AI 几秒钟写完一份初稿，不代表公司真的少做了工作。
还得有人找到正确的文件，解释哪个版本有效，拿着看起来很完整的答案逐项核对，再把缺失的背景搬进下一个工具。出了问题，还要另一个人在下游返工。
模型很快，流程没有。
Buda 对这个问题的判断很明确：AI 产出只是中间态。 只有当上下文、执行、判断和反馈能连成一套系统，个人感受到的速度才会变成公司的速度。
个人感觉更快，不等于公司真的变快
Glean《Work AI Index 2026》给出了一个很直观的落差。
在接受调查的 6000 名美国、英国和澳大利亚全职数字工作者中，87% 已经在工作中使用 AI，75% 认为 AI 提高了自己的生产力。受访者估计，AI 自动化平均每周替自己省下约 11 小时。
但只有 13% 的受访者认为，AI 已经明显改善了所在组织的表现和结果。
这两组数据说的不是同一件事。11 小时是受访者自报的节时，组织改善则是另一项主观回答。调查在 2025 年 12 月至 2026 年 1 月进行，样本集中在数字化程度较高的工作者，发布者 Glean 本身也是企业 AI 厂商。
这些边界不影响一个值得追问的工作问题：个人觉得快了很多，这些速度为什么没有完整传到组织里？
答案往往藏在“生成完成”与“工作可用”之间。
真正被漏算的，是 AI 周围的工作
Glean 把这类隐形劳动称为 Botsitting。可以把它理解成“伺候 AI”：补充缺失的上下文、检查输出、调试错误、重跑 Prompt、清理下游问题，以及在断开的工具之间搬运意图。
报告估算，数字工作者平均每周要花 6.4 小时做这些事。在每周与 AI 互动的时间里：
- 37% 用来让 AI 变得可用；
- 36% 真正用 AI 产出工作；
- 27% 学习工具和搭建 Agent。
这不意味着所有检查都是浪费。
合同、财务模型、客户承诺和对外内容，本来就应该核验。给 AI 补充它不可能自己知道的专业判断，也是真正有价值的工作。负责任的团队不该试图把这些时间全部自动化掉。
真正的浪费，是反复重建同一个工作现场：再粘贴一次背景，再找一次已经批准的文件，因为几个工具都缺上下文而来回比较答案，再替一个本不该进入下一步的错误产物返工。
从 AI 答案到业务结果，中间隔着四种税
报告把每周 6.4 小时拆成四部分：
- 2.3 小时：给 AI 补上下文；
- 2.2 小时：检查和监督输出；
- 1.7 小时：调试、重新提示或更换模型；
- 0.2 小时：清理后果和切换工具。
最大的一项并不是“Prompt 写得不够好”，而是每次都要重新搭建 Prompt 周围的工作现场。
一个模型能读取整个文件夹，仍然可能不知道哪张表已经批准，“第三季度”指今年还是去年，哪个客户承诺高于通用模板，以及团队昨天刚确认了什么例外。
文件本身不等于上下文。上下文还包括权威性、时效、关系、限制和任务当前状态。
这些结构不存在时，员工就会变成真正的集成层。
接通工具，不等于消灭切换税
报告显示，77% 的 AI 用户每周会在多个工具之间切换，33% 同时使用四个或更多工具，60% 会因为第一份结果不够好，把同一个 Prompt 放进多个工具重跑。超过一半的人表示，工作所需的重要信息无法被 AI 工具访问。
连接当然有用，但连接不等于共享工作记忆。
API 或 MCP 可以让 Agent 取到数据，却不会自动告诉它哪条记录才是正式版本、团队验证过哪套方法、什么情况必须升级，以及这个任务的“完成”到底意味着什么。
如果每个工具都从一个空白对话开始，员工就得负责搬运意图。公司统计到了很多次 AI 使用，实际却是一个人在整条链路上反复重建相同背景。
AI 产物越像成品，判断越容易被跳过
过去，差的知识工作通常带着一些明显信号：结构粗糙、语句断裂、表格没做完。这些摩擦会提醒人停下来检查。
AI 抹掉了很多信号。
一份产物可以同时做到语言流畅、结构完整、事实错误。
报告称，69% 的 AI 用户承认自己至少有过一种交付未充分核查或未真正理解的 AI 产物的行为。41% 表示自己有时会提交一份被追问时无法解释的 AI 产物；77% 在过去一个月修正或重做过 AI 辅助的工作。
解决办法不是让人永远守着 AI，而是提前设计审核。
团队应该在执行前就说清楚：
- 哪个来源才是准的；
- 什么结果算合格；
- 哪些内容必须逐项核验；
- Agent 可以不中断地完成哪些动作；
- 什么情况必须停下来交给人判断；
- 最终结果由谁负责。
审核强度应该跟着风险走。整理公开资料和发出付款指令，不该经过同一道门。
别再重复提问，把方法变成执行系统
只有当方法能够离开当前这次对话继续存在，生产力落差才会开始缩小。
一套真正能工作的 AI 系统，需要五层：
- 持久上下文：Agent 可以回到同一批资料、决定和任务状态。
- 可复用方法：跑通的步骤变成 Skill 或工作流，不再困在个人 Prompt 历史里。
- 可见产物：人能检查执行过程中的文件、研究、计算和草稿。
- 按风险审核：人在提前定义的决策点进入，而不是每一步都拦住，也不是出事后才出现。
- 结果反馈：哪些通过、哪些失败、哪里返工，会真正改变下一次执行。
这也是为什么，账号数、Prompt 数、Token 用量，甚至自报节时，都不是最关键的 AI 指标。
更应该看第一次审核通过率、重建上下文的时间、下游返工次数、异常率，以及另一位同事能不能直接复用同一套方法，而不是从头再来。
Buda 管的是 Prompt 之后的真实工作
Buda 把一项真实任务需要的东西留在一起。
资料和业务上下文进入 Drive 与记忆。Agent 在持久的 Agent Workspace 里执行，对话、文件、工具和产物都保持可见。一套方法经过真实任务验证后，可以沉淀成可复用的 Skills 与 Automations，而不是留在某个人的聊天记录里。
Agent 承担执行，人保留目标、质量标准、异常处理和最终决定。
这和自动化之前先删掉无效工作是同一套原则：先确认哪些工作值得保留，再给剩下的工作足够的上下文、结构和审核，让它能够稳定复用。
从今天返工最多的一项任务开始。在 Buda 控制台里运行它，让上下文跟着工作留下来，再看下一位同事收到的是可用结果，还是另一份看起来很完整、实际还要重新收拾的初稿。