AI 越来越厉害，我们却越来越累——疲惫经济学的解释
AI 越来越厉害，我们却越来越累——疲惫经济学的解释
你有没有注意到一个奇怪的现象：AI 能帮你写代码了，你却比以前更焦虑；工具越来越强大，你的待办清单却越来越长。
先说清楚我是谁，以及这篇文章是怎么来的。
我是一名计算机工程师，不是经济学家。我没有受过系统的经济学训练，也不打算假装自己有。
但我有一个工具：AI。
当我开始感到疲惫——不是累，是那种"越努力越焦虑"的疲惫——我没有直接去刷社交媒体找安慰，而是带着一个具体的问题去问 AI：为什么技术越进步，我反而越累？
接下来发生的事情，让我意识到 AI 改变的不只是写代码的方式，它还改变了一个工程师能"想清楚一件事"的深度上限。在 AI 的帮助下，我查阅了经济学、认知科学和行为心理学的研究文献，把原本需要数月才能建立的跨学科认知，压缩进了几次深度对话。
这篇文章就是这个过程的产物。
它不是一篇经济学论文，但它引用了真实的经济学研究。它不是心理学教材，但它的每一个论点都有学术数据支撑。它是一个工程师，借助 AI，把自己的疲惫研究透彻之后写下的东西。
如果你也是工程师，如果你也感到这种说不清楚的累，这篇文章是写给你的。
这不是你个人的问题，这是一个经济学现象。
什么是疲惫经济学？
疲惫经济学（Fatigue Economics） 并不是一个正式的学术分支，而是一套借用经济学思维来理解"人为什么越来越累"的分析框架。
它的核心前提是：人的认知能量、注意力和时间，都是有限的稀缺资源。 和货币、石油一样，这些资源遵循供需关系、边际收益递减、机会成本等经济规律。
传统的疲劳研究停留在生理层面——睡眠不足、运动过度。但现代人的疲惫，大多数时候不是身体累，而是 认知过载、决策耗尽、期望错配 带来的精神损耗。世界卫生组织在 2019 年将"职业性倦怠（Burnout）"正式纳入 ICD-11 国际疾病分类，定义为"长期未被有效管理的职场压力所导致的综合征"，三大特征为：能量耗尽感、对工作的心理距离或消极感、以及职业效能降低。这是首次在国际疾病标准中承认：疲惫是一个系统性问题，而非个人软弱。
疲惫经济学的视角提供了三个关键洞察：
- 能量是资本：你每天醒来的认知带宽是固定的，花在哪里是一种投资决策，而不是道德问题
- 疲惫是信号：持续疲惫不代表你不够努力，而是提示你的资源正在被错误地分配
- 系统性压力 > 个人意志：当整个行业的节奏加速，个人靠"更努力"无法解决，需要策略性地重新分配资源
理解了这个框架，再来看 AI 时代的开发者困境，就会清晰很多。
一、杰文斯悖论：效率越高，消耗越大
1865 年，英国经济学家威廉·斯坦利·杰文斯发现了一个反直觉的规律：蒸汽机变得更省煤了，英国的煤炭消耗总量反而猛增了。
逻辑很简单：效率提升 → 使用成本降低 → 需求爆炸式增长 → 总消耗反而更多。
今天，同样的悖论正发生在每一个开发者身上。
GitHub 与微软研究院在 2023 年发表的论文《The Impact of AI on Developer Productivity: Evidence from GitHub Copilot》（arXiv:2302.06590）给出了一个令人振奋又令人不安的数字：使用 AI 辅助编程的开发者完成任务的速度比对照组快了 55.8%。这本来是好消息。但杰文斯悖论告诉我们，故事不会到此结束。
AI 帮你把写代码的速度提升了一半以上，但随之而来的不是"少工作一半"，而是：
- 老板期望你交付 3 倍的功能
- 你开始自我要求做以前"没时间做"的事
- 原本要两周的项目，变成了一周——然后下一个项目马上排上来
工具效率的提升，并没有还给你时间，而是被期望的通货膨胀吞噬了。
二、期望通货膨胀：基准线一直在涨
经济学中有个概念叫"相对贫困"——你的绝对收入在增加，但如果增速慢于周围的人，你仍然感到更穷了。
开发者的疲惫，有一半来自于这种相对感知的落后。
五年前，你会用 React 就是加分项。今天，你还不会用 AI 辅助编程，就是"落后"。明年，你不懂怎么 review AI 生成的代码架构，可能就是"不合格"。
不是你退步了，是基准线每隔六个月就抬高一次。
你跑得比以前更快，但跑道在延长。
这种持续追赶的感觉，在心理学上叫 "跑步机效应（Hedonic Treadmill）"——你永远在跑，却永远到不了那个"终于可以停下来"的地方。这一概念由心理学家 Philip Brickman 与 Donald Campbell 在 1971 年提出，他们发现无论正面还是负面的生活事件，人的幸福感最终都会回归基线。用在职业焦虑上，道理完全相同：你达到了上一个目标，基线已经移动，幸福感并不会累积，压力却在叠加。
Stack Overflow 2023 年度开发者调查访问了全球超过 9 万名开发者，结果显示超过 62% 的受访者表示正在学习或使用 AI 开发工具——而仅在一年前，这个比例还微乎其微。技术学习的压力以前所未有的速度向每个人涌来，基准线的抬升已经是行业性事实，而非个别焦虑。
三、认知负债的复利：工具越多，头越重
疲惫不只来自工作量，更来自决策负担。
每一个新工具，都要求你：
- 评估：这个工具值不值得学？
- 学习：花时间上手
- 整合：接入你的工作流
- 维护：跟上版本迭代
AI 时代的开发者，光是"工具选型"就是一门全职工作。Cursor、Copilot、Claude Code、Devin、v0、Bolt……每隔几周就有新的选手出现，每一个都声称"改变了开发方式"。
经济学里有个词叫 "选择悖论（Paradox of Choice）"——选项越多，决策越难，选完之后越不满意。心理学家 Barry Schwartz 在同名著作（2004）中用大量实验证明：当选项从 6 个增加到 24 个，人们做出选择的概率反而下降了近 10 倍，选后的满意度也更低。
更麻烦的是决策本身会耗尽你的认知能量。以色列研究者 Shai Danziger 等人在 2011 年发表于《美国国家科学院院刊（PNAS）》的研究中，追踪了 8 名法官在一天内处理的 1,112 个假释申请。结果令人震惊：刚开始工作时，有利裁决率约为 65%；临近休息前，这一比例接近 0%——不是因为案情变差了，而是因为法官的决策能量耗尽了，大脑倾向于选择最保守的默认选项（拒绝假释）。
开发者每天面临的工具选型、架构决策、优先级判断，本质上和这些法官一样，在消耗同一种有限的认知资源。
加州大学欧文分校教授 Gloria Mark 的研究进一步揭示了另一个维度：每次被打断后，平均需要 23 分 15 秒才能重新进入深度工作状态。 而 AI 时代的开发者，每天收到的新工具推送、技术资讯、Slack 消息……每一条都是一次打断。
你不是能力不足，你是在用一颗 2.0 GHz 的大脑，处理本该运行在集群上的信息负载。
四、机会成本焦虑：不学的代价太贵
"我今晚没学新东西，是不是就落后了？"
这是开发者版本的 FOMO（错过恐惧症），背后是一个隐性的机会成本计算：
学习的时间成本 vs 不学习的竞争代价。
问题在于，这个计算是失真的。诺贝尔经济学奖得主丹尼尔·卡尼曼与阿莫斯·特沃斯基在**前景理论（Prospect Theory）**中证明：人对"损失"的敏感程度约是同等"收益"的 2 到 2.5 倍。也就是说，"不学可能落后"带来的恐惧，在大脑里的权重，天然比"学了能进步"的吸引力大得多——即便实际风险并不那么高。大脑在估算"不学的代价"时，天然会高估风险（损失厌恶），低估休息的回报。
于是你在不该学习的时候强迫自己学习，消耗了深度工作所需的认知能量，导致真正重要的工作质量下降——形成一个负向循环。
最终，你既没休息好，也没学到最有用的东西。
五、出路：满意策略，而非最优化策略
1978 年诺贝尔经济学奖得主赫伯特·西蒙在 1955 年的论文《A Behavioral Model of Rational Choice》中提出了 "有限理性（Bounded Rationality）" 的概念：人不是最优化机器，我们只能在有限信息和有限精力下，找到"足够好"的解——他称之为 "Satisficing（满意化）"，即 satisfy（满足）与 suffice（足够）的合成词。
这不是放弃，而是一种更聪明的资源分配。斯坦福大学经济学家 John Pencavel 在 2014 年研究了一战期间英国军工厂工人的生产数据，发现一个清晰的规律：每周工时超过 49 小时后，边际产出开始下降；超过 55 小时，产出与工作 49 小时相差无几——多出来的时间，几乎全部浪费在效率损耗上。疲劳不是勤奋的副产品，它是超载运转的必然结果。
1. 给自己设定"技术冻结期"
每个季度，选定你的核心工具栈，接下来三个月内不评估新工具。 不是因为新工具不好，而是决策本身有成本，你要把这个成本控制在固定窗口里。
2. 区分"维持性学习"和"突破性学习"
- 维持性学习：跟上已有工具的版本更新，用最短时间完成，不要深陷
- 突破性学习：真正影响你工作方式的学习，值得投入深度时间
大多数人把维持性学习当成突破性学习在做，消耗了深度学习所需的认知资源。
3. 定义你的"足够"边界
问自己一个问题：我需要多少收入，才能过上不焦虑的生活？
把这个数字算清楚。然后你会发现，你其实不需要"永远保持最前沿"，你只需要"足够前沿，能解决这个收入级别的问题"。
超出这条线的学习，是消遣或野心，不是生存必需品——而把消遣当成必需品来完成，才是疲惫的根源。
4. 保护你的恢复性时间
大脑的认知能量不是线性消耗的，它需要真正的空白才能恢复。
不看教程的散步、不思考架构的睡眠、不复盘项目的吃饭——这些不是浪费时间，这是在给明天的深度工作充电。
经济学的视角：休息是生产资料，不是生产间隙。
六、最后：重新定义你和技术的关系
AI 越来越强，这是事实。 期望的基准线会继续抬高，这也是事实。
但你有一个 AI 没有的优势：你可以选择你想要的生活。
AI 不会累，所以它不需要选择。你会累，所以你必须选择。
疲惫不是勤奋的证明，它是资源错配的信号。
当你感到耗尽的时候，不要问"我是不是不够努力"，而要问：
我把精力用在了真正值得的地方吗？
这才是疲惫经济学给我们最重要的启示。
写于 2026 年，一个 AI 能写代码、但人还需要选择怎么活的时代。
参考资料
Jevons, W. S. (1865). The Coal Question: An Inquiry Concerning the Progress of the Nation, and the Exhaustion of Our Coal Mines. Macmillan.
Peng, Z., Kalliamvakou, E., Canny, J., & Tiwana, A. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv preprint arXiv:2302.06590.
Brickman, P., & Campbell, D. T. (1971). Hedonic relativism and planning the good society. In M. H. Appley (Ed.), Adaptation-level theory (pp. 287–305). Academic Press.
Stack Overflow (2023). Developer Survey 2023. Retrieved from stackoverflow.com/research.
Danziger, S., Levav, J., & Avnaim-Pesso, L. (2011). Extraneous factors in judicial decisions. Proceedings of the National Academy of Sciences, 108(17), 6889–6892.
Schwartz, B. (2004). The Paradox of Choice: Why More Is Less. Ecco/HarperCollins.
Mark, G. (2023). Attention Span: A Groundbreaking Way to Restore Balance, Happiness and Productivity. Hanover Square Press. （注：23 分钟打断恢复时长数据来自其加州大学欧文分校研究团队的长期追踪研究）
Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47(2), 263–291.
Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69(1), 99–118.
Pencavel, J. (2014). The Productivity of Working Hours. IZA Discussion Paper No. 8129. Institute for the Study of Labor.
World Health Organization (2019). Burn-out an "occupational phenomenon": International Classification of Diseases. ICD-11 Reference.
If you read this far — thank you.
Come tell me what you thought on X.