公司引入AI工具之后，最常出现的剧情是这样的：某个环节的速度明显快了，管理层看到数据，自然而然地把预期也提高了。原来两周的任务，现在压到一周。工程师用着AI，但并没有感到轻松。
AI节省的时间，大部分被消化AI输出的工作吃回去了
AI生成代码的速度确实快，但这只是流程的一部分。更现实的情况是：AI输出需要人来核查。
AI在生成代码时缺乏对整体系统约束的感知。有时候，找出AI代码里的问题比从头写还要花时间——因为从头写，你对每一行的意图都清楚；而审查AI的代码，需要先理解它在想什么，再判断有没有问题。
持续的批判性审查是一种认知负担
使用AI的时候，有一种状态是很耗神的——你不能完全信任输出，但又不想每次都从头来，所以处于一种持续检查的状态：这一段逻辑对不对？有没有遗漏边界情况？和上下游接口匹配吗？
这种持续的审查，本身就是认知负担。跟自己写代码时的"专注流"不一样，更像一种碎片化的高强度核查状态。
提效的收益被预期提升对冲掉了
AI节省下来的时间，往往没有还给工程师，而是变成了新的工作量。
产出预期提高了，任务密度增加了，排期更紧了。工程师处理的任务数量多了，但每个任务里需要做判断和决策的部分并没有减少，甚至因为任务密度增加而更容易出错。
AI真正能卸载压力的场景其实比较有限：重复性强、边界清晰、格式固定的工作。比如自动生成寄存器描述文件的代码框架，批量处理仿真结果的脚本，或者生成标准化的模块骨架代码。这类工作AI做得又快又好，工程师确实能省事。
但在架构设计、验证策略制定、需求对齐这些需要持续判断的环节，AI改变的是工作方式，不是工作量。
认清楚这一点，对于工程师自己调整工作节奏很重要，对于管理者制定合理预期也很重要。AI是真实有用的工具，但它不是一个能让整体工作量减半的魔法——把这个幻觉拆穿，才能在实际工作里用好它。
