「这个我用 AI 很快就能搞定」，这句话你说过。用了 AI，事情做起来是轻松了，我们也就很容易觉得它更快。可一项 1237 人的研究发现，轻松和省时并没有总是一起出现。更有意思的是，人对 AI 的时间判断会偏，对同事却不会。这种错觉是从哪儿来的？

你真的记过时间吗

想一件你最近用 AI 做完的事。写周报、整理材料、改一版方案，都行。

做之前，你估计要花多久？做完以后，实际用了几分钟？

第一个数你也许还有印象，第二个数就不一定了。事情做完，人更容易记住它顺不顺、累不累，却未必记得自己到底花了多久。平时这不妨碍什么，因为轻松和快通常一起出现。

可用了 AI，两者还会不会一起出现？下面这项研究查的就是这件事。

轻松了，却没更快

2026 年，一群认知科学和计算语言学研究者找来 1237 人，让他们完成一批简单的认知任务。研究方案事先已经登记。

每项任务做完，研究者都会记下三组数据。

实际用了多长时间

事先预测要用多长时间

做完之后自己报告的费力程度

任务分两种：一种自己做，一种可以用 AI。

第三个数不是随口打的分。他们用的是一份叫 NASA-TLX 的量表，问的是脑力消耗、时间压力、努力程度、挫败感这几项。

这份量表最早是美国航天局用来评估飞行员工作负荷的，四十多年后，被拿来量一个坐在电脑前改周报的人累不累。

结果，两种条件下的实际完成时间没有差别。

整体上没有差别，但在少数任务上确实快了：找近义词、总结长文、编辑长文本。这几类活都有比较明确的答案，自己做也主要是重复劳动。

可轮到事先估时间，大家都觉得用 AI 会快不少。自己做要多久，他们估得挺准；一旦可以用 AI，估出来的时间就短了。

研究者管这叫加速错觉。

看到这里，很容易以为：只要有人帮忙，人就会把时间估短。

但研究者还问了另一种情况。假如是另一个人来帮你，你估要多久？

这一回，偏差没有出现。还是这批人，帮手换成同事，他们估得挺准；换成 AI，时间就估短了。

有人搭手，并不一定让人乐观。帮手是 AI 的时候才会。

论文为什么还要专门测同事帮忙？这跟作者一直在做的事有关。斯坦福的罗伯特·霍金斯，实验室长年琢磨两个人怎么把话说到一块儿去、怎么攒出默契。他研究的本来就是人跟人怎样协作，所以论文里专门设了同事这一组。作者里还有斯坦福语言学教授丹·尤拉夫斯基，他写的那本教材，几乎所有做自然语言处理的人都读过。

AI 之前，人早就在把脑力活交出去

「加速错觉」这个名字新，背后的问题不新：人一直在把脑力活交给外物，也一直未必清楚自己交出去了多少。

1994 年，有人提出认知行动这个说法：你歪着头看一张倒过来的图，而不是在脑子里把它转正。用一个身体动作，换掉一次脑力运算。两年后，另一组人研究计算卸载：同样一道题，写在纸上算和在脑子里算，费的劲不一样。

到 2016 年，两位研究者把这些散在各处的研究收拢成一篇综述，给了它一个名字：认知卸载。它的定义并不玄：用身体动作改变一项任务的信息处理需求，从而减少脑力负担。设个闹钟提醒自己，就是认知卸载。这篇综述如今是这个领域的标准出处。

综述还追问了一个问题：人会在什么时候把脑力活交给外物？答案不只看任务难不难。综述列了三条：

卸载的倾向，取决于如果不卸载，你需要付出多少内部认知代价；

也取决于你对自己脑力的评估；

而这个评估可能是错的，估错了，交出去的决定就不划算。

第三条和这项 AI 研究最相关。人可能连自己应付得好不好都判断错。

对自己记性没信心的人，会过度依赖外部记录。高估自己的人，该记的反倒不记。研究者早就指出，人对自己的这份估计一旦有偏，交出去的决定就会跟着偏。

把加速错觉放回这个框架里，它就不是一个孤立的新发现了。以前的研究发现，人会看错自己的记性。到了 AI 这里，估错的变成了它究竟能替自己省多少时间。

作者自己在文中提了一句警告：校准不准会让人过度卸载，尤其是对那些自己本来就讨厌的费脑力任务。越是费脑子、招人烦的活儿，人越容易交给 AI。可一旦成了习惯，也就更少回头核对它究竟省了多少时间。

不过说到低估时间，这里会碰上一个老问题：人不是本来就常把完成时间估短吗？

1994 年，加拿大心理学家罗杰·比勒与同事问一批快要交毕业论文的学生：你觉得自己哪天能交？平均答案是 33.9 天。

实际用了55.5 天。约七成人超过了自己的预测。

这种低估后来被叫作计划谬误，行为科学里研究了很多年。

既然人总低估自己，为什么上面那项研究里，自己做的时候反而估得准？

因为任务不一样。后续研究发现，任务要够长，低估才会出现；任务一短，人反而高估。两项研究并不真矛盾。毕业论文以月计，实验里的任务几分钟就做完了。

放到实际的活儿里，这是两种不一样的低估，别混着算。计划谬误问的是你怎么看自己的进度；这项新研究问的，是你怎么看 AI 能替你省下的时间。前者研究了三十年，后者才刚开头。

时间没省，力气省了

时间没省下来，任务却没那么累。参与者用时差不多，报告的费力程度却低了。

轻松和省时平时是绑在一起的。所以觉得轻松，我们往往也就觉得没花多少时间，而且通常错不了太多。

AI 把这两件事拆开了。

为什么偏偏歪在 AI 上？一个可能的原因是，我们还不清楚这种工具究竟能帮到哪一步。

计算器和搜索引擎的用途相对固定。用过几次，人就知道该让它们做什么、又该在哪儿自己检查。

大模型不一样。同一个模型换到不同任务上，可靠程度可能差很多，用的人却很难事先判断这一次靠不靠谱。偏偏它答对和答错的时候，语气可能没什么区别。

过去我们会看一个帮手答得快不快、顺不顺、有没有迟疑，借此判断他靠不靠谱。面对大模型，这些线索失灵了。它即使答错，也常常答得又快又笃定。

摸不准这件工具的斤两，时间大概也就跟着估不准。

换成同事，这个偏差就不见了。是不是因为我们对同事的斤两心里更有数？这项研究没往下测。

这些证据各自到哪儿为止

先说一项常被拿来搭配着讲的研究。2025 年有人拿脑电做过一次，但它的证据有限。

脑电是在头皮上贴电极，记录大脑活动时的电信号。它测不出你在想什么，但能看出不同脑区的活动是不是同步。研究者管这个叫连通性，同步得越紧，通常意味着投入的认知资源越多。

那项研究让人分三组写文章，用 AI、用搜索引擎、什么都不用。三组的连通模式确有不同，外部支持越多，连通性越弱。

这项研究在网上传得很广，可它撑不起那些更大的结论。

它还是预印本，没经过同行评审——那一关是由同领域研究者匿名挑错、要求补实验或修改，常常把结论改掉甚至否掉

只有 54 个人，最后一轮只剩 18 个

已经有正式评论文章质疑它的样本量和脑电方法，也质疑别人能不能重做出同样的结果

作者自己说明只测了一个 AI 产品，不能外推

它测的是写作当下的差异，不是长期变化，没有证明「用 AI 会让脑子变笨」

网上流传的两个具体数字，我回原文没有核到，所以这里不引。

它跟主研究能对上的只有一点：用外部工具的时候，人当下花的心力可能少一些。至于少了会怎样，它答不了。

脑电那边推不远，前面那项 1237 人的研究，也有它推不到的地方。

它测的是简单认知任务，不是你手上那份方案。下面几条里，这一条最要紧。任务一长、一复杂，情况可能完全不同，甚至可能反过来。AI 在长任务上或许真的更快，只是人依旧估不准。研究没测过，我们也不能替它说。

实验只记录预测和实际用时。估短之后，人会不会多接活、把日程排得更满，它没有继续追踪。

让 AI 出初稿、挑错，或者陪你辩一遍，人的参与程度差别很大；这项研究没有分别比较。

这篇论文刚发表不久，还没人独立重做过一遍。在那之前，话不能说得太满。眼下站得住的就是这一句：在这些简单任务里，省力不等于省时。

还有一种质疑，针对的不是数据，是提问的角度。深度学习框架 Keras 的作者 François Chollet 说过：把 AI 当成旧流程的效率工具，这个框架本身就错了；跟以往每一次计算技术的浪潮一样，AI 是让人用新方式做新事的工具。

照这个说法，问「用 AI 快了多少」，本身就问小了。

Chollet 问的和这项研究问的，最好拆开看，它们并不打架。AI 可能改变你去做什么，同时也照样让你看错眼前这件活要花多久。

别拿轻松当省时

用 AI 后轻松一些，这个好处不用否认。实验里的人也确实觉得没那么费力。

但轻松不能再直接拿来估时间。「刚才那件事做起来挺轻松」，在有 AI 的场合已经推不出「所以花得不多」了。

想知道自己有没有把时间估短，连着记五次就够了：

开始之前，写下预计的分钟数；做完以后，再写实际的分钟数。

先别分析，也不用急着归纳。攒够五条，看看哪些活偏得最多。

记这五次，不指望你马上就估得准。记下来你就同时看见了两样：当时觉得轻不轻松，和它实际花了多久。

轻松是真的。快没快，得看钟。

参考文献

Buehler, R., Griffin, D., & Peetz, J. (2010). The planning fallacy: Cognitive, motivational, and social origins. Advances in Experimental Social Psychology, 43, 1–62. https://doi.org/10.1016/S0065-2601(10)43001-4

Buehler, R., Griffin, D., & Ross, M. (1994). Exploring the "planning fallacy": Why people underestimate their task completion times. Journal of Personality and Social Psychology, 67(3), 366–381. https://doi.org/10.1037/0022-3514.67.3.366

Chollet, F. [@fchollet]. (n.d.). Thinking of AI as a productivity booster for prior workflows is the wrong framing [Post]. X. https://x.com/fchollet/status/2058982905368773040

Kirsh, D., & Maglio, P. (1994). On distinguishing epistemic from pragmatic action. Cognitive Science, 18(4), 513–549. https://doi.org/10.1207/s15516709cog1804_1

Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [Preprint]. arXiv. https://arxiv.org/abs/2506.08872

Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002

Scaife, M., & Rogers, Y. (1996). External cognition: How do graphical representations work? International Journal of Human-Computer Studies, 45(2), 185–213. https://doi.org/10.1006/ijhc.1996.0048

Stanković, M., Hirche, E., Kollatzsch, S., & Doetsch, J. N. (2025). Comment on: Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks [Preprint]. arXiv. https://arxiv.org/abs/2601.00856

Yu, S., Cheng, M., Jabbar, A., Sucholutsky, I., Collins, K. M., Jurafsky, D., & Hawkins, R. D. (2026). Cognitive offloading and the speedup illusion in human-AI interaction. In Proceedings of the 48th Annual Meeting of the Cognitive Science Society. https://arxiv.org/abs/2605.23177