用 AI 编程以后，一个很矛盾的感受是：事情确实做得更快了，人却未必更轻松。
以前需要半天的修改，现在可能一轮对话就能完成。过去要排到下周的需求，今天就能看到原型。代码生成、问题定位、测试执行，越来越多的环节可以交给机器。
按直觉理解，这应该意味着更多空闲。原来八个小时才能完成的工作，如果一个小时就能做完，剩下的七个小时理应属于自己。
但另一种情况很容易发生：任务提前完成了，下一项任务也提前开始了。一个项目跑起来了，顺手又开了第二个。过去因为人手不足而搁置的想法，现在似乎都值得试一试。
生产力提高以后，个人首先得到的，可能是更多的生产劳动。
人类不断发明节省劳动的工具，又不断用新的生产要求，填满省下来的时间。
从狩猎采集走向农业，人能够在土地上生产更多食物，也开始围绕播种、灌溉和收割安排生活；工业机器提高了产出，工厂也提出了更大的生产目标和更紧的劳动节奏；电脑与互联网缩短了沟通和处理信息的时间，工作却随之延伸到下班之后。技术确实减轻了许多劳动，但省下来的时间，并不会自动成为个人的闲暇，它也可能被不断增长的生产要求重新占满。
AI 编程延续了这种可能：代码写得更快，一个人便被期待推进更多项目、消化更多信息、作出更多判断。如果工作总量随着效率一起上涨，工具节省的工时，就可能转化为个人新增的脑力负担。
以前的限制挡住了产出，也替人挡住了一部分工作。当这些限制被移走，需求就更直接地落到了一个人身上。
过去的开发节奏里，有很多等待。
等同事写完接口，等页面实现，等测试反馈，等一个问题被定位。不是所有等待都有价值，有些确实只是协作低效。但等待客观上让事情分批到来，也让人的注意力不必始终处在接收结果、作出判断的状态。
亲手实现也有类似的作用。读代码、改代码、运行、修正，需要时间。在这个过程中，开发者会逐渐熟悉问题，知道哪些地方动过、为什么这样处理、哪里还不放心。
理解和实现是一起发生的。
AI 可以把实现过程大幅压缩，却不会自动把同样程度的理解放进人的脑子里。十分钟后，完整的修改已经摆在面前，人对问题的认识可能还停留在十分钟前。
于是，省下来的实现时间里，有一部分需要重新花在理解结果上。
你需要弄清它改了什么，是否遗漏了业务条件，为什么选择这种方案，以及这个结果能不能进入真实环境。机器可以继续辅助检查，但只要最终的取舍仍然由你负责，你就需要掌握足够的背景。
以前，代码是一点点写出来的；现在，需要理解的变化可能一次性到来。
这也是为什么“效率提高十倍”不能直接换算成“人轻松十倍”。
不妨做一个思想实验：假如 AI 让执行效率提高了十倍，而我们也因此把同时推进的工作扩大到十倍，脑力成本有没有可能增加到二十倍？
这里的“二十倍”是一种夸张的设问，用来表达认知负担可能比任务量增长得更快。它不是测量结果，也不是生产力提升必然遵循的比例。
设想原来一天只需要完整理解一个需求，现在一天有十个需求陆续交回结果。即使每个需求都很简单，你也需要十次进入背景、核对边界、处理疑问、确认下一步。
如果这些需求属于不同项目，切换还会带来额外的成本。刚刚想清楚订单状态的变化，马上要判断另一个系统的权限设计，然后又回到一份数据迁移方案。每次重新进入，都要把相关事实在脑子里再摆一遍。
如果这些需求又共享接口、数据或发布安排，情况会更复杂。一个任务的结果可能改变另一个任务的前提。你需要关注每件事，也需要理解它们之间的影响。
任务变多，信息变多，信息之间的关系也可能变多。执行所节省的工时，并不能抵消所有这些新增的理解和协调。
更让人疲惫的是，许多容易完成的动作被自动化以后，留下来的工作往往更加集中于判断。
以前的一天，可能交替包含设计、实现、查资料、调整格式和等待反馈。现在，生成代码和整理材料都很快，接着出现的却是一连串需要你拿主意的问题：这个需求值得做吗？两个方案选哪一个？这个异常能否接受？测试通过是否足以交付？
每个问题看起来只需要几分钟，背后却可能要求你调动整段项目经验。
工作时长没有变，工作里面的脑力密度变了。日历上仍然是八个小时，但需要持续理解、权衡和负责的部分，可能比过去多得多。
还有一种压力来自信息不断更新。
你离开十分钟，代理可能已经修改了一批文件、发现了新的问题，并给出了下一轮建议。几个任务同时运行时，你刚刚建立的全局认识，很快就需要修正。
“把这些看完就能休息”的终点，会随着系统继续生产而向后移动。
机器产生新结果的速度可以不断提高，个人消化结果的速度却很难同步增长。电脑可以再开一个执行环境，人无法用同样的方式再开一份完整的注意力。
工具越顺手，这种压力有时反而越隐蔽。
当一个想法需要几天才能验证，我们会认真考虑是否值得投入。当它只需要发出一句指令，我们很容易先让它跑起来。可启动时省掉的慎重，最后仍可能以阅读、验收、维护和收尾的形式回来。
点击开始很便宜，接住结果未必便宜。
即使没有管理者追加任务，个体也可能主动填满自己的时间。看到系统还有余力，就觉得应该多开一个任务；看到别人交付得更快，就提高对自己的要求；有了做出更多东西的能力，也开始对那些没有实现的想法感到可惜。
于是，技术释放的时间，还没来得及变成生活，就重新进入了生产。
这种结果并非不可改变。关键在于，我们是否允许生产力提升以后，任务总量仍然保持边界。
如果交付目标保持不变，AI 节省的时间当然有机会变成休息、学习，或者更从容的验证。但如果目标始终跟随工具能力上调，节省下来的时间就会被新增工作吸收。
效率提高以后，收益究竟体现为更多产出、更高质量、更短工时，还是三者之间的某种分配，需要人作出选择。
对个体而言，这意味着开始认真管理自己的接收能力。一天能理解多少变化，能负责多少决定，能同时保有几个项目的完整背景，都应该成为安排任务的依据。
让代理先完成约定的自检，把需要人判断的问题集中交回；让相关任务分批推进，减少反复切换；让新增需求经过取舍，而不是因为“现在很容易做”就全部开始。这些安排都在保护同一种资源：人的注意力。
尤其需要给理解留下时间。阅读结果、消化背景、暂时离开屏幕，都不应该因为机器还在运行，就显得像一种落后。
AI 编程可以让个人拥有过去难以想象的生产能力。但拥有更多能力，并不意味着必须始终把它用满。
如果未来一个人的执行效率真的提高了十倍，我希望我们衡量进步时，也看看这个人是否有了更多可以自己支配的时间。
否则，机器压缩掉的所有等待，最终都可能变成人必须连续承担的劳动。
代码越来越快地写完了，人却越来越难真正下班。