摘要：AI 没有发明职场低效，但它让“看起来正在解决问题”的痕迹，变得更快、更便宜、更像真的。
现代职场有一个越来越荒诞的现象：大家都很忙，文档越来越长，会议越来越密，状态更新越来越精美，项目看起来越来越“规范”，但真正推进的事情却越来越少。
No One’s Happy 近日发表的《Appearing Productive in The Workplace》之所以在 Hacker News 上引发热议，不是因为它又批评了一遍“AI 会制造垃圾内容”，而是因为它戳中了现代职场更隐蔽的一层病灶：很多公司真正奖励的，早已不是解决问题，而是制造“看起来正在解决问题”的痕迹。[1]
AI 没有发明这种低效，但它让这种低效变得更快、更便宜、更像真的。
生产力没有消失，只是变成了表演
过去，一个需求可能只需要一页纸。现在，它可以轻松变成十二页 PRD，里面有背景、目标、范围、用户故事、风险、依赖、时间表、成功指标、FAQ，以及一堆看似专业的 AI 生成段落。
过去，一个状态更新可能只有三句话：做了什么，卡在哪里，需要谁帮忙。现在，它变成了“摘要的摘要”，每个要点下面还有二级要点，甚至配上 emoji、表格和总结框。
No One’s Happy 那篇文章里最锋利的一句话是：凡是能被拉长的职场产物，现在都会被拉长；而生产这些东西的人不一定读它，接收它的人也不一定读它。[1]
这不是简单的文风问题，而是组织激励出了问题。
因为在很多公司里，真正的工作太难衡量。一个工程师提前发现架构风险，可能避免了未来三个月的返工，但这件事很难被写进周报；一个产品经理砍掉一个错误需求，可能为公司节省了大量开发成本，但它看起来不像“产出”；一个技术负责人说“不做”，往往比写十页方案更有价值，但在管理系统里，“不做”很难被当成业绩。
于是，最容易被看见的东西开始胜出：文档、会议、更新、看板、流程、仪表盘、计划表。
真正的生产力，是把复杂问题变简单。表演式生产力，是把简单事情包装得很复杂。
AI 让“看起来专业”变得廉价
生成式 AI 最大的能力之一，就是把粗糙想法迅速包装成专业产物。它能把一句模糊需求扩写成完整方案，把一个会议纪要整理成结构化行动项，把几行代码扩展成一套看起来很完整的工程框架。
问题在于，AI 生成的东西经常具备一种非常强的“表面专业感”：语言流畅，结构完整，术语密集，语气自信。对于非专业读者，尤其是远离一线细节的管理者来说，这种产物非常有欺骗性。
文章中提到一个典型场景：一个并非数据架构专业的人，借助 AI 花了数月搭建系统，产出了大量代码和文档，表面上看起来非常有进展，但在真正懂行的人看来，从目标到 schema 都存在根本性问题。更糟糕的是，组织已经投入了足够多的注意力和情绪成本，以至于指出问题的人反而像是在“阻碍进展”。[1]
这就是 AI 时代的新型风险：不是外行不会做专业工作，而是外行现在可以把不懂的东西包装得像懂。
过去，一个新手写出来的东西往往有明显的新手痕迹。代码会以新手方式崩溃，文档会以新手方式混乱，方案会暴露出理解上的空洞。资深人士很容易判断：这个人还没到那个水平。
但 AI 抹平了很多表层差异。新手的产物不再像新手产物，因为真正提供表达能力、结构能力和术语能力的是模型，而不是人。人变成了一个“输出转发器”：能把模型生成的东西交给别人，却未必有能力判断它到底对不对。
这才是最危险的地方。
职场垃圾，正在从公网流向内网
过去我们谈“AI 垃圾内容”，通常想到的是互联网上的低质文章、SEO 农场、自动生成的营销号、假评论、假图片。但 No One’s Happy 提醒我们，真正昂贵的 AI 垃圾，可能不是流向公网的，而是流向公司内部的。
因为公司内部的 AI 垃圾是带工资成本的。
一个员工用 AI 写了一份没人读的长文档，这不只是多了一份文件，而是消耗了他的时间、读者的注意力、评审者的判断力，以及整个团队在“理解这份材料到底说了什么”上的认知资源。
当生成成本趋近于零，阅读成本并不会趋近于零。相反，阅读成本可能还在上升。因为读者不但要读内容，还要判断：哪些是事实，哪些是套话，哪些是模型自动补全出来的上下文，哪些是真正需要决策的信息。
Hacker News 上的讨论之所以热烈，正是因为很多工程师和管理者都经历过这种变化。有人感叹，过去一份十二页规格文档至少说明作者投入了时间；现在，专业排版、清晰段落和漂亮表达，已经不再是认真工作的可靠信号，因为这些东西可能只是几分钟生成出来的。[2]
这其实意味着，职场的信号系统开始失灵了。
过去，长文档、完整方案、精美表达，至少还能部分代表投入程度。现在，它们越来越只能代表“有人会使用生成工具”。真正稀缺的东西不再是表达，而是判断。
为什么管理者特别容易喜欢这种表演
表演式生产力之所以能扩散，不是因为所有人都愚蠢，而是因为它刚好满足了组织的心理需求。
管理者需要可见性。上级需要确定感。跨部门协作需要“对齐”。客户需要感觉供应商在推进。于是，文档、汇报、周报、路线图、风险矩阵、状态看板，就成了组织里的安慰剂。
它们未必解决问题，但它们让人觉得问题正在被管理。
Commerce Architects 对“Productivity Theater”的分析也提到，很多团队会把活动误认为进展，例如冗长站会、没人回看的复盘行动项、完美但没人使用的需求文档、过度细化但很快过期的计划。AI 的加入，会进一步放大这种倾向，因为它让“看起来周全”的成本大幅降低。[3]
这也是为什么 AI 在职场里经常呈现出一种悖论：它本来应该减少无意义工作，却被用来生产更多无意义工作。
以前写一份没人读的报告还需要半天，现在十分钟就能生成。于是组织没有少写报告，反而开始写更多报告。以前整理会议纪要很麻烦，现在 AI 可以自动总结，于是会议没有减少，纪要、摘要、行动项和二次摘要却变多了。
AI 没有自动带来效率，它只是放大了组织原有的激励。
如果组织奖励解决问题，AI 会帮助人更快解决问题。
如果组织奖励看起来忙，AI 会帮助人更像在忙。
工具本身不决定结果，组织文化才决定工具最后会变成什么。
真正的 AI 能力，不是生成，而是判断
这并不是说 AI 在工作中没有价值。恰恰相反，AI 在很多场景中已经证明可以提升效率。
NBER 关于客服人员使用生成式 AI 的研究显示，AI 工具让整体生产率平均提升约 14%，其中新手和低技能员工提升约 34%，但对经验丰富、高技能员工的帮助较小。[4]
这说明一个关键问题：AI 很适合把已有最佳实践扩散给新手，也适合处理反馈清晰、边界明确、结果可验证的任务。但它不适合替代专业判断，更不适合让不懂某个领域的人绕过学习过程，直接扮演专家。
在需求工程领域，也有研究发现，大模型可以帮助自动化和标准化需求文档、节省时间；但生成结果的完整性和精确性高度依赖输入信息质量，仍然需要人类审查、修订和补充上下文。[5]
这句话特别重要：AI 适合作为草稿助手，不适合作为责任主体。
未来职场真正有价值的人，不是“最会让 AI 生成东西的人”，而是知道什么时候该生成、什么时候该删除、什么时候该停下来问一句：这件事到底有没有必要？
AI 时代最稀缺的能力，不是写得快，而是判断什么不该写。
反表演式生产力：少一点产物，多一点结果
要走出这个陷阱，公司需要重新定义“生产力”。
不是发了多少文档，而是减少了多少误解。
不是开了多少会议，而是做成了多少决定。
不是生成了多少方案，而是多少方案真的被验证。
不是 sprint 完成率多漂亮，而是用户问题有没有被解决。
不是 AI 使用率多高，而是它有没有让人更接近真实结果。
一个健康团队应该允许短文档存在，允许“不做”成为贡献，允许工程师说“这个方案看起来完整但其实不对”，允许产品经理删掉需求，允许会议因为没有必要而取消。
更重要的是，要恢复对专业判断的尊重。
真正懂行的人，往往不会把每件事都讲得很花哨。他们可能只写三句话，但三句话里有边界、取舍和风险。他们可能画一张很丑的图，但那张图能指出系统真正的问题。他们可能反复追问一个基础问题：“用户真的需要这个吗？”“这个数据从哪里来？”“这套架构以后谁维护？”“如果失败，代价是什么？”
这些问题不炫酷，也不像 AI 生成的长文档那样令人愉悦。但它们才是工作真正发生的地方。
No One’s Happy 那篇文章真正批判的，并不是 AI，而是现代组织越来越容易把“产物”误认为“进展”。AI 只是让这种误判变得更加规模化、更加自动化、更加难以识别。[1]
结语：别让公司变成内容农场
我们正在进入一个奇怪的职场时代：每个人都能写出漂亮文档，每个需求都能扩展成完整方案，每个会议都能生成纪要，每个想法都能包装成路线图。
但公司真正需要的，不是更多内容，而是更少噪音。
AI 应该帮助我们从重复劳动中解放出来，去做更难、更慢、更需要判断的事：理解用户，识别风险，做出取舍，承担责任。可如果我们只是用 AI 生产更多文档、更多汇报、更多看起来像工作的东西，那它不会让组织更聪明，只会让组织更像一个内部内容农场。
未来优秀公司的分水岭，可能不是谁用 AI 更多，而是谁更有能力克制 AI。
因为真正的生产力，往往不是把一页纸扩写成十二页，而是把十二页废话压缩回一句清楚的话：
我们到底要解决什么问题？