前段时间，我看到一篇文章，标题很有意思：《AI 承诺让人少干活，但我从来没有像现在这样忙过》。
作者是一名软件工程师，后来做到了技术负责人。他分享了一个很有意思的现象：过去几年，随着职位的提升，他写代码的时间越来越少，GitHub 上的提交记录也逐渐减少。
按理说，成为技术负责人之后，他应该把更多精力放在架构设计、团队管理和技术决策上。
但到了 2026 年，他的 GitHub 活跃度却突然飙升，甚至超过了自己全职写代码时的水平。
这并不是因为他重新回到了开发一线，而是因为 AI Agent 改变了他工作的方式。
他可以同时让多个 Agent 写代码、排查问题、审查代码、研究技术方案。每个 Agent 都能独立推进一部分工作，而他只需要在关键节点介入。
听起来是不是很美好？
问题恰恰就出在这里。
AI 让我们做一件事变得更容易，却也让我们忍不住去做更多的事。
一、以前一天写完一个功能，现在一天启动十个任务
回想一下，没有 AI 编程助手的时候，我们是怎么工作的？
接到一个需求，先分析业务，设计方案，然后开始写代码。遇到问题，查文档、搜资料、调试，折腾一番之后，终于把功能做出来。
一个人一天的精力有限，能够认真推进两三个重要任务，已经算是不错的效率了。
不是我们不想多做，而是有些事情确实需要时间。
但现在，情况发生了变化。
一个需求，我可以先让 AI 分析代码，另一个 Agent 去研究技术方案，再开一个 Agent 实现功能，还有一个 Agent 帮我补充测试。
几个任务同时推进，看着进度不断往前走，确实很有成就感。
以前需要花半天时间才能完成的工作，现在可能几十分钟就有了结果。
于是，一个新想法冒出来了。
既然这么快，那顺便把这个问题也解决了吧。
代码里有个历史遗留的 Bug？以前觉得不影响主流程，先放着。现在让 AI 修一下，似乎也花不了多少时间。
某个模块的代码结构不太合理？以前考虑到重构风险和时间成本，一直没有动。现在可以让 Agent 先分析，再逐步重构。
突然想到一个新功能？以前需要评估开发成本，现在觉得先做个 Demo 也不难。
就这样，任务列表越来越长。
以前，我们需要考虑一件事值不值得做；现在，我们经常只考虑一件事能不能做。
这两者之间，差别可大了。
能做，不代表值得做。
但当实现成本大幅下降之后，我们很容易忽略这个区别。
二、真正累人的，不是让 AI 干活，而是你得盯着它
如果 AI 能够完全独立地把事情做好，那我们确实可以轻松很多。
可现实是，至少在很多复杂的软件开发任务中，Agent 还做不到让人彻底放心。
它写完代码，你得检查。
它提出方案，你得判断。
它遇到问题，需要你决定下一步怎么走。
它完成任务之后，你还得验证结果是不是符合预期。
更麻烦的是，这些工作往往不是连续发生的。
你正在研究一个系统架构，突然有个 Agent 提交了代码，等你审核。
刚看完代码，另一个 Agent 又反馈了一个问题，需要你做决定。
你切换过去处理完，再回来继续刚才的架构设计，却发现自己已经忘了之前思考到哪里。
于是，你得重新阅读上下文，重新梳理思路。
这就是使用多个 Agent 时，一个很容易被忽略的问题：它们可以并行工作，但你的注意力不能并行复制。
机器可以同时跑十个任务，人却不能同时认真思考十个问题。
尤其是软件开发，真正消耗精力的，很多时候并不是敲代码，而是理解问题、判断方案、权衡取舍。
过去，你可能花两个小时专心解决一个复杂问题。
现在，你可能让三个 Agent 同时干活，看起来效率翻了几倍。但整个过程中，你需要不断切换思路，理解不同任务的进展，判断它们的结果，协调彼此之间的关系。
从工作数量上看，你做得更多了。
从精神状态上看，你却可能比以前更疲惫。
以前是一个问题没有解决完，现在是十个问题都在等你。
三、AI 降低了执行成本，也降低了我们拒绝任务的门槛
我觉得，这才是整件事情最值得思考的地方。
过去，开发一个功能有明确的成本。
需要多少时间？需要几个人？会不会影响现有业务？投入产出比怎么样？
这些问题会自然地过滤掉一部分想法。
很多时候，我们不是没有新想法，而是知道资源有限，所以主动放弃。
现在，AI 大幅降低了实现成本。
于是，很多原本不会进入开发计划的事情，也开始进入我们的视野。
以前觉得不值得修复的 Bug，现在顺手修一下。
以前觉得没必要开发的工具，现在做一个试试。
以前只想验证一个想法，现在干脆把完整功能也做出来。
每件事单独看，都很合理。
问题是，这些事情加起来，就变成了一份越来越沉重的工作清单。
而且，开发只是整个工作的一个环节。
一个功能做出来之后，还需要测试、评审、部署、维护。涉及其他团队时，还要沟通需求、确认方案、协调排期。
AI 可以很快生成代码，却不能让所有协作环节都按同样的速度运行。
甚至有时候，代码生成得越快，后续需要检查和协调的内容就越多。
这让我想起一个很朴素的道理：
以前我们做事情，最大的限制可能是没有足够的人手和时间。
现在，当执行能力不断增强，真正的瓶颈反而变成了判断力、注意力，以及我们究竟应该做什么。
生产代码的成本下降了，但做正确决策的成本，并没有跟着消失。
四、还有一个更现实的问题：效率提高了，为什么一定能少干活？
我们过去对技术进步有一种美好的想象。
机器提高生产效率，人就能少干活，把更多时间留给自己。
但技术上能够节省时间，不代表现实中一定能获得更多休息时间。
假设一个开发团队，以前一个月能完成 10 个功能。引入 AI 之后，同样的团队可以完成 20 个。
接下来会发生什么？
一种可能是，公司仍然要求完成 10 个功能，于是大家提前完成工作，按时下班。
另一种可能是，公司发现团队现在能完成 20 个功能，于是把目标从 10 个提高到 20 个。
甚至，原本排在未来几个月的需求，也会被提前提上日程。
如果市场竞争激烈，其他公司也在利用 AI 加快开发，那么不跟进似乎又会落后。
于是，效率提升带来的空间，并没有自动变成个人的休息时间，而是变成了更多的业务目标。
这并不是说 AI 没有价值。
恰恰相反，AI 可能真的让一个团队做出更多产品、解决更多问题。
但这里存在一个很重要的区别：
生产效率提高，是技术能力的变化；工作负担减轻，则是工作目标和利益分配的变化。
前者可以由工具带来，后者却不会自动发生。
如果工作目标始终随着效率提高而增加，那么无论工具多么强大，我们都可能一直处于忙碌状态。
就像一条路，原本走路需要一个小时，后来有了汽车，只需要十分钟。
如果目的地不变，我们确实节省了时间。
但如果因为开车更快，我们每天又多跑了十个地方，那么最终还是一样忙。
甚至更忙。
五、我不想回到没有 AI 的时代，但也不想被 AI 推着走
说到这里，并不是要否定 AI。
对我来说，AI 带来的变化是真实的。
以前一个人很难完成的项目，现在有机会独立搭建。
以前需要反复查资料、写样板代码的工作，现在可以交给 AI 处理。
过去因为成本太高而搁置的想法，现在也有机会做出来。
这些变化都很有价值。
问题不在于我们使用 AI，而在于使用 AI 之后，我们有没有重新思考自己的工作方式。
尤其是 Agent。
当我们可以同时启动多个 Agent 时，很容易产生一种错觉：既然每个 Agent 都在工作，那我也应该一直保持忙碌，随时响应它们的进展。
但如果我们整天都在查看结果、切换任务、处理新想法，那么 Agent 虽然提高了执行效率，却也可能把我们变成一个永不停歇的调度中心。
我觉得，可以尝试做几件很简单的事。
第一，先决定今天要做什么，再决定让 AI 做什么。
每天开始工作之前，先列出真正重要的两三件事。
不是列出所有可以做的事情，而是明确今天最值得完成的事情。
AI 可以帮助我们执行计划，但不应该替我们决定每天必须增加多少任务。
第二，不要把每个新想法都立刻变成任务。
AI 最吸引人的地方之一，就是它让很多想法看起来触手可及。
但想法不必马上实现。
一个新功能、一项重构、一个自动化工具，都可以先记下来，等有时间再评估。
否则，我们很容易从过去的「没有时间做」，走到现在的「什么都想做」。
第三，给并行任务设置上限。
Agent 越多，不代表效率一定越高。
如果五个 Agent 同时工作，却需要你不断审核和协调，那么增加的可能不是产出，而是管理负担。
与其同时启动十个任务，不如先把两三个重要任务做好。
剩下的事情，等有空再说。
说到底，工具应该服务于目标，而不是让工具不断制造新的目标。
六、我们真正需要的，也许不是更高的效率
我一直觉得，技术进步最吸引人的地方，不仅仅是让我们能够做更多事情。
更重要的是，它应该让我们有机会选择怎么生活。
如果 AI 帮助我把一项工作从两小时缩短到二十分钟，我当然希望把剩下的时间留给自己。
我可以用它学习新的东西，陪陪家人，出去走走，或者什么也不做。
当然，我也可以利用这段时间，继续开发新功能，研究新技术，启动更多项目。
这两种选择都没有错。
真正的问题是，当我们越来越习惯于把节省下来的时间填满时，会不会慢慢忘记：节省时间，本身就是一种价值，不一定非要用更多工作把它填满。
AI 让我们拥有了更强大的能力，也让许多过去做不到的事情成为可能。
但人的时间和注意力依然有限。
我们可以让 Agent 同时写代码、查资料、做测试，却不能因此要求自己同时思考所有问题。
我们可以用 AI 把工作做得更快，却不必把每一分钟省下来的时间都换成新的任务。
或许，未来真正有竞争力的人，不只是那些能够熟练使用 AI、同时管理多个 Agent 的人。
也包括那些能够判断什么值得做、什么不值得做，并且在工作之外，依然给自己留出生活空间的人。
毕竟，我们当初期待 AI，是希望生活变得更好。
如果最后只是工作做得更多，人却越来越累，那么效率提升了，生活又得到什么呢？