很多公司并不缺 AI。
真正缺的是重新设计工作的勇气。
账号买了，试点做了，负责人也任命了。可回到每天的工作里，销售还在手工填 CRM，经理还在收集和转述信息，客户还在等一层层审批，会议仍然承担着“把大家知道的事拼在一起”的任务。
工具变了，公司没有变。
我们在 Buda 更关心的问题，不是“还能在哪里加一个 AI”，而是：当 Agent 已经可以读取上下文、调用工具并推进任务，哪些工作还应该继续存在？
AI 生成的编辑示意图。
AI Shuffle：换了技术 Logo，没换工作假设
Collective[i] 联合创始人 Stephen Messer 在 2026 年 8 月 15 日发表的一篇 Fortune 评论中，把这种现象称为 “AI Shuffle”：公司不断替换技术 Logo，底下关于工作怎么完成的假设却一项没动。
这个模式并不陌生。
销售过去手工填写 CRM，现在变成先让 AI 写，再由人复制进同一个字段。经理过去收五份周报，现在收到五份更长的 AI 周报。原来四个人的审批链仍然有四个人，AI 只是让每个人更快写出意见。
每一步看起来都提速了，完整流程却没有变短。
自动化甚至会让无效工作更难被看见。一旦一个流程接上系统、数据和权限，又分配了负责人，撤掉它往往比最开始质疑它更难。
先做减法，最后才自动化
Messer 提出了一套更严格的顺序：
- 质疑每一项要求：这一步为什么存在？原来的条件现在还成立吗？
- 删除不必要的工作：不改善结果的交接、汇报、等待和审批，直接拿掉。
- 简化剩下的流程：把输入、判断和交付压到最少。
- 最后才自动化：只让 Agent 接手经过前三轮检验、仍然值得保留的工作。
顺序不能倒。
自动化一个坏流程，不会把它变好，只会让它跑得更快、嵌得更深，也更难拆掉。
这也是为什么“多少员工在用 AI”很难证明公司已经转型。使用人数不能回答客户响应有没有变快、错误有没有减少、决定有没有更靠近真正掌握信息的人。
AI 原生工作流应该从结果和约束开始，而不是从工具开始。
销售预测：真的需要一场更聪明的会吗？
Messer 用销售预测举了一个具体例子。
传统链条很熟悉：销售把判断填进 CRM，经理汇总、修正，管理层再开会讨论一个大家都知道带着信息缺口和主观博弈的数字。
这场会之所以存在，一部分原因是系统看不到客户购买过程，只能依靠人逐层转述。
如果 Agent 能持续读取客户行为、沟通进展、时间节点、市场变化、关系信号和历史交易，目标就不该是让同一场预测会开得更漂亮。更合理的设计，可能是系统持续更新可检查的预测，只在异常、分歧和高风险决定出现时把人叫进来。
这只是一个诊断框架，不是让所有公司取消 CRM 或预测会的通用结论。数据质量、权限、商业判断和责任边界都因公司而异。真正要问的是：这个例行工作在产生判断，还是只在弥补系统看不见业务？
公司会从信息链变成学习闭环
过去很多企业软件，本质上服务于人的数据录入和信息搬运。
人把发生过的事写进系统，系统保存记录、流转任务、生成报表。经理再从不同系统拼出全貌，带进会议做决定，然后把决定逐级传回去。
当 Agent 可以保留上下文、观察活动、调用工具并发起下一步，最先承受压力的不只是一项软件功能。那些主要负责收集、翻译、汇总和转发信息的工作，也需要重新定义。
领导不会消失。人的判断反而更集中。
目标是什么，哪些取舍可以接受，哪些风险必须升级，什么时候要停下来，谁对最终结果负责，这些仍然由人决定。一线员工和离客户最近的人会更重要，因为他们最清楚哪些步骤真的创造价值，哪些只是旧系统留下来的补丁。
组织可以从一条漫长的信息上报链，变成一个更短的学习闭环：
业务信号进入，Agent 执行，人审核关键判断，结果再更新方法。
真正的壁垒在模型之上
模型会继续变强，价格也会继续下降。今天看起来稀缺的能力，明天可能每家公司都能买到。
如果竞争优势只是“我们也接入了某个模型”，这个优势不会持续太久。
真正能积累的部分在模型之上：
- 公司自己的业务上下文；
- Agent 可以调用的工具和权限；
- 团队已经验证过的方法；
- 客户关系和真实经营信号；
- 每次执行后的结果与反馈；
- 清晰的人工审核和升级规则。
同一个模型放进两家公司，最后产生的价值可以完全不同。区别不在 Prompt 漂不漂亮，而在 Agent 是否拿得到正确上下文，能不能完成真实任务，以及团队有没有用每次结果继续修改方法。
不要先改造全公司，先重画一条流程
不用从全公司转型开始。
先选一个每周都会发生、结果容易检查的流程，例如客户调研、销售跟进、周报整理、内容审核、报价准备或客服分流。
然后做一次小范围重构：
- 先定结果：选择响应时间、成交率、错误率、返工次数或另一个可观察指标。
- 画出现状：列出输入、等待、交接、判断、审批和交付。
- 逐项分类：删除、简化、交给 Agent，或保留人工判断。
- 小范围运行：先从低风险工作开始，设置明确审核点。
- 只看结果复盘：比较质量、速度和返工，不统计发了多少条 Prompt。
控制强度应该和任务风险匹配。整理公开资料、生成内部初稿，可以先跑起来；付款、合同、隐私和正式数据写入，需要更严格的权限与审核。
选择从来不是“完全放开”或“什么都不准做”，而是把人的判断放到后果真正需要它的地方。
把重画后的方法变成能运行的系统
Buda 解决的是白板讨论之后的那一步。
把资料和业务上下文放进 Drive 与记忆，让 Agent 在持久的 Agent Workspace 里工作，让对话、文件、工具和产物都保持可见。再把经过真实任务验证的方法，沉淀成可以复用的 Skills 与 Automations。
Agent 承担执行，人保留目标、异常和最终决定。
一次 AI 试验就是这样变成公司能力的：不是继续给旧流程加工具，而是删掉已经不该存在的工作，再让剩下的部分更容易执行、审核和改进。
从 Buda 控制台 里的一条真实流程开始。