AI真的能让你的工作流程提速吗？开发者弗雷德里克·范·布拉班特（Frederick Van Brabant）对此持怀疑态度——数百名开发者围绕这一观点展开了激烈争论。
在他的一篇博客文章中，这位软件工程师抛出了一个让科技行业感到不安的问题：AI工具带来的复杂度，是否正在抵消它承诺的效率提升？这篇文章在Hacker News上获得了458个点赞和329条评论，引发了一场关于AI真实生产力的深度讨论。
范·布拉班特的核心论点是"隐性成本"。他指出，学习工具、验证输出、将AI集成到现有系统、维护这些集成——所有这些都需要时间，而这些时间往往不被计入"效率提升"的账本。在AI厂商描绘的美好蓝图中，开发者的生产效率可以提升40%，但范·布拉班特认为这忽略了背后的摩擦成本。
赞同他的开发者们分享了具体痛点。提示词工程是真实的工作量，但它不会出现在传统的生产力指标中。持续评估AI生成的代码——检查安全漏洞、理解不熟悉的实现方式、调试意料之外的行为——带来了一种被业界称为"认知税"的负担。一位初级开发者节省了5分钟生成模板代码的时间，却可能花费20分钟调试结果。
反驳者则从另一个角度切入。他们认为范·布拉班特的比较基准本身就有问题——用优化后的AI工作流对比优化后的人工工作流，这种假设在现实中很少成立。"真正的对比应该是：使用AI的开发者 versus 那些需要Google每个语法问题、读三条Stack Overflow帖子才能写出一条正则表达式的开发者。"有开发者报告称，他们用秒表实际测量过，使用AI辅助调试复杂问题时节省了30到60分钟。
这场争论折射出一个更深的测量困境：代码行数、合并的PR数量、完成的Story Points，都无法捕捉决策质量和认知负荷。当开发者用AI生成二十个数据库schema变体再选择最优解时，AI究竟是加速了还是仅仅把瓶颈从生成阶段转移到了评估阶段？
范·布拉班特在文章末尾承认，事情很复杂。"我不是说AI不好，我是说关于生产力的讨论比厂商呈现的要复杂得多。"这番话之所以引起共鸣，或许是因为它说出了许多开发者心中有却不敢明说的担忧：他们AI辅助的工作流，表面看是加速了，但可能引入了一种更缓慢、更弥散的摩擦，而这种摩擦没有被现有的指标捕捉。