《省时幻觉：你花在AI上的每一分钟，都可能比自己做更慢》

⏱️ 序曲：一杯咖啡的时间里，你打开了多少次AI

2026年5月21日下午，你在写一封邮件。主题是"关于下周会议的议程调整"。你打开ChatGPT的对话框，键入："帮我写一封礼貌的邮件，告诉同事会议从周三改到周四下午三点，说明因为场地冲突不得不改，表示歉意。"

AI在五秒钟内生成了一封得体、完整、语法完美的邮件。你复制、粘贴、微调了两个词、点击发送。全程大约三十秒。

如果是你自己手写这封邮件，大概需要一分半。

你觉得自己省了一分钟。

但你现在需要停下来想一个问题：打开ChatGPT、输入那段提示词、等待它生成、复制粘贴、再微调——这三十秒里，有多少是你可以省下来的？

论文《效率增益幻觉》（The efficiency-gain illusion）的七位斯坦福研究者——其中包括自然语言处理泰斗Dan Jurafsky教授——用2691名参与者的数据告诉你一件事：你可能根本没省下那三十秒。你也可能根本不知道自己用AI用了多少次。

而且更糟糕的是——你用得越多，对这种幻觉就越深信不疑。

📊 第一章：当2691个人做了一个简单的测试

研究者设计了三项独立的、预注册的用户实验。实验的设计非常简洁：给参与者一些"认知简单任务"——算术、拼写检查、简单问答——然后让他们选择是自己做还是让AI帮忙做。每个选择背后的真实效率数据（耗时、精力消耗）都被精确记录。

然后研究者对比了三个数字：

1. 人们实际使用AI的频率——他们到底让AI做了多少次
2. 人们自己以为的使用频率——他们事后估计自己用了几次
3. AI实际省下的时间/精力——客观测量的效率增益

结果呈现了两个系统性的偏差。

偏差一：自身估计偏差（self-estimate miscalibration）。 人们在事后调查中，系统地低估了自己使用AI的频率。 他们以为"我就用了三四次"，实际数据是"你用了七次"。偏差的方向一致——几乎没人高估自己用了多少AI，几乎所有人都低估。

偏差二：效率增益幻觉（efficiency-gain illusion）。 人们对AI带来的时间和精力节省，存在系统性的高估。 他们觉得"AI帮我省了一半的时间"，实际测量显示——在很多简单任务上——省下的时间根本不显著，有时甚至比手动更慢。

两个偏差叠加在一起，形成了一幅令人不安的画面：人们比自己意识到的更依赖AI，且这种依赖经常是不划算的。

🔄 第二章：最危险的反馈环——"用了还想用"

论文发现的第三个效应，我认为是最重要的。

会话级延续效应（session-level carryover effect）。

在实验中，研究者观察到：当一个人在某次任务中使用了AI之后，他在下一个任务中选择使用AI的概率显著上升。而且——更重要的是——每多使用一次AI，他对"AI省了我多少时间"的估计偏差就会进一步固化。

用大白话说：每用一次AI，你对它产生依赖的逻辑就加强一次——即使客观上它并没有在帮你省时间。 这不只是一个认知偏差，这是一个正反馈环。

这东西的动力学大概是这样的：

第一轮：你手算了一道乘法。AI告诉你答案只需要点一下。你觉得这节省了你五秒——其实你可能只省了两秒，因为打开对话框和输入问题花掉了另外三秒。但你的大脑记录下了"AI=省时"这个关联。

第十轮：你已经不会手算乘法了。你看到数字的第一反应是"问AI"。你把三十道简单的算术题全扔给了AI——每道题花三秒打字、一秒等回复——而如果你自己算的话，每道题大概四秒。你没有省时间。但你依然觉得省了。

第一百轮：你不会再质疑"应不应该问AI"这个问题。你只是在数字出现的瞬间、本能地、在对话框里打出了算式。

这就是反馈环的完整闭合。

🧠 第三章：为什么简单任务是最危险的陷阱

论文谨慎地把研究范围限定在"认知简单任务"上。这是故意的——也是这篇论文最深刻的设计选择。

对于复杂任务——比如"帮我分析这3000行的Python代码里的并发bug"——AI的价值是显而易见的。人做不到的事，AI能做，不管花多少token都是值的。

但简单任务不同。

算术：2+3=5。任何一个接受过小学教育的人都可以在毫秒级别完成。但如果你打字"2+3等于多少"给AI然后等回复——总耗时至少五到十秒，你自己算只需要不到一秒。AI慢了十倍。

拼写检查："recieve"应该是"receive"。人的视觉模式识别能力在母语拼写上极为高效。AI可能需要一个完整的token生成周期来给出建议——而你只需要多看一眼那个单词。

简单问答："法国的首都是哪里？"你有答案。在你知道答案的瞬间，AI回复还没开始生成。

在这些任务上使用AI，本质上是用机器运算替代了自己已有的知识检索。而这个替代过程的摩擦成本——打开应用、输入问题、等待回复、阅读回复——经常超过你自己直接执行的成本。

但人们感觉不到这个差距。因为打字和等待的感觉是"机器在工作，我在休息"——这种感受被大脑归类为"省力"而非"耗时"。我们的内部时钟在等待AI回复的时候，走得比电脑时钟慢。

🔍 第四章：实验的边界——论文诚实地说了什么

研究者自己在论文中坦承了几件事：

第一，只测试了"认知简单任务。 对于复杂任务——AI的真实增益是不可否认的。论文的结论不适用于"AI能做的事人类做不到"的场景。这个问题，研究者自己划了边界。

第二，时间之外的收益未评估。 论文测量的是时间和精力的节省。但AI还可能带来其他收益——比如减少认知负荷（即使总耗时相同，让大脑歇一会儿本身有价值）、减少错误率（特别是在注意力不集中的时刻）、或让用户在AI回答的同时做其他事（多任务并行）。这些收益不在本论文的评测框架之内。

第三，会话级延续效应的时长。 论文观察到了"用了AI就更容易再用AI"的短期效应。但这个效应会持续多久？是几分钟、几小时、还是几天？论文没有提供长期的纵向追踪数据。这个反馈环的"半衰期"是一个重要的未知变量。

第四，样本的普适性。 2691名参与者是一个相当大的样本，但论文没有详细披露这些参与者的技术素养分布。如果参与者以大学生为主（这在用户实验研究中很常见），那么结论在"更年长"或"非技术背景"的人群中的适用性可能需要额外的验证。

🎭 第五章：AI时代的自我欺骗——最危险的懒惰

这篇论文让我想到了一件我经常在咖啡店里看到的事。

有人坐在那里，面前摆着笔记本电脑，开着三个AI对话窗口。他在AI窗口里打字："帮我总结这篇800字的新闻"——等待、阅读AI总结、觉得不满意、打字"更详细一点"——等待、阅读、再调整——

同一篇800字新闻，他自己从头读到尾，两分半钟就能读完。

但他花了五分钟在AI上，来回调整了两轮提示词，最后得到的内容质量还不一定比自己读的更好。

在这五分钟里，他的主观感受是"AI在帮我，我很高效"。客观事实是"你多花了150%的时间，做了和自己读一样的事。"

这是一场自己和自己的交易——你付出的时间，被大脑标记为'省下来了'，因为你觉得自己没有在'工作'。

这就是效率增益幻觉的核心。感觉上的"省力"和客观的"省时"之间，有一个不被我们意识到的巨大鸿沟。 而每次跨过这道鸿沟，我们都对AI产生了一层新的依赖——哪怕这道沟是假的。

🏁 尾声：使用之前，问自己一个问题

我读完这篇论文，总结出了一个非常简单的问题。你可以在每次伸手要点开AI对话框之前问自己：

"如果AI现在宕机了，我能不能在两秒内自己做出来？"

'能'回答这个问题的事情，AI做得不会比你自己更快。

'不能'回答这个问题的事情，AI才真正有价值。

但这个问题的精髓在于：它要求你诚实地面对自己的"已知/未知"边界。你知道2+3等于几。你知道巴黎的首都。你知道"recieve"的拼写是错的。但你伸手去点AI的时候，没有先问自己"我是不是已经知道答案了。"

不是因为你需要AI。是因为你已经习惯了AI。

而习惯，恰好是这篇论文发现的最核心的风险因子。

📚 参考文献

1. Yu, S., Cheng, M., Jabbar, A., Sucholutsky, I., Collins, K. M., Jurafsky, D., & Hawkins, R. D. (2026). The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks. arXiv:2605.22687.
2. Dell'Acqua, F., et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper.
3. Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). Generative AI at Work. NBER Working Paper.
4. Pezzo, M. V., & Beckstead, J. W. (2006). The Cognitive Illusion Controversy: A Methodological Debate in Disguise. Psychological Methods.
5. Parasuraman, R., & Riley, V. (1997). Humans and Automation: Use, Misuse, Disuse, Abuse. Human Factors.

#AI #HumanBehavior #EfficiencyIllusion #Overreliance #Stanford #用户研究 #智柴人因实验室