经济学里的一个谜题，最近好像在我身上应验——生产力悖论。
以前写一篇专栏，从零开始，一个概念一个概念地思考、调整、优化。虽然慢，但思维节奏和打字节奏是同步的。现在有了人工智能（AI），我可以先把初步的概念写成指令（prompt），让它生成文字，我再修正指令，让它继续完成一个初稿。这听起来轻松了，实际上和AI一来一往，审核产出、调整偏差、修正指令的过程中，需要不停的判断，脑力负荷更重。
这个过程中也产生出很多过不了自己这关的文字，自己看了都嫌弃的“工作废料”，只能毫不犹豫地删除。来来回回一段时间，最后还是“我手写我脑”，自己一个字接一个字，一段又一段地把文章写出来。这期间所花的额外时间，是流失的生产力。
相信我不是唯一因此感到迷惘的人，经济学家早就给这种现象取了名字，叫“生产力悖论”（Productivity Paradox），而在生成式人工智能井喷式发展两年多后，我们开始感受到“AI生产力悖论”。
生产力悖论是诺贝尔经济学家索洛（Robert Solow）提出的经济学术语，指的是像1990年代个人电脑刚普及，新技术刚出现的头几年，生产力往往不是立刻飞升，而是先下滑一段时间，像一个“J”型曲线。
新技术刚引入的时候，人们往往只把它当作现有工作方式的加速器，而没有改变工作流程本身，更没有改变人的认知模式。结果就是电脑让文字处理更快，但我们要处理的文件也更多了；电邮让沟通更便捷了，但我们要处理的邮件也爆炸了。工具能力的提升，并没有直接转化为人的轻松，反而带来了新的负荷。当年的主角是电脑，现在是AI。
如今我们大概处于J型曲线的底部。我们看到各种模型和相关的应用层出不穷，如不甘落后的科技人在养的“小龙虾”OpenClaw、GLM-5、Claude Opus、Codex等等，人们花了钱订阅一堆服务、上了一堆课程、看了无数解说视频，开始能有效和安全地把这些新模型应用得好的却不多，反而因为AI的产出太旺盛，检查的工作也相应增加。
对知识和创作型行业来说，情况也一样。因为AI可以处理繁琐和重复性工作，比如可格式化和有结构的数据整理、基本文件摘要，然而在知识和创造性工作方面却很难生产有深刻见地的内容。举个例子，我的AI助理可以帮我写文告式的新闻，但是没有办法单独写出优质的特写和评论文章。就算它写出一篇洋洋洒洒的长文，语法上很流畅，但是内在逻辑却经常接不上。
明明很多人都说，AI能够帮他们生产内容、写短文、做视频，我自己也这么说过，为什么现在又说AI会制造工作糟粕，这不是自相矛盾吗？
进一步想，这其实一方面是用水平式工具去处理垂直型问题，另一方面又把“做得快”和“做得好”这两个要求重叠在一起。
举个例子，我们要设计一款问答游戏，让AI产出问题。这个步骤并不困难，把提示词写了，问题范围定好、资料的范畴也给它，然后规定好输出格式就行。因为AI是个不会在量方面发出任何怨言，可以做牛做马的员工，所以就大胆地要求它出超过需要的1000道题。只需要倒一杯茶的时间，它就完成任务，但是产出的问题，90%不能直接用，需要仔细选择再逐题修改和优化。
“做得快”和“做得好”这两个不同的要求叠在一起，用只有一般能力和水平的横向工具，去处理各种对垂直领域有专业要求的问题。AI是通用工具，但很多工作是高度专业化的。通用能力可以快速铺开，却很难直接满足专业标准。是构成这个时代的“AI生产力悖论”的原因之一。
好比以前自己是巧手工匠，现在成了管工，过去自己专注做好一件事，现在不需要动手但需要时刻保持警觉，不断做微决策，在AI生成的许多选项里，判断哪个最好。这种高频的微决策，比单纯执行更消耗心力。换言之，你在用AI撬动更高难度的问题，自己未必能够休息。这是一种“转型之痛”：工具越强，人越累。不是工具错了，是我们还没学会和它共处。
以写专栏来说，过去的写作方式是慢慢一步一步去越来越接近最后成稿。现在借助AI，是更快抵达“很多版本”的结果，但却不容易达到我们心中的标准。
这篇专栏是第六个版本，我的AI助理不是接受指令，生成文章的员工，我让它扮演一位博士水平的对谈伙伴，接我提出的问题一起讨论，最后完成这篇文章。AI没有替我把文章写完，却逼我更清楚地知道，哪些句子不能要，哪些概念必须重想，哪些判断不能偷懒。
也许，这就是“AI生产力悖论”真正提醒我们的事：新工具不会自动带来轻松，它只会更快地放大我们的能力，也更快地暴露我们的局限。对于知识和创作型工作者来说，未来最重要的能力，不只是会不会用AI，而是能否在机器大量生成的时代，仍然保有判断、取舍和慢下来的能力。
（作者是华文媒体集团副社长）
