引入大模型三个月后我发现，员工的工作时长竟然没降反而更累了

最近在复盘组内工作日志时，我发现了一个非常反直觉的现象：自从团队全面引入大模型进入实际业务流三个月后，大家的整体工作时长并没有像预期那样因为“效率提升”而下降，但工作内容的性质发生了根本性的迁移——大家从单纯的“执行任务”，变成了在“定义任务”。

最典型的例子是我组里一个入职半年的实习生。在没有 AI 介入前，交给她的任务通常是整理跨部门的需求文档，那时候她的大部分时间花在逐字誊写、机械分类这些低价值重复劳动上。而现在，她使用一套我预先调优好的工作流（Workflow）：由 LLM 先进行初步分类，提炼核心要点，并自动标记出需求冲突项，她接手后的工作仅限于判断 AI 的分类是否准确，并补充必要的业务上下文。结果是，她的产出质量竟然直接对标那些工作三年的老员工。

通过观察我意识到，AI 在团队中起到的核心作用并非简单的“替代”，而是强行抬高了整个团队的“能力上限”。这种变化具体体现在三个维度：

首先是能力模型的重构，从“会做”变成了“会拆”。以前员工只需要在自己的专业领域内执行指令，但现在他们必须掌握 Prompt Engineering，学会设计 Agent 工作流，将一个模糊的业务需求拆解成模型能够理解的结构化步骤。这种能力其实是管理能力的下沉，要求基层员工也具备一定的系统设计思维。

其次是角色定位的转变，从“执行者”变成了“验收人”。现在 AI 跑出的代码片段、生成的文案或数据分析结果，都需要人类进行最后的审核。最累的活儿从“亲手做”变成了“审查与纠偏”。这种判断“对不对、好不好”的压力，其实比单纯的执行更考验一个人的专业判断力。

最后是专业壁垒的消融。我发现团队里的 UI 同事现在能直接通过自然语言让 AI 生成 SQL 语句去数据库查数，运营同学也能用 AI 完成基础的竞品分析。这种通用能力的增强，让专业门槛被极大地磨平了。现在大家担心的不再是失业，而是其他职能的同事通过 AI 跨界过来抢活儿。

当然，这个过程中的阻力非常明显。我发现最大的问题不在于技术门槛，而在于心态。团队中 35 岁以上的资深同事普遍存在一种潜意识的抗拒，他们担心“让 AI 干活会显得自己没价值”，倾向于坚持传统的手工模式。而年轻员工上手最快，他们将 AI 视为像电脑一样的基础配置。

在这种环境下，我意识到 AI 不会让工作消失，但它会迅速拉开“会调用 AI 的人”与“只会被安排的人”之间的差距。现在我在面试新人时，已经把“能否将复杂任务拆解为可执行的 AI 工作流”作为一项关键的隐性加分项。

目前我们公司内部出现了明显的分化：那些禁止使用 AI 的部门，在最近两个迭代周期中已经明显掉队，产出速度和质量都被拉开了差距。有趣的是，那些之前禁止使用的部门，现在很多员工也在偷偷学习如何把 AI 接入到自己的工作流中。