Molly Graham：AI 接手任务后，人为什么更累了？

原始资料：《Molly Graham: The grief, burnout, and opportunity hiding inside the AI transition》

节目：Lenny’s Podcast。嘉宾：Molly Graham，曾在 Google、Facebook、Quip 和 Chan Zuckerberg Initiative 担任领导职务，现主持 TED 的 WorkLife，并经营领导者社区 Glue Club。主持人：Lenny Rachitsky。视频发布于 2026-09-27，时长 01:34:14。

本文依据完整英文自动字幕整理，并核对嘉宾本人文章及节目引用的原始调查。文中的管理建议、案例和未来判断保留发言者的立场；各节附原视频时间链接。

AI 写好了代码，起草了方案，还同时推进着其他任务。人坐在屏幕前，继续补背景、处理追问、检查结果，再决定哪些东西能交出去。

事情确实做得更多了。可大脑好像没有因此空下来。

Molly Graham 在这场访谈中，重新审视了自己长期倡导的职业建议：把已经熟悉的工作交出去，为新的机会腾出空间。她发现，这套建议遇到 AI，需要加上一个关键条件。

执行可以交给 AI，责任和判断往往仍然留在人身上。 任务列表变长了，人的注意力却没有按同样的比例增长。理解这个差别，才能理解眼前的效率、倦怠和职业机会为何会同时出现。

交出任务，不代表交出了责任

Graham 的“交出乐高”建议，来自她在快速扩张的组织里的经历。按她的回忆，Google 的一个部门曾在 9 个月里从 25 人增长到 125 人。人刚建立起熟悉的工作方式，组织就又变了。

一个人可能因为负责某个项目、拥有某项专长而获得认同。后来公司需要把这份工作交给别人，失去的就不只是任务，还包括“这件事只有他能做好”的位置。

她在原始职业建议中鼓励人们放手：成熟同事接过去后，可以用自己的方式继续做。原负责人逐渐退出，才有精力面对下一阶段的挑战。

AI 改变了这个交接过程。人仍要解释目标、提供上下文、识别错误、确定是否达标。只要最终结果还需要由这个人向团队解释，相关的牵挂就仍然存在。

Graham 因此区分了两种状态：一项工作真正转交给了新的负责人；一项工作由别的执行者协助完成，但负责人没有变。

许多 AI 工作流属于后一种。启动更多智能体，可能只是让一个人同时负责更多条工作线。Graham 提到，凭她自己的经验，管理 10 到 12 名直属成员已经很耗费精力。这是她的经验判断，并非适用于所有团队或智能体的统一上限。

管理任务也需要预算。省下来的执行时间，要扣除交代、检查、返工和切换注意力的成本。原视频：任务交接与监督负担。

倦怠与兴奋，可以同时存在

访谈引用了 Lenny’s Newsletter 的科技从业者调查。主持人口头概括，倦怠比例从 2025 年的约 44% 升至 2026 年的约 55%。

原始调查给出的精确值是：自报中度、重度或完全倦怠的受访者，由 44.7% 增至 55.7%，增加 11 个百分点。另有 49.0% 认为 AI 增强了自己的专业能力。

这些都是受访者的自我报告，不能据此认定整个行业的同等比例，也不能证明 AI 导致了倦怠。后一个数字也不等于“一半人正处于职业生涯最幸福的时刻”。

谈话里反复出现一种体验：工具让人有能力完成更多事，组织也随之提高了要求。今天刚刚省下来的时间，明天就可能成为新的产出基线。

Graham 还注意到，学习工具之外，人也在适应不断变化的指令。前一阵要求到处使用 AI，后一阵又要求解释用了这么多 AI，究竟改善了什么。工作节奏与评价标准一起变化，会消耗额外的精力。

同时，确实有人享受这种变化。他们可以更快地尝试想法，也能把原本做不了的事做出来。

一个人可以喜欢现在拥有的能力，又对维持这种节奏感到疲惫。 把两种感受放在一起，才更接近访谈里的真实处境。原视频：调查与工作感受。

从亲手创造，到全天监督

有些工程师怀念的，是连续几个小时沉浸在代码里的感觉。现在工作变成了分配任务、等待生成、检查差异，再处理下一轮问题。

Graham 把这种变化看成一种职业失落：一个人花了很长时间练好的手艺，忽然不再占据工作日的中心。新工具带来的能力，并不会自动补回原来的满足感。

这里还有管理偏好。有人当初选择做专业贡献者，就是因为喜欢亲手完成作品。AI 却把交代需求、指导执行、审阅结果等工作带到了他们面前。即使职位名称没有变，工作体验已经更接近管理。

另一种损失来自协作。Graham 提到，一位产品负责人虽然能独立做更多原型，却开始怀念与设计师、工程师一起讨论的过程。独立完成的范围扩大，人和人共同探索的时间可能缩短。

Lenny 借用 Cory Doctorow 的半人马比喻，区分人指挥工具和人被系统指挥两种状态。这个比喻提示了一个需要持续检查的问题：工具带来的能力，是否也让使用者更有选择权？

团队缩小以后，交流、支持和共同判断仍然需要有人安排。产出数字很难完整记录这些变化。原视频：职业认同、孤独与控制权。

低质量产出，把节省的时间转嫁给别人

Graham 不喜欢把 AI 描述成一名永远比人更聪明、更可靠的员工。这样的描述容易让人直接转发输出，跳过检查。

她更愿意用经验不足的助理作比喻：先交代背景，再给出标准，收到结果后继续指导。这个类比讨论的是监督方式，不能用来概括所有模型在所有任务中的能力。

风险出现在转发的那一刻。一份方案看起来完整，但关键前提没有想清楚，接收者就得重新理解、核对、返工。写作者节省的时间，变成了同事额外付出的时间。

检查成本不会因为发送者跳过检查而消失。 它会沿着协作关系往后移动。

因此，Graham 批评只看生成量、代码行数或 token 消耗的管理方式。组织更需要知道，一项工作有没有真正推进，后续还留下了多少修补任务。

她还转述过一份工程报告，说需要重写的代码行数增加到约 8 倍。但访谈没有交代报告名称、样本和比较口径，本文无法独立核实这个数字。它只能作为嘉宾的转述，不能当成整个行业的实测结论。

更可操作的检查，是把生成之后的审核和返工也算进来，再判断工作是否真的变轻了。原视频：产出、质量与返工。

愿景、判断和信任，仍然需要人来承担

过去有人问 Graham，哪些乐高应该留在手里，她通常会鼓励继续放手。谈到 AI，她开始给出不同的回答。

她认为，决定方向、判断质量、承担后果，以及建立信任的工作，都需要保留清楚的人类责任。如果负责人自己也不知道什么算好，就很难判断生成的方案该不该被采用。

Lenny 提出了一种前后都由人把关的分工：人先确定想去哪里，中间让 AI 执行，最后由人检查和修改。

这种分工的重点，在于最前面的选择仍然由人作出。Lenny 以 Airbnb 和 Booking.com 为例，说明不同团队可能追求不同的产品体验。提高预订转化和创造更从容的使用感受，可能导向不同的设计。这是他的说明性比较，不能替代对两款产品的独立评估。

AI 可以帮助执行目标，但负责人仍要回答：这个目标值得追求吗？它会把产品带向怎样的体验？

Graham 在本人发布的配套文章里也提出，应更谨慎地决定哪些能力交出去。她希望工具让人有更多精力发挥自己的长处，而非逐渐失去判断作品好坏的能力。原视频：保留哪些工作。

岗位边界可以变，交付标准不能消失

Graham 分享过一位金融公司设计负责人的经历：她用新工具把东西做出来了，却因为“设计师不能发布代码”被挡在了门外。

Graham 承认，这类业务对生产系统的控制有充分理由。她希望重新讨论的，是职位名称是否应该提前决定一个人的能力边界。

设计师可以更深入地验证交互，产品经理可以做出可运行的原型，工程师也可以更早参与需求判断。新的工具给了这些尝试更低的起步成本。

沿着她的思路，组织可以把问题问得更具体：谁理解需求？谁能验证质量？谁承担发布后的责任？回答清楚之后，再决定怎样协作、怎样交付。

角色可以扩大，验证和责任仍然需要明确。 如果团队只是取消分工，却没有建立相应的检查方式，跨界创造的机会也可能变成新的返工来源。原视频：设计师与工程师之间的边界。

先为旧工作难过，再试着重新定义它

Graham 不要求人们为所有变化感到高兴。熟悉的工作方式消失了，曾经喜欢的手艺被挤到了边缘，承认失落是合理的。

她引用 Chip Conley 的比喻：有些结束，需要给它一个告别的仪式。团队可以谈谈过去喜欢什么、失去了什么，再讨论接下来想尝试什么。

另一个启发来自记者 Manoush Zomorodi。Graham 从她的职业经历中提炼出一个设问：如果一份职业仍然存在，但每隔 6 年就变成不同的样子，人会怎样准备？

这是帮助人采取行动的假设，不能保证某个岗位一定保留。Graham 对部分以 AI 为名的裁员持怀疑态度，也相信新工作会出现；这些属于她的判断，不能据此断言所有裁员都与 AI 无关。

把注意力放到职业如何变化，至少能让人开始寻找具体的学习方向：哪些旧限制已经松动，哪些能力能够带到新的工作里。

主持人也倾向认为，当下的变化仍留有适应时间。但关于技术演进速度和未来就业，两人都没有给出可以保证的答案。访谈更明确的建议，是允许自己重新成为初学者，并在同行交流中校正感受。原视频：失落、重新学习与未来机会。

管理者需要示范，什么叫对结果负责

一位负责人直接把 AI 生成的战略发给团队，传递出去的也包括一种工作标准：没有经过认真判断的内容，可以算作正式交付。

Graham 希望管理者做相反的示范。说明哪些部分经过验证，哪些仍是猜测；承认自己也在学习；让团队知道，对变化感到困惑并不需要隐藏。

她在访谈中提到了 Clay 的 AI 写作政策。这份公开政策允许使用 AI 辅助，但要求作者在分享前确认，文档表达的是自己愿意负责的观点，并尊重读者的时间。

管理者还需要为人际支持留下空间。Graham 反对仅凭工具能力增强，就推断管理不再有价值。好的管理仍包括帮助成员理解要求、处理冲突，并在不确定的环境里建立信心。

这不意味着每家公司都该增加管理层级。她强调的是，支持人、明确标准、承担决定后果的工作，仍然需要有人做好。原视频：给管理者的建议。

从一个具体工作开始，重新设计分工

把这场访谈转成日常实践，可以从一项反复出现的工作开始。下面是依据谈话整理的编辑建议，不是嘉宾提出的固定流程。

先写清楚任务要服务谁、解决什么问题，以及怎样判断完成。再选择一段边界清楚、结果能够检查的执行工作交给 AI。

人保留关键取舍和最终审核，同时记录花在交代、等待、检查、返工上的精力。结束后，既看作品有没有变好，也看同事是否减少了额外负担。

还可以问一个更长远的问题：省下来的时间，是否帮助这个人做了更多擅长且愿意继续做的事？如果只是让他同时监督更多任务，就需要调整分工和预期。

Lenny 建议，开始工作前先停一下，想想 AI 能否帮忙。Graham 随即补上另一层要求：产出的东西应当值得别人花时间，也应当经得起继续使用。原视频：学习习惯与质量标准。

更好的分工，会让人有更多能力，也让责任、质量和工作乐趣有地方安放。 这也是 Graham 重新解释“交出乐高”时保留下来的方向：愿意放手、愿意学习，同时认真决定，哪些东西仍值得亲自握住。