将 AI Agent 集成到软件工程中，改变了工作的结构。工程师现在往往不再是完成单一的线性任务（如一个功能或一个 Bug 修复），而是管理多个并行运行的 Agent。每个 Agent 可能执行不同的功能，例如实施变更、调查生产问题或进行研究。虽然这些 Agent 不需要持续监督，但它们会定期返回提出问题、请求批准计划或提供需要人工干预的代码差异。这创造了一种新型的心理疲劳：在不同的问题、代码库和决策集之间不断切换上下文的持续需求。
一位技术领导者的 GitHub 历史数据说明了这一转变。在担任首席工程师和技术副总裁的多年里，其活跃水平相对较低，因为其角色侧重于架构和规划。然而，自 2026 年广泛采用 AI Agent 以来，其贡献数量回到了其早期作为全栈工程师时的水平。这种增加归因于这样一个事实：当通过 AI 使实施变得“廉价”时，以前限制项目范围的自然阻力消失了。这使得追求更多的想法、更多的实验和更多的 Bug 修复成为可能，而这些任务如果手动尝试，原本会过于耗时。
该图表说明了从领导角色期间较低的活跃度到由“廉价”AI 实施带来的高贡献量的转变。
这种能力的提升导致了一个“爆发”与随后的“精疲力竭”的循环。一个新的模型或工作流使一套新的任务成为可能，导致在许多新的 Agent 和线程同时开启时出现一段高活跃期。最终，审查这些输出和管理并行工作流的认知负荷会导致一段退缩期。这种动态表明，虽然 AI 可以自动化乏味的任务，但它也可能扩大个人认为能够承担的总工作量。权衡在于，从体力劳动的疲惫转向高容量监督和频繁上下文切换带来的疲惫，其中主要的挑战不再是执行的努力，而是管理扩展后的可能性所需的心理带宽。
目前尚不确定这一趋势将如何影响长期职业的可持续性，或者组织结构是否会适应这种增加的产出。此外，虽然主要来源侧重于技术领导者的个人经验，但这些“廉价实施”循环的影响可能会根据个人的具体角色、所使用的 AI 工具的质量以及雇主的具体要求而显著不同。
这一观察的一个显著局限是它依赖于自我报告的 GitHub 活动，这反映的是私人贡献和个人主动性，而非组织生产力的标准化指标。此外，这一经历突显了个人在平衡方面的挣扎；随着实施想法的能力增长速度快于思考这些想法的能力，挑战变成了决定哪些任务值得投入监督所需的心理能量。