生成式AI效率悖論浮現！工程師揭「AI疲勞」真相：產出更多卻更疲憊

工程師 Siddhant Khare 近日發表一篇長文「AI fatigue is real and nobody talks about it」（AI 疲勞是真實存在的，但卻無人提及），揭示「AI 疲勞」這種被忽視卻日益蔓延的現象。

隨著模型、代理、程式設計工具輪番登場，更新節奏甚至快過往年旺季，使「錯失恐懼」（FOMO）情緒瀰漫業界，彷彿一不小心就會被時代拋下。

然而，這場集體追趕的背後，代價正在浮現。

被忽略的 AI 疲憊：產出越多，卻越空虛

Khare 並非業餘 AI 玩家，他長期投入 AI 基礎設施建設，是授權系統專案 OpenFGA 的核心維護者，也開發了多項代理相關工具。然而，在提交職涯新高的程式碼量之際，他卻感到前所未有的耗竭。

他指出，AI 確實讓單一任務更快完成，過去三小時的工作，如今 45 分鐘就能解決，但效率提升並未換來輕鬆，反而讓每日任務數量暴增。

當產能擴張，預期值隨之提高，工程師面臨的是更多任務與更高標準。

這形成所謂的「效率悖論」：AI 降低了生產成本，卻大幅提高了審查、協調與決策的成本，而這些負擔全部落在人類身上。

從創作者到質檢員：心流消失的代價

Khare 指出，在 AI 出現之前，工程師的工作流程是思考、撰寫、測試與發布，創造本身能帶來心流與成就感。如今流程卻變成：撰寫提示詞、等待生成、逐行審查、修補錯誤、反覆重試。

他形容，現在自己彷彿從創作者變成流水線上的質檢員，而這種角色轉換帶來的是決策疲勞，而非創造喜悅。

Khare 指出，這在心理學上是完全不同的工作。創造能帶來「心流」，而審查只會帶來「決策疲勞」。

更諷刺的是，AI 生成的程式碼往往比人類撰寫的更需要仔細審查。每一行看似自信的輸出，都可能隱藏潛在風險。

Khare 表示，如果是同事寫的程式，他能大致清楚其思考邏輯、優勢在哪、哪些地方容易出錯，因此能對熟悉的部分快速掃過，把時間留給重點的區塊。

但當對象換成 AI，情況就完全不同。每一行程式碼都得重新審視，因為無從判斷它的「習慣」與「盲點」。表面上它結構完整、語法正確，也順利通過測試，但難保不會在某個不起眼的邊角埋下隱患，等到深夜流量暴增時才突然出問題。

於是，Khare 被迫耐心的一行一行檢查。閱讀那些並非出自自己之手、也不了解專案背景與團隊脈絡的機器產出，本身就是一種高度消耗心力的過程。

因此，他認為應強化代理的權限控管與安全機制，例如最小權限原則與審計機制，減少人類對「AI 可能犯錯」的焦慮負擔。這不只是資安議題，更是人類可持續工作的問題。

消失的確定性契約

Khare 表示，工程師長期依賴確定性邏輯：輸入 A，得到 B。然而，大型語言模型的輸出具有隨機性，相同提示詞在不同時間產生不同結果，缺乏明確的可追溯原因。

他指出，對習慣可除錯與可推理系統的工程師而言，這種不確定性帶來持續性的背景焦慮。

他觀察到，適應良好的工程師往往將 AI 視為「聰明但不可靠的實習生」，預期需要重寫與修正，追求的是「有用」而非「完全正確」。

FOMO 與知識折舊：追工具不如追基礎

Khare 回顧這幾個月指出 AI 的迅速發展。從 OpenAI 推出 Codex CLI，到 Google(GOOGL-US) 發布 Gemini CLI，再到各類代理框架百花齊放，技術浪潮幾乎以週為單位刷新。

Khare 坦言，自己曾沉迷於測試每一款新工具，但結果往往是週末折騰兩天，數週後便被新方案取代。

更令人挫敗的是「知識折舊」，使他精心設計的提示工程策略，在模型更新後迅速過時。

因此，Khare 改變策略，不再追逐工具，而專注於基礎設施層面的問題，例如授權、上下文效率與運行安全。工具會更新，但底層問題長期存在。

「再試一次」的提示詞螺旋

Khare 指出，工程師在使用生成式 AI 協助寫程式時，容易陷入他所稱的「提示詞螺旋」陷阱。

這種情況往往從一次約七成正確的輸出開始，使用者隨後優化提示詞，希望提升品質。然而第二次結果雖略有改善，卻可能破壞原本正確的部分；第三次看似更完整，整體結構卻出現新的問題。

他表示，反覆優化提示詞的過程，常讓人忽略時間成本。原本若自行撰寫可能只需 20 分鐘完成的工作，卻因多次調整提示而耗費更長時間。

Khare 認為，這種循環之所以具有迷惑性，在於它讓人產生「持續進步」的錯覺。儘管每次輸出似乎更接近理想結果，但邊際效益迅速下降，工程師反而偏離了原本「完成並發布功能」的目標，轉而追求 AI 產出的完美程度。

為避免過度消耗，他替自己設定原則：「事不過三。」若三次嘗試後仍無法取得約七成可用成果，他便停止優化提示詞，改由親自完成。

Khare 表示，這項簡單規則為他節省的時間，遠勝於鑽研更複雜的提示工程技巧。

完美主義者的地獄

Khare 指出，多數工程師對品質有高度要求，追求乾淨的程式碼與完整通過測試的結果，這種「潔癖」也正是軟體可靠性的基礎。

然而，生成式 AI 的輸出往往僅達七至八成完成度。程式雖然可以編譯與執行，但變數命名不夠精準、錯誤處理不完整，邊界情況也可能被忽略。整體而言，成果「能用」卻不夠精緻。

他認為，這對追求完美的工程師而言尤其具有挑戰性。與完全錯誤的程式碼相比，「差一點到位」的成果更令人困擾。若結果完全不可用，可以果斷重寫；但當成果僅需微調時，工程師往往得花費大量時間修補與優化，過程反而更耗費心力。

Khare 指出，標準越高、眼光越精準的工程師，往往越容易在這種情境下感到挫折，因為 AI 時代所強調的能力，並非打造完美作品，而是能夠迅速從不完美的輸出中提取可用價值，同時避免對「完美」產生過度執著。

思考能力的退化風險

Khare 表示，最令他感到憂心的，並非效率或工具更新，而是自身思考能力的變化。

他回憶，在一次設計評審會議上，被要求在白板前推導一個並發問題。當時沒有電腦，也無法使用 AI 輔助，只能依靠紙筆與自身理解。

然而，Khare 卻一度卡住。他指出，他並非不理解概念，而是長期依賴 AI 生成初稿，使得「從零開始推理」的能力變得生疏。

Khare 以導航系統為例指出，正如過度依賴 GPS 可能削弱方向感，若習慣先向 AI 尋求答案，人們便難以建立透過反覆思考與掙扎所形成的深層理解。

他認為，困惑與卡關本就是學習過程的一部分，若跳過這些階段，雖然能更快產出成果，但理解也會相對流於表面。

為了維持思考敏銳度，他刻意為自己設定規則：每天工作初期的一小時完全不使用 AI，而是以紙筆推演架構與邏輯。儘管這種方式看似效率較低，但他認為，唯有讓大腦先完成「暖機」，才能在後續使用 AI 時，更準確地判斷與審視其輸出結果。

真正重要的能力：知道何時停手

在充滿比較與成功案例的社群媒體環境下，工程師容易落入自我懷疑。然而，多數展示的是精華片段，鮮少有人分享失敗與疲憊。

Khare 認為，在 AI 時代最關鍵的能力，不是提示詞技巧，也不是模型選擇，而是「止損能力」：知道何時輸出已足夠、何時該親自接手、何時關上電腦。

AI 是前所未有的強大工具，但同時也是高度耗能的工具。真正能長期受益的人，不是使用最多的人，而是使用得最明智的人。

在產業仍將「更多產出」等同於「更多價值」之際，Khare 提醒大家：可持續的產出，才是真正的價值。保護好大腦，因為那是唯一無法被取代的資產。