为什么我们用AI反而更累了？麻省理工最新研究：因为我们都用错了

镜花水月

“怎么用了AI之后，我反而觉得更累了？”



前几天，一位朋友跟我疯狂吐槽：“以前写份策划案，我自己理顺思路，半天也就写完了。现在倒好，我让AI帮我写，它10秒钟是生成了一大堆，但我得花半个小时去核对数据、修改病句、纠正它一本正经的胡说八道。这哪是人工智能，这简直是我招了个需要手把手教的笨实习生！”


我猜，肯定有不少人也有同样的感受。


过去这两年，我们被铺天盖地的AI神话包围，总觉得它能一键包办所有工作。但真到了实际打工的日常里，AI却经常变成一个打断心流的麻烦精。到底是我们太笨，还是AI太蠢？


最近，麻省理工学院（MIT）、耶鲁大学和微软的研究人员联合发表了一篇名为《任务链式处理与工作的重新定义》（Chaining Tasks, Redefining Work: A Theory of AI Automation）的重磅论文。


这篇论文一针见血地指出了问题所在：如果我们只把AI当成提升单个任务效率的工具，那我们就完全限制了它的真正价值。


今天，我们抛开晦涩的算法参数，直接用大白话聊聊这篇论文揭示的残酷真相：为什么我们的AI不好用？以及，AI到底该怎么用？

---

致命的交接成本

绝大多数普通人是怎么用AI的？


以写一篇文章为例：构思大纲（人） ➔ 生成草稿（AI） ➔ 修改润色（人） ➔ 校对错别字（AI） ➔ 排版发布（人/AI）。


发现问题了吗？在这个工作流里，人类和AI在不断地来回交接。


论文中指出，这种按任务来使用AI的方式，隐藏着一个巨大的黑洞：协调与验证成本。


每一次工作从AI交回到人类手里，我们都需要进行阅读、审核、验证和调整。在这个过程中，我们的思路是被打断的，我们的注意力是被极度消耗的。很多时候，人类给AI擦屁股和审核把关的时间，早就抵消了AI帮我们省下的时间。


这就是为什么我们总觉得用AI像在带实习生，因为我们把工作切得太碎了，导致人机沟通和监督的成本急剧上升。

真正的魔法：任务链式处理（Task Chaining）

既然单打独斗不行，那该怎么办？研究团队提出了一个极其关键的新概念：任务链式处理（Task Chaining）。


我们应当把工作看作一条完整的流水线，打破孤立看待单个任务的习惯。企业和个人真正应该做的，是将多个相邻的任务打包串联起来，让AI一口气从头跑到尾，中间不需要人类插手，人类只负责在最后一步验收最终成果。


论文中举了一个非常生动的例子：讲课与辅导。
这两个工作看起来很像，但被AI改造的潜力却天差地别。

• 讲课（Lecture-based teaching）： 老师备课的工作流是连续的——查阅资料 ➔ 制作PPT ➔ 生成教学案例。这些任务相邻且连贯。我们完全可以把这一整条任务链丢给AI，让它直接吐出一份完整的教案，老师只做最后的审核。这种效率提升是爆炸性的。
  
• 辅导（Tutoring）： 辅导是一个持续互动的过程——老师讲解 ➔ 学生提问 ➔ 老师根据反馈调整。在这个过程中，机器和人（学生）在不断地交接，任务被严重打碎。因为无法形成完整的任务链，AI在这里能发挥的自动化价值就非常有限。
  

这就引出了一个颠覆认知的新工作设计原则：任务的排列方式，和任务本身能不能被自动化一样重要。 我们的工作能不能被AI赋能，往往取决于我们能不能把适合AI干的活儿，毫无缝隙地拼在一起。


案例解析：一条没有人工干预的自动化流水线

其实，在看到这篇论文之前，我在实战摸索中也得出了完全一致的见解：想要真正发挥AI的威力，就必须干掉人机交互的高昂摩擦。


基于这个洞察，我设计并开源了一套“小红书图文生成工作流”。过去做一篇图文，我需要自己找资料、让AI写文案、自己排版、再让AI配图，中间无数次沟通修改，这就是典型的“高摩擦”工作流。


为了彻底干掉人机交互的摩擦，我将整个流程进行了“最小步骤拆解”，设计了 1个总控 + 4个独立的执行模块：

• 信源采编器：用脚本锁死爬虫逻辑，只负责去网上扒内容、提干货，杜绝AI乱编新闻的幻觉。
  
• 商业写作器：拿到干净的底稿后，AI只需专注一件事——根据预设网感提炼标题、生成带Emoji的爆款文案。
  
• 配图生成器：把调用画图API和保存文件的机械流程用代码写死，AI只负责发散脑洞、构思绝美画面的提示词。
  
• 飞书审阅入库器：最后用脚本将图文自动打包，规规矩矩地推送到多维表格里。
  

在这条精心设计的任务链里，1个总控脚本盯着这4个独立模块按顺序跑。上一个模块的产出直接自动喂给下一个模块，中间没有任何人类插手的余地。 复杂的机械执行被代码关进了SOP的笼子里，而AI最擅长的创意与理解力被无限放大。


只需要在源头扔进去一个链接，然后在终点端着咖啡，在飞书里点个头确认发布就行了。这就完美实现了论文中提到的极致系统效率：消除摩擦，减少交接。

你可能会问：这套流水线跑起来，真的每一环都比人工做得好吗？比如，写出的文案一定比老练的编辑更有网感吗？


这就引出了这项研究中最反直觉，但也最震撼的发现：


系统效率 ＞ 局部完美

很多老板和完美主义者可能会跳出来反驳：“AI干活不精细啊！在收集数据这一步，我手下的老员工比AI做得好多了，凭什么要把整条线交给AI？”


答案是：AI并不需要在每一项具体任务上都超越人类，才能创造巨大价值。


为什么？因为如果我们让那个老员工去收集数据，这条AI任务链就被打断了。数据收集完，又得经历一次人机交接，增加一次验证成本。


论文明确指出，就算人类在某些中间环节比AI做得更好，把整条任务链全权交给AI，依然是更优解。


让AI从头到尾独立处理，能彻底消除摩擦，减少交接环节，极大地加速整体产出——哪怕中间某个环节的质量略微下降了一点点。因为我们省下的是极其昂贵的人力协调时间。


这就好比当年亨利·福特发明汽车流水线。流水线上的工人，单独拉出来可能不如传统的全能老工匠手艺精湛，但作为一条连续的系统，流水线的降维打击是毁灭性的。在AI时代，系统层面的极致效率，永远大于任务层面的局部完美。


工作正在被重新定义

历史上，我们对“职位”的定义，是基于人类的生理和脑力极限来打包任务的。但AI正在重写这个方程式。


论文提到，在AI引入的早期，因为我们需要购买工具、学习提示词、忍受高昂的交接成本，AI带来的收益甚至可能覆盖不了成本（这就是著名的生产力 J 曲线）。


但只要跨过了那个临界点——当我们彻底突破AI只是打字机的局限，开始围绕AI重新设计整个工作流时，真正的红利才会爆发。


在这个过程中，传统的打字员、执行者角色将被大量压缩。未来的工作，重点将转变为比拼谁能更好地设计流程、谁的洞察力更强，纯粹比拼谁敲代码更快或者谁写PPT更熟练的时代已经过去。


如果我们能把繁琐的日常任务连成这样一条条全链路的AI任务链，我们就能腾出手来，去承担更多需要复杂判断力、战略决策和情感共鸣的高价值工作。一个人加上一套严密的自动化工作流，就能干完一个团队的活。


所以，别再问“AI怎么才能帮我更快地完成眼下这个任务”了。


我们真正该问的是：“我们该如何通过拆解和串联，把工作流打造成一条无需人工干预的AI流水线？”


从工厂的马达到墙上的插座，技术的演进从未改变。世界正在发生巨变，AI的能力已经足够强大，只是我们给它安排的工位，实在是太小了。

hnn

文章中指的AI工具是哪些？是deepseek这种？

ress

莫名其妙，都已经提到搜索的数据不准确，还扯一大堆让ai从头到尾完成任务，一错到底呗？

voo

我们需要看到的是作者个性化的观点，AI带来的是高概率观点，更进一步的我们需要前瞻性观点，网上能搜罗到的信源滞后性怎么解决，除非文章本来就是给不在乎探索性读者看的。

com2

谢谢楼主分享！

yzszh64

感谢分享。