為什麼我們用 AI 反而更累了？麻省理工最新研究：因為我們都用錯了
為什麼我們用 AI 反而更累了？麻省理工最新研究：因為我們都用錯了
「怎麼用了 AI 之後，我反而覺得更累了？」
前幾天，一位朋友跟我瘋狂吐槽：「以前寫份企劃案，我自己理順思路，半天也就寫完了。現在倒好，我讓 AI 幫我寫，它 10 秒鐘是生成了一大堆，但我得花半個小時去核對資料、修改語病、糾正它一本正經的胡說八道。這哪是人工智慧，這簡直是我招了個需要手把手教的笨實習生！」
我猜，肯定有不少人也有同樣的感受。
過去這兩年，我們被鋪天蓋地的 AI 神話包圍，總覺得它能一鍵包辦所有工作。但真到了實際打工的日常裡，AI 卻經常變成一個打斷心流的麻煩精。到底是我們太笨，還是 AI 太蠢？
最近，麻省理工學院（MIT）、耶魯大學和微軟的研究人員聯合發表了一篇名為《任務鏈式處理與工作的重新定義》（Chaining Tasks, Redefining Work: A Theory of AI Automation）的重磅論文。
這篇論文一針見血地指出了問題所在：如果我們只把 AI 當成提升單個任務效率的工具，那我們就完全限制了它的真正價值。
今天，我們拋開晦澀的演算法參數，直接用大白話聊聊這篇論文揭示的殘酷真相：為什麼我們的 AI 不好用？以及，AI 到底該怎麼用？
致命的交接成本
絕大多數普通人是怎麼用 AI 的？
以寫一篇文章為例：構思大綱（人） ➔ 生成草稿（AI） ➔ 修改潤飾（人） ➔ 校對錯別字（AI） ➔ 排版發布（人/AI）。
發現問題了嗎？在這個工作流裡，人類和 AI 在不斷地來回交接。
論文中指出，這種按任務來使用 AI 的方式，隱藏著一個巨大的黑洞：協調與驗證成本。
每一次工作從 AI 交回到人類手裡，我們都需要進行閱讀、審核、驗證和調整。在這個過程中，我們的思路是被打斷的，我們的注意力是被極度消耗的。很多時候，人類幫 AI 擦屁股和審核把關的時間，早就抵消了 AI 幫我們省下的時間。
這就是為什麼我們總覺得用 AI 像在帶實習生，因為我們把工作切得太碎了，導致人機溝通和監督的成本急遽上升。
真正的魔法：任務鏈式處理（Task Chaining）
既然單打獨鬥不行，那該怎麼辦？研究團隊提出了一個極其關鍵的新概念：任務鏈式處理（Task Chaining）。
我們應當把工作看作一條完整的流水線，打破孤立看待單個任務的習慣。企業和個人真正應該做的，是將多個相鄰的任務打包串聯起來，讓 AI 一口氣從頭跑到尾，中間不需要人類插手，人類只負責在最後一步驗收最終成果。
論文中舉了一個非常生動的例子：講課與輔導。這兩個工作看起來很像，但被 AI 改造的潛力卻天差地別。
講課（Lecture-based teaching）： 老師備課的工作流是連續的——查閱資料 ➔ 製作簡報（PPT） ➔ 生成教學案例。這些任務相鄰且連貫。我們完全可以把這一整條任務鏈丟給 AI，讓它直接吐出一份完整的教案，老師只做最後的審核。這種效率提升是爆炸性的。
輔導（Tutoring）： 輔導是一個持續互動的過程——老師講解 ➔ 學生提問 ➔ 老師根據回饋調整。在這個過程中，機器和人（學生）在不斷地交接，任務被嚴重打碎。因為無法形成完整的任務鏈，AI 在這裡能發揮的自動化價值就非常有限。
這就引出了一個顛覆認知的新工作設計原則：任務的排列方式，和任務本身能不能被自動化一樣重要。 我們的工作能不能被 AI 賦能，往往取決於我們能不能把適合 AI 幹的活兒，毫無縫隙地拼在一起。
案例解析：一條沒有人工干預的自動化流水線
其實，在看到這篇論文之前，我在實戰摸索中也得出了完全一致的見解：想要真正發揮 AI 的威力，就必須幹掉人機互動的高昂摩擦。
基於這個洞察，我設計並開源了一套「小紅書圖文生成工作流」。過去做一篇圖文，我需要自己找資料、讓 AI 寫文案、自己排版、再讓 AI 配圖，中間無數次溝通修改，這就是典型的「高摩擦」工作流。
為了徹底幹掉人機互動的摩擦，我將整個流程進行了「最小步驟拆解」，設計了 1個總控 + 4個獨立的執行模組：
信源採編器：用腳本鎖死爬蟲邏輯，只負責去網上扒內容、提乾貨，杜絕 AI 亂編新聞的幻覺。
商業寫作器：拿到乾淨的底稿後，AI 只需專注一件事——根據預設網感提煉標題、生成帶 Emoji 的爆款文案。
配圖生成器：把呼叫畫圖 API 和儲存檔案的機械流程用程式碼寫死，AI 只負責發散腦洞、構思絕美畫面的提示詞（Prompt）。
飛書審閱入庫器：最後用腳本將圖文自動打包，規規矩矩地推送到多維表格裡。
在這條精心設計的任務鏈裡，1個總控腳本盯著這4個獨立模組按順序跑。上一個模組的產出直接自動餵給下一個模組，中間沒有任何人類插手的餘地。 複雜的機械執行被程式碼關進了 SOP 的籠子裡，而 AI 最擅長的創意與理解力被無限放大。
只需要在源頭扔進去一個連結，然後在終點端著咖啡，在飛書裡點個頭確認發布就行了。這就完美實現了論文中提到的極致系統效率：消除摩擦，減少交接。
你可能會問：這套流水線跑起來，真的每一環都比人工做得好嗎？比如，寫出的文案一定比老練的編輯更有網感嗎？
這就引出了這項研究中最反直覺，但也最震撼的發現：
系統效率 ＞ 局部完美
很多老闆和完美主義者可能會跳出來反駁：「AI 幹活不精細啊！在收集資料這一步，我手下的老員工比 AI 做得好多了，憑什麼要把整條線交給 AI？」
答案是：AI 並不需要在每一項具體任務上都超越人類，才能創造巨大價值。
為什麼？因為如果我們讓那個老員工去收集資料，這條 AI 任務鏈就被打斷了。資料收集完，又得經歷一次人機交接，增加一次驗證成本。
論文明確指出，就算人類在某些中間環節比 AI 做得更好，把整條任務鏈全權交給 AI，依然是更優解。
讓 AI 從頭到尾獨立處理，能徹底消除摩擦，減少交接環節，極大地加速整體產出——哪怕中間某個環節的品質略微下降了一點點。因為我們省下的是極其昂貴的人力協調時間。
這就好比當年亨利·福特發明汽車流水線。流水線上的工人，單獨拉出來可能不如傳統的全能老工匠手藝精湛，但作為一條連續的系統，流水線的降維打擊是毀滅性的。在 AI 時代，系統層面的極致效率，永遠大於任務層面的局部完美。
工作正在被重新定義
歷史上，我們對「職位」的定義，是基於人類的生理和腦力極限來打包任務的。但 AI 正在重寫這個方程式。
論文提到，在 AI 引入的早期，因為我們需要購買工具、學習提示詞、忍受高昂的交接成本，AI 帶來的收益甚至可能覆蓋不了成本（這就是著名的生產力 J 曲線）。
但只要跨過了那個臨界點——當我們徹底突破 AI 只是打字機的侷限，開始圍繞 AI 重新設計整個工作流時，真正的紅利才會爆發。
在這個過程中，傳統的打字員、執行者角色將被大量壓縮。未來的工作，重點將轉變為比拼誰能更好地設計流程、誰的洞察力更強，純粹比拼誰寫程式碼更快或者誰做簡報更熟練的時代已經過去。
如果我們能把繁瑣的日常任務連成這樣一條條全鏈路的 AI 任務鏈，我們就能騰出手來，去承擔更多需要複雜判斷力、戰略決策和情感共鳴的高價值工作。一個人加上一套嚴密的自動化工作流，就能幹完一個團隊的活。
所以，別再問「AI 怎麼才能幫我更快地完成眼下這個任務」了。
我們真正該問的是：「我們該如何透過拆解和串聯，把工作流打造成一條無需人工干預的 AI 流水線？」
從工廠的馬達到牆上的插座，技術的演進從未改變。世界正在發生巨變，AI 的能力已經足夠強大，只是我們給它安排的工位，實在是太小了。