用了 AI，更累了 260807 Fri

我以前看过一个笑话。

有个人去看精神科医生，说自己快被工作逼疯了。他说自己在一家水果加工厂上班，每天把橙子分成两类，大的放左边，小的放右边。

医生问：“究竟是哪一步让你受不了呢？

他说：“就是判断橙子是大还是小这件事让我要疯掉啦！”

初闻不知曲中意，再听已是曲中人。最近我要被 AI 逼疯啦。

现在，AI 可以很快做完执行工作，但我的判断速度跟不上。材料和问题到底相关不相关，这一段话目标读者会怎样理解，单看很顺的段落放进整篇以后为什么不对劲，我得一遍遍回答。

而且越来越快。

以前写报告时，执行和判断是缠在一起的。一份新资料可能会改变对问题的理解，写一段话可能会发现用词不够准确，画图时又可能发现逻辑上的断裂点。

在任务的执行过程中，其实一直在保存和更新上下文。

这个过程有点像是炖菜，加一点肉炖一会儿，尝尝味道，再加一点盐。咸了就再加点水，觉得不够鲜可能再加半勺糖。

但是现在看到的是预制菜。尝一口，感觉一下什么味道太重，什么味道不足，然后再告诉 AI。至于这是怎么做出来的？不清楚。

AI 接手执行后，我面对的是一个看起来已经完成的结果。要判断它能不能用，我得先把原来的问题、读者、不能牺牲的标准和这段材料在全文中的位置重新想起来。每次判断都要快速加载一次。

并行几个任务的时候，这种切换的认知负担就更大。像是精力流失得更快，也更容易烦躁——这个 AI 怎么就 get 不到关键呢……

这就是累的地方。工作量没有简单地从人转给机器，而是改变了工作顺序，变成了现有结果，然后才是理解。结果越多，理解难度越大，重新加载的次数越密。

今年 3 月 5 日，BCG 在《哈佛商业评论》上发表了一篇文章，把过度使用或持续监督 AI 工具引起的精神疲劳称为“AI brain fry”——我觉得大概可以翻译成“AI 脑烧”。文章引用了 BCG 对 1488 名美国大型企业员工的调查，并把这种状态和错误增加、决策过载以及离职意愿联系起来。

这可能是新时代的新倦怠。和 AI 协作时的“人在环中”，人成了短板。用自己的注意力、工作记忆和判断力去跟上 AI 的产出，挺困难的。

《连线》杂志报道了一位好莱坞编剧的转型之路。在影视行业不景气的现状下，她接受了一份训练 AI 的兼职，要判断聊天机器人的语气是否自然，按照评分规则评估回答，还要测试模型的安全边界。

这些工作指向同一点：原本融在写作过程里的判断，被拆出来，成为一项可以单独购买的劳动。

我猜训练 AI 可能比写剧本更累。毕竟，和写同样字符数的程序相比，写文稿要更累一些——所需要的判断更多，而且判断标准更模糊。

编程还可以在一定程度上标准化，能测试，还有比较完善的版本管理。在需求明确，边界清晰，局部实现可以通过测试验证的情况下，AI 可以做得不错。

但写稿不同。哪些材料能用，哪些字词更合适，逻辑是否成立，这些判断不会因为生成速度变快就消失。

而更模糊的判断标准，也就提升了判断难度。

当 AI 生成内容后，写判断标准变成了新的写稿。一开始只是个模糊的想法，让 AI 试着跑几轮，再说明什么结果算完成，有什么是不允许的，出现了什么错误一定要汇报。

然后继续跑，继续改。这些判断标准像是工作过程中逐渐长出来的协议。可能不会完美，也可能会频繁修改，但大概还是会有些作用。

后来我想，那个在水果加工厂分橙子的家伙也许可以定制个漏网，能漏下去的算小，没漏下去的算大。

和 AI 一起打磨判断标准，大概就是我需要的漏网。