刚开始在工作中用 Slack 的时候，我发现一天里有很多时间花在决定该忽略什么上。
沟通变成了一个全天候运行的后台进程。Slack 消息、讨论串、表情回应、邮件、共享文档和 Zoom 会议，都让找到别人变得更容易。它们也带来了更多要查看的地方，更多要跟进的对话，以及一整天不断冒出来的决定。
有时候感觉就像在这样一间办公室里上班：每隔十分钟，就有人站起来对所有人喊一句话。每一次打断可能对某个人有用。但其他所有人还是得花一点注意力，判断这件事跟自己有没有关系。
生成式 AI 没有创造这种噪声。它把噪声工业化了。
过去两年里，产出一条像模像样的消息、一份文档、一套演示文稿或一段代码的成本，已经崩塌了。再加上那些能在没人盯着的时候处理信息、生成新产物的智能体。每个人都能产出更多，每个团队都能要求更多，每个系统都能汇报更多。
而我们能付出的注意力一点都没变。Herbert Simon 早在 1971 年就看清了这件事的轮廓：信息的丰富造成注意力的贫乏。
从信噪比到噪声价值比#
我们通常把这说成一个信噪比问题。这漏掉了一点重要的东西。
一条消息可以切题、写得好、就是发给我的，却依然没有任何价值。一份文档可以准确又精致，却改变不了任何决定。一段代码可以跑得通，却仍然不该加进产品里。
信号是看起来相关的东西。价值是改变我的理解、决定或行动的东西。
这两者过去离得更近。写一份用心的文档要花时间，所以背后的投入至少能在某种程度上说明它重要。这个过滤器从来不完美，但它存在过。今天，产出一份精致的东西可能只需要一条提示词。里面可能有真正的价值，也可能什么都没有。看上去花了功夫，已经说明不了底下有多少价值。
所以我在意的指标是噪声价值比：一个人要翻过多少东西，才能得到一件改变他理解、决定或行动的事。AI 免费抬高了前一个数字。后一个数字取决于人的判断，而人的判断并没有变快。
瓶颈已经从生产转移到了消费。我们能生成的东西，超出了任何人能负责任地审阅的量。
降低这个比值的两种办法#
一种答案是慢下来。任何想保持竞争力的团队都不会这么做。
另一种是在比值的两端同时下功夫：更善于从到达我面前的东西里找到价值，同时对自己给别人增加的东西有所取舍。
这两点最要紧的地方，是人们一起决定做什么、怎么做、为什么做的时候。这些决定依赖的是模型没有的东西。它从来没有被哪个 UI 惹恼过。如果这场对话里塞满了生成的材料，其中人的声音就更难被听见，而人的声音正是这场对话存在的理由。
还行比糟糕更难过滤#
难处理的材料并不是明显有问题的那种。垃圾信息很容易拒绝。一份糟糕的文档自己就会露馅。而新增的产出里有很多是还行的：通顺，足够相关，排版专业。
还行的东西照样消耗注意力。总得有人去读那份文档，审那个 pull request，核对那份摘要，或者判断那条建议重不重要。生产成本消失了，审阅成本却转移到了别人身上。几位研究者在 Harvard Business Review（《哈佛商业评论》）上给这种现象起了个名字，workslop：由 AI 生成、看上去已经完成、却把真正的功夫留给接收者的工作成果。
我在自己的智能体身上也看到了同样的效应。一条状态更新可以完全正确，却没告诉我任何我需要知道的事。一项完成的任务可能又产生一份要审阅的文档。一条本想证明自己干了有用的活的通知，本身就可能变成更多的活。
常见的失败比被淹没更安静：什么都扫一眼，不停切换上下文，没有一件事得到它应得的注意力。
作为读者：先守住注意力，再让 AI 给它排序#
我从一件和 AI 无关的事做起。我会专门留出时间做深度工作。任何需要理解、创造或艰难决定的事，都需要一段旁边没有实时信息流在跑的空间。
消息照样在堆积，我分批处理。一次读完二十条更新，比被打断二十次的代价低得多，尽管总量一模一样。关于工作被打断的研究发现，人们会用加快速度来弥补，代价是压力和挫败感。
AI 是原因的一部分，但它也是我找到的唯一一种能切实处理掉其中一部分体量的办法。
在工作中，AI 可以帮我识别出可能需要我采取行动的消息。我先读这些。其余的我仍然会扫一遍，因为了解情况的范围比任务清单要宽。背景、微弱的信号，还有偶尔被过滤器误解的东西，仍然重要。
我用 AI 来给注意力排序，而不是把注意力交出去。过滤器会学到哪些东西通常重要，但漏掉了什么，责任仍然在我。
对于可重复的工作，我很乐意走得更远。如果一件事像发条一样规律，那就自动化。如果流程已知、输入清晰、出错了也能低成本地发现或撤回，完全委托出去就够了。
这个范围之外的一切，都需要判断。
作为产出者：要深思熟虑的工作，不要一次性的产出#
比值的另一端，是我往里面加了什么。用 AI 做需要判断的工作，并不意味着要一个答案然后照单全收。
当我用它写一份有分量的文档时，我先想清楚自己要说什么。我定好结构，提供相关背景，讲明目标。然后生成一节，自己动手改，质疑它，补上缺失的背景，再重复。
代码也一样。智能体可以很快产出一份实现，但我仍然要判断这个功能该不该存在，这种做法适不适合这个系统，以及结果好不好维护。测试通过只回答了其中一部分。
一样东西是 AI 写的还是人写的，说明不了多少问题。重要的是它属于一次性的产出，还是深思熟虑的工作，而大部分噪声正来自一次性的产出。
AI 可以参与深思熟虑的工作。它能以我比不上的速度提问、起草、比较和修改。但价值来自这个循环：结构、背景、生成、审阅、手动修改，然后再来一轮。我的脑力用在那些不像发条的部分上。
少给人发东西#
用 AI 去总结 AI 帮我们制造出来的所有材料，这里有一个明显的陷阱。更好的过滤能让这个体量变得可以忍受，却没有追问这个体量为什么存在。
总产出可以继续增长。必须缩小的，是其中对准人的那一份。不是每条更新都需要发出去。不是每个想法都需要一份文档。不是每段能跑的代码都需要变成一个功能。在让 AI 总结一份产物之前，值得先问一句，这份产物有没有必要存在。
产出者应该承担一部分消费的成本。任何交到另一个人手上的东西，不管来自人还是智能体，都应该说明什么变了、为什么重要、需要做什么决定。如果我答不上这三个问题，这份产物多半还不该发出去，也可能根本不需要存在。我的智能体现在也遵守同一条规则：例行监控在没有可行动的事项时保持安静。有时候，正确的更新就是沉默。
团队换了工具，却留着原来的流程#
产品团队的大部分工作方式，是在生产还很昂贵的年代设计出来的。一份规格文档要写一周，所以送来评审的规格文档很少。一个原型要花一个 sprint，所以大家会先争论该不该做。成本起到了限流的作用，整个流程也依赖这一点。
这个限制没了。人人都能生成文档，人人都能生成代码，但评审会、审批链和能拍板的人数，还是和以前一样。我们换了工具，却留着原来的组织。
新的结构是什么样，我还没想明白。我认为它的起点，是把决策者的注意力当作预算，其他一切都围绕它来规划：更少对准人的产物，更小的决策群体，以及对谁需要看到什么有一个清楚的答案。
注意力现在是硬性上限。做得好的团队，会是那些守住了足够的判断力、能从体量中找出价值的团队。
这些都不是在支持或反对 AI。我每天都用它来思考、创作和穿过噪声。但重要的决定仍然是由彼此交谈的人做出的，他们的注意力有限，判断也需要时间。我希望这些工具能为那场对话腾出空间，让我们在重要的部分真正在场。
