AI 加速了执行，却堵住了判断

用了 AI 之后，我产出翻倍，却比以前更累。

一开始我以为是自己纪律差——工具都这么强了，还搞得这么狼狈，问题一定出在我身上。后来我发现，这不是纪律问题，是一条可以被推导出来的规律。

你在优化一个不是瓶颈的地方

约束理论里有句老话：优化非瓶颈，不会提升系统产出，只会在瓶颈前堆库存。

AI 恰恰就是在优化非瓶颈。它加速的是执行层——写代码、生成方案、摘要文章，这些是”手”的活。而系统真正的瓶颈是判断层，是”脑”的活，它一点没变快。

结果就是：执行越快，判断前堆积的库存越高。待看的方案、待读的资料、半吊子的项目——这些都是瓶颈前的在制品。

判断为什么快不起来

有三个直接原因，最后都汇聚到同一种刚性资源：时间。

第一，人脑不能并发。AI 能同时生成十个方案，你只能一个一个看。更麻烦的是，它给你的是压扁成一维的文字，而你要在脑子里把它还原回一张网：实体、关系、因果链、前提假设。这个”降维再还原”的过程，不可压缩、不可并行、不可跳过。它才是真正的时间黑洞。

第二，评价标准说不清。你一眼能分辨一份东西是深思熟虑还是糊弄，却讲不出判据，“就是感觉不对”。这在认知科学里叫默会知识——你自己都说不清的东西，当然也没法告诉 AI。每次面对它的产出，你都要临时把这套标准显式化一遍，这本身就是巨大的消耗。

第三，责任转移不了。人和人协作，你可以说”这部分小王写的，你找他”。人和 AI 协作，没人会接受”这段是 AI 写的，你去找它”。产出翻倍，责任也翻倍，承担的还是一个你。

而这三点，最后都压到同一种刚性资源上——时间。AI 可以 24 小时不停，你不能；而”省下来的时间”会立刻被更多任务填满。

这不是你的失败，是经济规律

“省下的时间被新任务填满”，听起来像自律问题，其实是杰文斯悖论：效率提升降低了单位消耗，也就降低了行动的门槛，原本被抑制的需求像开闸的水一样涌出来，总量不降反升。历史上一次次重演——纺织机、ATM、放射科的 AI 辅助，降本没有简单带来总工作量下降，反而把需求做大。

所以”用了 AI 反而更累”更像一种结构性的结果，不是你不够努力。

瓶颈不会消失，只会往上爬

它也不会因为模型更强而消失。Karpathy 在 Sequoia 的分享里描述过一个很具体的时刻：2025 年 12 月，他开始信任 agent 直接给出的代码，几乎不用再改，却说自己”从未感觉如此落后”。因为他的瓶颈从”改 agent 写的代码细节”，上移到了”决定该让它做什么、为什么值得做、到底做对了没有”。

瓶颈不会消失，只会沿着抽象的阶梯往上爬。今天你还在改细节，明天你操心的是方向。

做过制造业现场的人对这套逻辑不会陌生：真正的功夫，是把有限的注意力守在真正的约束上，而不是让它被那些”变快了的非瓶颈”冲散。

如果判断正在成为你最稀缺的瓶颈，也许值得问自己一句：今天，你有没有专门为它留出一段不被 AI 填满的时间。