过去需要三周才能完成的项目，现在一周就能收尾。曾经耗费一整天的报告，午饭前就能搞定。然而，员工却在尚未就这种加速标准是否可持续、准确或公平达成共识之前，就已经被按照这一基准来评估了。效率红利流向了组织，而加剧的压力则落在了个人身上。

在几乎所有正在采用人工智能的行业中，同样的模式正在浮现。效率的提升并没有以恢复时间的形式回馈给员工，而是被——通常是立即——转化为更高的产出期望。这一潜在逻辑虽然很少被公开说出来，却十分直接：如果AI释放了你下午的部分时间，那么这段时间现在已被分配给下一个交付任务。员工并没有收回时间，而是在同样有限的工作时间内，面对着加速安排的额外任务。

这并非第一次出现变革性技术承诺减轻工作负担、实际却加剧负担的情况。经济学家罗伯特·索洛在1987年就观察到，计算机似乎无处不在，唯独没有出现在生产力统计中——这一现象后来被称为"生产力悖论"。电子邮件、即时通讯和移动设备都经历了类似的轨迹：每一种技术的采用初衷都是为了节省时间，结果却扩大了员工被期望处理工作的范围和节奏。当前AI浪潮的独特之处在于其采用的速度和广度，以及AI正在承担此前被认为需要人类判断的认知任务这一事实。

研究结论一致：AI正在加剧而非减轻工作

GoTo和Workplace Intelligence的研究以罕见的清晰度阐明了这一悖论。他们的Pulse of Work in 2026研究调查了十个国家的2,500名员工和IT决策者，发现员工使用AI工具每天可节省两个多小时。然而，同一研究也揭示，60%的员工感到被迫使用AI来提高生产力，50%的员工表示对AI依赖过度，39%的员工认为这种日益增长的依赖正在削弱自身智力。生产力提升与人力绩效成本正在同步显现，但大多数组织只追踪了等式的一端。

另一项由ActivTrak进行的分析涵盖了超过1,100个组织的4.43亿小时工作活动数据，发现AI使员工在电子邮件和即时通讯上花费的时间翻了一倍，而专注的深度工作下降了9%。今年早些时候发表的一项《哈佛商业评论》研究报告称，在采用AI之后，员工以更快的节奏工作，承担了更广泛的职责，并将工作延伸到一天中更多的小时——通常是在未被要求的情况下。这些工具在生成更多活动的同时，正在侵蚀那种赋予活动价值的高质量思考能力。

这些发现建立在当前AI热潮之前就已存在的担忧之上。世界卫生组织于2019年正式将职业倦怠认定为一种职业现象，盖洛普在AI普及前的研究也持续发现全球劳动力参与度下降的趋势。AI并非凭空创造了这些压力——它是在本已紧张的工作场所文化之上叠加了新的认知负担。

以速度而非判断力来评估

当AI压缩了时间线，最显著的变化就是速度。由于速度是AI采用中最易于理解和量化的产出，它迅速成为绩效的事实替代指标。盖洛普的研究发现，65%的员工表示AI提高了他们的生产力，而管理者中频繁使用AI的比例自2023年以来从15%翻倍至30%。然而，日益增长的采用率正在制造一个不断扩大的鸿沟：领导者报告了最强的生产力提升，而个人贡献者最不可能获得关于如何有效使用AI的指导。与此同时，54%的管理者表示工作场所的期望因AI而直接上升。绩效标准正在攀升，而评估框架却未能跟上步伐。

以速度为中心的评估所忽视的，恰恰是AI无法完成的认知工作：验证产出的准确性，在幻觉固化为决策之前拦截它们，以及运用模型所缺乏的情境判断。审查AI生成材料的错误，并将一份80%完成的草稿提升为真正高质量的工作，并非可以自动驾驶般完成的例行苦差。这是全天候在后台运行的高管级判断。当员工主要以其产出速度来评估时，那种隐形的认知劳动便得不到认可——并最终被耗尽。

由此产生的下游后果是研究人员开始称之为"workslop"（工作垃圾）的现象：当速度成为唯一被衡量的指标时，大量低价值的快速产出会涌入组织。GoTo和Workplace Intelligence的研究发现，43%的员工在怀疑AI生成内容质量低劣或包含错误的情况下仍然提交了这些内容，77%的员工表示审查AI生成的工作比审查人工创作的工作更耗时。正如Built In所报道的，当管理者将加速产出置于一切之上时，员工会默认重数量轻质量，而下游同事则需花费额外时间修正AI产出的内容。在实践中，更快的产出往往意味着更慢的净进度。

无人中断的循环

使这一动态特别难以解决的原因在于它会在无声中不断累积。GoTo和Workplace Intelligence的研究发现，65%的员工表示雇主未能随着AI承担更多工作而为他们配备所需技能，80%的员工表示大多数员工未获得充分培训来有效使用AI工具。然而，近四分之一的IT领导者报告称，AI相关的错误已经影响了客户或公司的财务表现。组织正在加速采用AI，却对维持其所需的人力基础设施投入不足。

向董事会报告AI驱动的生产力提升的领导者，通常不会同时报告认知负荷的同步增加、专注工作时间的下降，或这些提升所依赖的判断质量的侵蚀。在演示文稿中看起来良好的指标会被呈现出来。而那些会揭示人力成本的指标尚未被构建。

领导者需要做出哪些改变

第一个干预措施最为直接，也最为罕见：真正将节省的时间归还给员工。当AI将三周的项目压缩为一周时，组织的默认反应是再分配两周的工作。替代方案是将收回的产能用于AI无法完成的任务——培养更深层的专业关系、进行更严谨的质量审查、追求技能发展，以及运用那种能产生持久而非权宜之计的从容判断。将每一次效率提升视为增加更多工作之许可的组织，将会发现自己构建的是一个更快的仓鼠轮，而非一支更有能力的劳动力队伍。

第二个优先事项是重新设计绩效评估方式。产出量最大的员工未必创造最大的价值。那些在AI错误固化为决策之前拦截它们、运用情境判断使产出真正可用、并在他人追求数量时维持质量的员工，才是组织最迫切需要识别和留住的人才。实现这一目标需要衡量影响力而非产出量——这是一个更复杂的挑战，但其答案也更有价值。

第三个要务是在每个组织层面进行坦诚的期望设定。大多数员工并非为了在现有职责之上管理一套AI系统而入职的。他们加入是为了做好自己的工作。当组织引入AI工具却不重新校准工作负荷、截止日期或成功标准时，它们并没有在赋能员工。它们在悄悄地重新定义什么是"足够"的基线——而不去审视是否有人能持续维持。这场对话应当在公开场合进行，而非隐藏在某个生产力仪表板之中。

Fortune.com评论文章中表达的观点仅为作者个人观点，不一定反映Fortune的观点和信念。

本故事最初发表于Fortune.com。