用了AI，效率是高了，但工程师的压力并没有少

公司引入AI工具之后最常出现的剧情是这样的某个环节的速度明显快了管理层看到数据自然而然地把预期也提高了。原来两周的任务现在压到一周。工程师用着AI但并没有感到轻松。AI节省的时间大部分被消化AI输出的工作吃回去了AI生成代码的速度确实快但这只是流程的一部分。更现实的情况是AI输出需要人来核查。AI在生成代码时缺乏对整体系统约束的感知。有时候找出AI代码里的问题比从头写还要花时间——因为从头写你对每一行的意图都清楚而审查AI的代码需要先理解它在想什么再判断有没有问题。持续的批判性审查是一种认知负担使用AI的时候有一种状态是很耗神的——你不能完全信任输出但又不想每次都从头来所以处于一种持续检查的状态这一段逻辑对不对有没有遗漏边界情况和上下游接口匹配吗这种持续的审查本身就是认知负担。跟自己写代码时的专注流不一样更像一种碎片化的高强度核查状态。提效的收益被预期提升对冲掉了AI节省下来的时间往往没有还给工程师而是变成了新的工作量。产出预期提高了任务密度增加了排期更紧了。工程师处理的任务数量多了但每个任务里需要做判断和决策的部分并没有减少甚至因为任务密度增加而更容易出错。AI真正能卸载压力的场景其实比较有限重复性强、边界清晰、格式固定的工作。比如自动生成寄存器描述文件的代码框架批量处理仿真结果的脚本或者生成标准化的模块骨架代码。这类工作AI做得又快又好工程师确实能省事。但在架构设计、验证策略制定、需求对齐这些需要持续判断的环节AI改变的是工作方式不是工作量。认清楚这一点对于工程师自己调整工作节奏很重要对于管理者制定合理预期也很重要。AI是真实有用的工具但它不是一个能让整体工作量减半的魔法——把这个幻觉拆穿才能在实际工作里用好它。