devgo.cn你有没有过这种体验：用 AI 写代码，生成得飞快，但你要花比手写更长的时间去 review 它给的每一行；用 AI 写邮件，措辞漂亮，但你得逐字核对它有没有理解错你的意思。我们以为聊天框是复杂性的终结者，结果它只是把复杂性从菜单和模式里，搬到了一个更隐蔽的地方。这背后是一条 40 年前的老定律——Tesler 守恒定律（任何应用都有不可消除的固有复杂性，问题只在于由谁来承担：用户、开发者，还是系统）。今天它非但没被 AI 废除，反而被 AI 加速了。
故事要从 Larry Tesler 说起。1970 年代他在 Xerox PARC 和 Tim Mott 一起做了 Gypsy 编辑器，那是第一个不需要进入命令模式就能直接编辑文本的编辑器。后来 Steve Jobs 把他挖到苹果，他干了 17 年，做到首席科学家，车牌号都写着 NO MODES（无模式）。他毕生的工作就是删掉那些让用户困惑的状态，在 UX 这个词还没诞生之前，他就干了一辈子 UX。到 1980 年代中期，他把这种直觉总结成了复杂性守恒定律：任何应用都有不可消除的固有复杂性，唯一的问题是让谁来处理它——用户、开发者，还是系统。
40 年后，聊天框出现了，看起来像终极答案：输入你想要的东西，机器搞定一切，没有菜单、没有模式、没有手册。但作者说，这不是答案，这是一次转移，而且是同时朝三个方向的转移。一部分复杂性转移进了模型本身，这是真正的进步；一部分转移到了用户身上，用户现在要写需求说明（specification，就是把你想要的结果用语言精确描述出来），还要判断结果好不好；剩下的一部分转移到了你的团队身上，变成了没人愿意接手的评估工作。Tesler 定律没有被废除，移动困难本来就是设计的工作，所以转移本身不是失败，掩盖转移才是。
作者把复杂性去向列成了一个四栏账本，比 Tesler 当年多了一栏。用户：以前学菜单、学模式、记快捷键；现在写指令，然后审查返回的结果。应用开发者：以前写条件逻辑、100 条错误提示字符串、处理每个能想到的边界情况；现在做评估（evaluation，就是系统性地测试 AI 输出质量的工作）、检索管道（retrieval plumbing，把相关知识喂给模型的工程链路），还有那些悄悄变成了产品逻辑的提示词（prompt，给模型的指令文本）。平台开发者：以前是微软或苹果，发布周期你可以提前规划；现在是你的模型提供商，每隔几周就悄悄改一次模型行为，不告诉你。第四栏是 Tesler 时代不存在的角色——审查者：以前没人干这活，因为干活的人就是检查的人；现在要认证（certify，确认结果正确可用）一个房间里没人亲手产出的东西。
这个账本的意义在于，它让一切变得可计数。如果一个功能给用户省了 10 分钟，那这 10 分钟一定会出现在某个你本来就能测量的地方：每个产物的审查时间、团队现在花在评估上的工时、每个任务的推理成本（inference cost，模型跑一次回答的计算开销）。但几乎没人去数这些，所以节省看起来像是免费的。这是实践上的缺口，不是技术上的限制。谁第一个同时测量转移两端，谁就能填上这个缺口。
作者特别点出了聊天框这个看似无辜的控件。Jakob Nielsen 说生成式 AI 是 60 年来第一个新交互范式，因为用户不再描述步骤，而是描述想要的结果。但问题在于：告诉系统你想要什么，前提是你得知道你想要什么，而且得能用语言精确说出来。写需求说明曾经是一种需要训练和评审的专业技能，现在它成了几亿人每天面对的控制界面，而这些人都没申请过这份工作。Amelia Wattenberger 早就指出了这个成本：一个文本输入框看起来和搜索框、登录表单、信用卡输入框一模一样。空白文本框是史上最灵活的控件，也是最没有指导性的控件。下拉菜单在约束你的同时教会你领域知识，禁用的按钮展示了一条你本来要靠失败才能发现的规则，而空白文本框什么都不告诉你。
验证（verification，确认 AI 输出正确）是账单。2025 年 7 月，METR 做了一项随机对照试验，16 位经验丰富的开源开发者，在他们维护多年的仓库里完成 246 个任务。结果令人震惊：允许使用 AI 时，速度反而慢了 19%。他们事前预测会快 24%，事后估计快 20%，实际却慢了。这个差距值得细品：不是工具失败了，而是专业人士根本感觉不到自己的时间花在了哪里。生成（generation，让 AI 产出内容）感觉像进步，验证永远不会。工作没有消失，它从生产变成了检查，而检查更难被看见。所以作者建议：为检查而设计。显示 diff（差异对比，改动前后的逐行对照）而不是一整面替换后的文字，把来源放在做决策的地方。
但作者也指出，批评者漏掉了一部分。Brynjolfsson、Li 和 Raymond 在《Quarterly Journal of Economics》2025 年发表的研究中，分析了 5,172 名客服人员。AI 辅助让每小时解决的问题数提升了 15%，经验较少的员工在速度和质量上都有提升，而最有经验的员工反而略有下降。这个分布才是关键发现：系统吸收了那些需要多年隐性知识（tacit knowledge，难以言传的经验）的复杂性——安抚愤怒客户的措辞、判断适用哪条政策的直觉。对已经掌握这些的专家来说，没有剩下什么可被吸收的。Geoffrey Litt 在《Malleable software in the age of LLMs》中提出了更广泛的论点：终端用户编程的障碍从来不是意愿，而是把粗略的想法变成代码。AI 是几十年来第一个提高了系统侧能承载多少复杂性的工具。这是对 Tesler 方程式的改变，也是他毕生追求的结果。
最后，作者提醒我们有一块确定性地板（deterministic floor，无法被概率性系统触碰的领域）。有些复杂性根本不会移动。工资单是最干净的案例：一张支票要么正确，要么就是法律问题，因为预扣税（withholding，从工资中扣除的税款）是有法条依据和审计追踪的规则。99% 正确的工资单就是失败的工资单。这类场景需要的是确定性，而不是概率性的生成。
这篇文章最让我意外的是 METR 那个 19% 的减速数据——它颠覆了
内容与图片版权归原作者所有 · 原文: https://uxdesign.cc/teslers-law-complexity-survived-the-chat-field-it-just-moved-to-a-different-place-in-the-journey-8a63f099f490?source=rss----138adf9c44c---4