇他认为质量约为 B 或 B- 的文章。他没有迅速发布，而是停下来，再投入两到三轮专注修订。这个选择减少了即时产出，却提高了他期望达到的标准。

他将这一决定与日偏食和日全食之间的差异联系起来。从 99% 遮挡到全食，看似只提升了一个百分点，观者的体验却会发生巨大变化。他认为，广受喜爱的产品和创意作品，往往也通过类似的最后增量赢得其影响力。

这一类比具有主观性，也并不意味着每项任务都值得追求完美。一封常规内部邮件不应占用与医疗建议或产品发布同等的注意力。其操作层面的启示是：让完成工作的投入与后果相匹配。

AI 会以两种方式改变这种资源分配。首先，它可以从选定项目中移除低价值的生产步骤。其次，它也可能用大量看似可信的备选方案淹没工作者，争夺原本节省下来的时间。

专注决定第一个选择：哪一个结果值得投入稀缺的人类注意力？贯彻执行决定第二个选择：在生成之后，必须发生什么，才能让该结果变得可信、被采纳并真正完成？

研究人员可以使用 AI 总结论文、比较术语并提出假设。纵向进展始于研究人员将主张追溯到一手证据、识别矛盾，并形成能够经受审查的解释。

销售负责人可以为数百个客户生成个性化触达内容。纵向进展意味着识别正确的客户、验证背景信息、协调后续跟进，并从实际回复中学习。除非发送更多消息能改善高质量对话，否则这只是横向活动。

产品团队可以在一夜之间生成界面概念。纵向进展要求观察用户、选择设计方案、处理无障碍需求、解决工程限制，并在发布后衡量用户行为。仅靠图像生成并不能完成产品决策。

这一框架也说明了，贯彻执行并不等同于坚持不懈。盲目延续一个薄弱项目会浪费能力。有效的贯彻执行也包括：当证据不再支持这项工作时，明确地取消它。

目标是减少失管的循环，而不是强制完成每一个想法。一个项目应通过交付、委派、有意识地延期或取消而结束。让它在心理上仍处于活跃状态、却没有作出决定，才是代价高昂的状态。

组织可以通过项目组合限制来强化这种行为。团队可以限制正在进行的实验数量，要求 AI 生成的倡议有明确负责人，并在工作开始前定义退出标准。这些控制措施能将 AI 带来的充裕产能转化为可管理的流程管线。

它们也会将评估从产出量转向结果。团队可以追踪已完成的决策、已解决的客户问题、已结束的实验或已被采纳的改进。这些指标能让未完成的存量工作变得可见。

对个人而言，这套机制可以很简单：记录想法，但不要把它们全部激活。将可能性清单与活跃项目清单分开。为当前工作设定明确的下一步行动和清晰的完成定义。

像 remio 这样的系统可通过知识融合，帮助维持这条边界，将项目证据和既往决策保持可用。该系统减少了在分散信息之间重新建立上下文的需要。用户仍必须决定哪些项目进入活跃集合。

因此，新的 AI 超能力首先是管理能力，其次才是技术能力。它们涉及拒绝诱人的选项、保护不被打断的时间，以及在令人兴奋的生成阶段结束后仍坚持推进工作。

专注与贯彻执行无法独自解决倦怠

专注这一论点很有价值，但如果将倦怠仅视为个人未能做好优先级排序的失败，它就会产生误导。

Manelius 将自己的经历描述为一个由自己造成的扩张问题。他利用 AI 减少了必要劳动，然后又用新增工作填满了腾出的空间。对于这种特定模式，削减活跃项目是合理的应对方式。

并非每位知识工作者都能以同样的方式控制工作量。员工可能面临强制会议、重叠的截止日期、人手不足、模糊的优先级，以及把更快产出视为提高目标理由的管理者。个人专注无法消除组织施加的承诺。

世界卫生组织将倦怠定义为一种职业现象，源于未能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、更强的心理疏离或愤世嫉俗，以及职业效能降低。

这一定义](https://www.who.int/standards/classifications/frequently-asked-questions/burn-out-an-occupational-phenomenon)很重要，因为它将问题置于工作设计之中。它不将倦怠归类为一种医疗状况，也不把原因简单归结为工作时长。

Gallup 的美国员工指标显示，2026 年 5 月有 27% 的员工表示自己经常或总是感到倦怠。单凭这一数字并不能证明 AI 导致了倦怠。它表明，在工作场所 AI 采用不断扩大的时期，显著压力依然存在。

当 AI 处理重复性工作、改善信息获取，或帮助新手完成困难任务时，它可以减轻压力。当领导者利用节省的时间提高预期、却不移除原有职责时，它也会加重压力。

这就是生产率反弹效应。当一单位工作变得更便宜时，对该活动的需求可能会上升。员工得不到节省下来的时间，因为组织将其转化为更高的产出吞吐量。

同样的效应也会出现在个人层面。能以五倍速度起草文章的作者，可能会计划撰写五倍数量的文章。剩余工作，包括判断、编辑、推广和受众反馈，不一定会以同样的速度加快。

还有另一种风险。“贯彻到底”可能成为过度工作的体面标签。一个人可能持续打磨，因为标准不明确、批评令人不安，或组织奖励可见的牺牲。完成纪律需要一条停止规则。

日食类比突出了最后 1% 的价值，但其成本不可忽视。Manelius 估计，这最后一段增量可能消耗项目总时间的 50% 至 90%。这是他的定性判断，而非经过测量的行业比例。

有些结果值得这样的投入。安全关键软件、影响重大的研究和公开主张都需要严格审查。其他任务从再多一轮打磨中获得的收益很小。没有比例感的专注会变成完美主义。

更好的框架是将项目限制与基于后果的质量标准结合起来。团队应识别哪些工作需要非同寻常的深度，哪些工作只需达到足够的可靠性，以及哪些工作应自动化或放弃。AI 不应抹平这些类别之间的差异。

管理者也需要移除工作，而不只是建议更好的习惯。如果新的助手缩短了报告准备时间，领导者应决定是减少报告时间、提高分析质量，还是增加报告数量。让这三种预期同时提高，会招致过载。

明确的责任归属同样重要。AI agents 可以执行步骤，但人类仍要对大多数工作场所结果负责。当生成的工作在多个系统和审核者之间流转时，责任可能变得模糊。模糊会带来更多核查，而不是更少。

怀疑性的结论并不是专注无效，而是专注必须同时存在于个人和组织层面。工作者可以限制自己产生的承诺，领导者则应限制相互竞争的优先事项，并定义可接受的完成标准。

缺少这第二层，Rick Manelius 的 AI 生产率论点就可能变成又一项施加给精疲力竭员工的要求。他们将被期待生成更多内容、更好地排列优先级、核验一切，并在同样碎片化的环境中保护健康。

知识工作者接下来应关注什么

AI 生产率的下一阶段将由已完成的结果、工作量边界和错误率来评判，而非生成量。

第一个信号是，雇主是否开始衡量端到端结果。当前的采用仪表盘往往强调工具访问权限、活跃用户、提示词或预估节省时间。这些指标展示了部署情况，却无法说明工作是否变得更有价值。

更有力的衡量系统会追踪一项成果从启动到结束的全过程。它会考察完成时间、采用情况、返工、错误率和客户影响。它还会记录 AI 缩短早期步骤后，有多少新任务进入队列。

如果公司采用这些指标，专注与贯彻执行的论点就会获得支持。领导者将看到更快地生产产物与更快地交付价值之间的差别。如果提示词数量仍是主导指标，横向扩张很可能会继续。

第二个信号是，AI agents 会减少活跃义务，还是让它们成倍增加。Agents 可以监控收件箱、准备研究、更新记录，并协调跨软件的步骤。它们也可以持续生成提醒、草稿、例外情况和拟议行动。

关键的产品测试不在于 agent 启动了多少任务，而在于系统能否以易于理解的监督机制，可靠地完成有边界的工作流。能够展示责任归属、状态、证据和停止条件的产品，会比为无休止生成而优化的产品更能支持贯彻执行。

观察供应商如何处理例外情况。一个有用的 agent 应知道何时请求决策、保留相关上下文，并避免制造重复工作。一个悄然扩展自身任务树的系统，或许能节省击键次数，却会增加监督负担。

第三个信号是，随着采用逐步成熟，工作场所的倦怠和碎片化是否得到改善。Microsoft 的中断数据提供了一个基线，员工调查则提供了另一个。两者都无法单独证明因果关系，但它们的走势将检验产能承诺。

如果 AI 的采用率上升，而下班后活动、中断和报告的倦怠下降，组织就将拥有自动化正在把时间还给人们的证据。如果这些指标持平或恶化，可能的解释是，节省下来的能力已被重新投入到更多要求之中。

知识工作者无需等待企业仪表盘。他们可以在更小的范围内运行同样的测试。统计活跃项目，而不是生成的文件。追踪已完成的决策，而不是与模型的对话。留意节省下来的时间是否变成了恢复、更深入的工作，或另一项义务。

在启动 AI 辅助项目之前，先问清楚完成意味着什么，以及谁将负责结果。确定哪些证据足以证明应当停止。估算模型完成后仍会保留的人类审核和协调工作。

然后限制活跃集合。想法可以被记录，而不必成为承诺。AI 让保存和重新审视各种可能性变得廉价，因此没有必要立即激活每一个有前景的想法。

保护专注还需要减少上下文切换。将类似的 AI 互动集中处理，让源材料与决策保持关联，并为综合判断保留不受打断的时段。生成和评估不应每隔几分钟就相互争夺注意力。

最重要的是，有意识地使用自动化收益。一部分应用于提升质量，一部分用于缩短交付时间，还有一部分应还给执行工作的人。将每一分钟节省的时间都视为未利用的产能，只会在更先进的界面下重建无尽工作日。

Rick Manelius 的警告之所以令人信服，是因为它出现在工具已经奏效之后。问题不在于产出不佳或自动化失败，而在于成功消除了过去自然限制项目启动数量的摩擦。

这正是 AI 生产率的核心反转：随着执行能力变得充裕，克制开始具有经济价值。专注识别出值得追求的少数结果，贯彻执行则将低成本的开端转化为完成的工作。

实际问题不再是 AI 是否让你能做更多。在许多有边界的任务上，它显然可以。更好的问题是：你将停止启动什么，以便真正重要的工作获得足够注意力，最终得以完成。