李寧 | 當OpenClaw的“龍蝦”替你“鉗”住所有執行——生產力該怎么算？

馭勢 2026

教授觀點

這周，你的朋友圈是不是也被一只“龍蝦”刷屏了？OpenClaw的各種“鉗”式玩法，讓無數人熬夜“上癮”，72小時討論熱度不減。

你看，我們樂于為一段新奇的AI體驗投入整塊時間，卻很少意識到：當我們真正用AI工作時，生產力的邏輯已經被徹底顛覆了。

面對AI時代，人類與智能體協作下的生產力度量，清華大學經濟管理學院領導力與組織管理系教授、Flextronics講席教授李寧認為“人天”作為生產力單位或許已不再科學，本文他提出了"注意力時長"(attention time)框架，把注意力拆成四種形態（啟動、監督、整合、和最反直覺的"孵化"），并翻轉一個流行偏見：在AI協作中，碎片化注意力不是缺陷，而是超能力。

中歐商業評論 × 中歐商業在線

聯合策劃開年特別欄目「馭勢2026」

特邀深耕戰略、組織與商業研究領域的教授學者

直擊2026企業經營管理核心議題

▼點擊觀看李寧教授觀點▼

讓我描述一個場景。

此刻，你坐在書桌前。你的筆記本電腦上開著三個終端窗口。

• 第一個窗口里，一個AI智能體正在為你的客戶生成一份市場分析報告，它已經跑了四個小時，你只在開頭花了十五分鐘定義任務邊界和評估標準。

• 第二個窗口里，另一個智能體正在幫你重構一個軟件項目的數據庫架構，你昨天晚上花了二十分鐘審查它的方案，提了三處修改意見，然后去睡覺了，現在它已經按你的反饋完成了第二輪迭代。

• 第三個窗口里，第三個智能體正在替你撰寫一篇學術論文的文獻綜述，你今天早上花了五分鐘檢查了一遍它找到的論文列表，刪掉了兩篇不相關的，補充了一篇你自己讀過的。

這三件事同時在推進。到今天結束時，你將擁有一份完整的市場報告、一個重構完畢的數據庫架構、和一篇文獻綜述的初稿。如果按照傳統的生產力度量方式，這一天的產出大約相當于——讓我們保守估計——十五到二十個人天。一個五人團隊三到四天的工作量。

但你今天實際投入了多少？四十分鐘。也許五十分鐘，如果算上你在洗澡時突然想到文獻綜述的一個角度問題、然后走出浴室用手機發了一條語音指令給智能體的那兩分鐘。

現在請告訴我：這一天，按"人天"計算，應該算多少？

一個過時的度量

與一種被忽視的稀缺

圖1：傳統"人天"度量 vs AI時代實際注意力投入

"人天"是工業文明的遺產。它的底層假設簡潔而明確：一個人，全身心投入一項任務，持續工作一整天——這是生產力的基本計量單位。項目經理用它來排期，咨詢公司用它來報價，人力資源部門用它來核算成本。三個人工作五天，十五人天。邏輯清晰，算術簡單。

這個假設在它誕生的時代完全合理——當一個人的工作方式是坐在辦公桌前，從上午九點到下午五點，用自己的大腦和雙手處理一項任務時，"人天"精確地反映了現實。

人是單線程的，同一時刻只能做一件事。人是持續投入的，你的注意力、判斷力、執行力，被整塊地綁定在一個任務上。工時等于投入，投入等于產出的基本約束條件。

但我剛才描述的那個場景打破了這個假設的每一條：

• 人不再是單線程的，因為AI可以替你并行執行；

• 人不再需要持續投入，因為AI可以在你不在場的時候獨立運轉；

• 最關鍵的是，工時不再等于投入，你的一天仍然是二十四小時，但你對三個項目的實際貢獻加起來不到一小時。

用"人天"來衡量這種工作方式，就像用"馬力"來衡量一輛電動車的性能：單位本身不是錯的，但它度量的那個東西已經不再是決定性的約束了。馬匹的數量不再限制你能拉多少貨，正如你坐在辦公桌前的小時數不再決定你能產出多少價值。

那么什么才是真正的約束？答案藏在我描述的那個場景的細節里。回去重讀一遍，注意我用的動詞：你"定義"了任務邊界，你"審查"了方案，你"檢查"了論文列表，你"刪掉"了不相關的內容，你"補充"了遺漏。你沒有"撰寫"報告，沒有"編寫"代碼，沒有"搜索"文獻。AI做了所有的執行工作。你做的，是一系列極其短暫但極其關鍵的認知動作——每一個都需要你的判斷力、你的領域知識、你對"什么是好的"的理解。

這些認知動作有一個共同的名字：注意力。

不是那種"盯著屏幕八小時"的注意力，而是一種更精確的東西——你的認知資源在某一個瞬間被調動、被聚焦、被用于做出一個判斷的狀態。它像一束手電筒的光，不是漫射的，而是集中的。你把它照向哪里，那里就得到你的智慧；你移開它，那里就只有AI在按照你之前的指示運行。

Sam Altman說過，在AI能夠完成認知工作的世界里，最重要的是知道該把注意力放在哪里。他說對了方向，但這個觀察可以再推進一步：在人與AI協作的時代，注意力不僅是"最重要的"——它是唯一真正稀缺的人類投入。AI的運行時間是廉價的、可擴展的、幾乎無限的，你可以同時讓十個智能體為你工作，每個跑二十四小時。但你的注意力是有限的。一天二十四小時里，你能維持高質量注意力的時間可能只有四到六個小時。而在那四到六個小時里，你每一次把注意力從一個項目切換到另一個項目，都有切換成本。

這就是我要提出的論點：我們需要一個新的生產力度量單位——不是"人天"，而是"注意力時長"（Attention Time）。它衡量的不是你在辦公桌前坐了多久，而是你的認知資源實際被調動了多少時間、被分配到了哪些任務、在每個任務上達到了什么質量的判斷。

注意力的四種形態

圖2：注意力的內部結構——四種形態框架

但"注意力"不是一團模糊的東西。如果我們要把它當作度量單位來使用，就需要理解它的內部結構。

先說啟動注意力——這是你在一個任務的最初階段投入的認知資源：定義目標、拆解子任務、為AI配置指令和約束條件。這是注意力最密集的階段，因為你必須把自己腦子里那些模糊的、隱性的、只有你自己明白的判斷標準，翻譯成AI能理解的顯性指令。一個經驗豐富的人和一個新手的區別，往往在這一步最明顯——前者花十五分鐘就能定義出一個精準的任務邊界，后者可能花兩個小時還在和AI反復溝通"不是這個意思"。啟動注意力的質量，在很大程度上決定了AI后續幾個小時甚至幾天運行的方向和產出質量。

監督注意力的邏輯完全不同。它不是一次性的重投入，而是間歇性的輕觸——你在AI運行過程中定期回來檢查、反饋、糾偏。它通常發生在預設的檢查點：AI完成了初稿、跑完了第一輪測試、生成了中間結果。監督注意力的特征是短暫而銳利，你不需要從頭到尾審閱所有細節，你需要的是一種模式識別能力——快速掃描結果，判斷大方向是否正確，發現AI遺漏了什么、理解錯了什么、過度自信了什么。這就是為什么領域專家在AI時代反而更有價值，而不是更沒價值：他們的監督注意力效率比非專家高出一個數量級，因為他們知道該看哪里，知道什么樣的結果"聞起來不對"。

最復雜的是整合注意力，因為它處理的不是單一任務的縱深，而是多任務之間的橫向連接。當你同時推進多個項目時，各個項目的產出最終需要被拼接、比對、協調——這個報告中引用的數據和那個數據庫架構是否一致？這篇文獻綜述的分析框架能否支撐那份市場報告的結論？AI擅長在單一任務內深入執行，但跨任務的全局一致性仍然需要人來保障。整合注意力是"導演"角色最核心的職能——不是拍攝每一個鏡頭，而是確保所有鏡頭剪輯在一起講述同一個故事。

然后是最不尋常的一種：孵化注意力。你在洗澡時突然想到的那個角度問題，你在散步時腦海中隱約浮現的一個關聯，你在入睡前那半夢半醒的狀態中感覺到的"什么地方不對勁"——這些都是孵化注意力在起作用。它不是集中的、不是主動的、不是你能刻意調動的，但它是真實的認知投入。認知科學早就發現了"孵化效應"（incubation effect）：當你暫時放下一個問題，你的大腦并沒有停止處理它，它只是把處理過程轉移到了意識的后臺。這種"后腦"中的持續思考難以精確度量，但如果你的度量框架完全忽略它，你就無法解釋為什么有些人在"沒有工作"的時候反而產出了最關鍵的洞察。孵化注意力是四種形態中最難量化的，但它可能是人類在AI協作中最不可替代的貢獻——因為AI永遠不會"突然想到"什么。

它沒有后腦。

碎片化的逆轉

圖3：注意力時長——人機協作時代的新生產力框架

在過去十年的討論中，"注意力碎片化"幾乎總是一個貶義詞。社交媒體打碎了我們的注意力，通知推送讓我們無法專注，深度工作的能力正在被碎片化的信息消費摧毀——這些論述你一定不陌生。Cal Newport寫了整本書來警告我們，碎片化的注意力是生產力的敵人。但在AI協作的語境下，某種特定的碎片化恰恰變成了最高效的工作方式，這個翻轉值得仔細想。

區別在于：社交媒體制造的是被動的、無目的的碎片化——你的注意力被他人的時間線隨機劫持；而AI協作中的碎片化是主動的、精準的——你選擇在哪個時刻介入哪個項目，每次介入都帶著明確的判斷目的，完成后立即抽身。前者像被水流沖散的落葉，后者像蜜蜂在花朵之間有序穿梭。

這個翻轉有深層的結構性原因。過去，"碎片化"之所以有害，是因為每次注意力切換都伴隨著巨大的啟動成本——你需要重新加載上下文，回憶上次做到哪里了，找回工作狀態。這個啟動成本可能消耗十五到三十分鐘，以至于如果你的工作時間被切成一小時的碎片，真正用于生產的可能只有二三十分鐘。但AI協作工具正在系統性地消滅這個啟動成本。

當你回到一個項目時，AI可以用三十秒給你一個完整的上下文摘要：上次做到了哪里，中間發生了什么變化，當前需要你做什么決策。你不需要重新加載——AI替你維持了上下文。這意味著在AI協作環境中，啟動成本趨近于零，碎片化注意力的效率損失大幅下降，而碎片化帶來的并行處理優勢卻被完整保留。

"精準碎片化"——在多個任務之間快速、有目的地切換注意力——從一種缺陷變成了一種能力。不是所有人都能做到這一點，它需要極強的元認知能力：知道什么時候該介入，知道介入后該看什么，知道什么時候該撤出。但對于掌握了這種能力的人來說，他們的生產力上限不再被"一天能連續工作幾個小時"所限制，而是被"一天能做出多少個高質量判斷"所決定。

那束手電筒的光

圖4：超級個體的一天——不到4小時注意力驅動30-60小時AI執行

這個框架一旦建立，一些實際推論就無法回避了。最直接的沖擊落在報價和項目管理上。

一個咨詢公司今天給客戶的報價還是"本項目預計需要三名顧問、總計六十人天"。但如果這三名顧問每個人都在用AI智能體協作，實際的工作方式可能是：每人每天投入兩個小時的高質量注意力用于這個項目，同時還在并行服務其他兩個客戶。

用"人天"報價，客戶支付了六十天的全職時間；實際交付這六十天產出所需要的，可能是每人二十小時的注意力時長。這不是欺詐——產出的質量和數量可能確實等于甚至超過傳統的六十人天——但度量單位造成了一種結構性的信息不對稱。

更有趣的變化發生在"超級個體"和"一人公司"層面。當一個人同時運營三條業務線時，傳統的時間管理框架完全失效——你不可能一天有七十二小時。但注意力時長框架可以準確描述這種工作方式：你在業務A上每天投入九十分鐘啟動和監督注意力，業務B上四十五分鐘，業務C上三十分鐘，加上約六十分鐘的跨業務整合注意力——總計不到四小時的高密度注意力投入，驅動三條AI執行流各自運轉十到二十小時。產出巨大，注意力投入精確可算。

最深層的推論關乎個體策略。如果注意力是你真正的稀缺資源，那么你優化的對象就不應該是"如何填滿一天的工時"，而應該是"如何在有限的注意力預算內，做出盡可能多的高杠桿判斷"。這要求你像投資者管理資金一樣管理注意力——把它投入回報率最高的地方，而不是均勻撒在所有任務上。啟動一個新任務的注意力成本是多少？監督一個運行中的AI需要多少注意力預算？在兩個項目之間切換的注意力損耗有多大？這些問題在"人天"框架下無法被提出，在"注意力時長"框架下卻變得自然而必要。

讓我回到開頭的場景做最后的度量。你坐在書桌前，三個AI智能體在為你工作。用"人天"衡量，這一天你產出了十五到二十人天的價值。用"注意力時長"衡量，你投入了四十到五十分鐘的高密度認知資源，加上一天中不定時浮現的若干分鐘孵化注意力。這兩個數字之間的差異不是誤差，不是效率的提升，而是一種度量范式的斷裂。當AI的執行時間變得廉價且幾乎無限時，"人天"度量的那個東西——人類的時間——不再是約束性的稀缺資源。真正稀缺的是那束手電筒的光：你把注意力照向哪里，那里就有人類智慧的參與；你移開它，那里就只有算法在運行。

整個生產力的等式正在被重寫。等號的左邊不再是"投入多少人的多少天"，而是"投入多少注意力到多少個關鍵判斷節點"。等號的右邊不再受限于人類的執行速度，而是受限于AI的能力邊界和你對它的校準精度。

在這個新的等式里，一個善于分配注意力的人和一個不善于此的人之間的生產力差異，將遠遠超過工業時代一個勤奮工人和一個懶惰工人之間的差異。注意力時長不只是一個更精確的度量單位——它是對一個根本性問題的重新回答：在人與AI協作的時代，人的貢獻到底是什么？答案不再是時間，不再是體力，甚至不再是知識本身，而是注意力——那種在正確的時刻、聚焦于正確的問題、做出正確判斷的能力。

我們度量什么，就重視什么。是時候度量真正重要的東西了。