AI 幾秒鐘寫完一份初稿，不代表公司真的少做了工作。
還得有人找到正確的檔案，說明哪個版本有效，拿著看起來很完整的答案逐項核對，再把缺失的背景搬進下一個工具。出了問題，還要另一個人在下游返工。
模型很快，流程沒有。
Buda 對這個問題的判斷很明確：AI 產出只是中間狀態。 只有當上下文、執行、判斷與回饋連成一套系統，個人感受到的速度才會變成公司的速度。
個人感覺更快，不等於公司真的變快
Glean《Work AI Index 2026》呈現了一個很直觀的落差。
在接受調查的 6000 名美國、英國與澳洲全職數位工作者中，87% 已經在工作中使用 AI，75% 認為 AI 提高了自己的生產力。受訪者估計，AI 自動化平均每週替自己省下約 11 小時。
但只有 13% 的受訪者認為，AI 已經明顯改善了所在組織的表現與結果。
這兩組資料說的不是同一件事。11 小時是受訪者自報的節時，組織改善則是另一項主觀回答。調查在 2025 年 12 月至 2026 年 1 月進行，樣本集中在數位化程度較高的工作者，發布者 Glean 本身也是企業 AI 廠商。
這些邊界不影響一個值得追問的工作問題：個人覺得快了很多，這些速度為什麼沒有完整傳到組織裡？
答案往往藏在「生成完成」與「工作可用」之間。
真正被漏算的，是 AI 周圍的工作
Glean 把這類隱形勞動稱為 Botsitting。可以把它理解成「伺候 AI」：補充缺失的上下文、檢查輸出、除錯、重跑 Prompt、清理下游問題，以及在斷開的工具之間搬運意圖。
報告估算，數位工作者平均每週要花 6.4 小時做這些事。在每週與 AI 互動的時間裡：
- 37% 用來讓 AI 變得可用；
- 36% 真正用 AI 產出工作；
- 27% 學習工具與建立 Agent。
這不代表所有檢查都是浪費。
合約、財務模型、客戶承諾與對外內容，本來就應該核驗。替 AI 補充它不可能自己知道的專業判斷，也是真正有價值的工作。負責任的團隊不該試圖把這些時間全部自動化掉。
真正的浪費，是反覆重建同一個工作現場：再貼一次背景，再找一次已經批准的檔案，因為幾個工具都缺上下文而來回比較答案，再替一個本不該進入下一步的錯誤產物返工。
從 AI 答案到業務結果，中間隔著四種稅
報告把每週 6.4 小時拆成四部分：
- 2.3 小時：替 AI 補上下文；
- 2.2 小時：檢查與監督輸出；
- 1.7 小時：除錯、重新提示或更換模型；
- 0.2 小時：清理後果與切換工具。
最大的一項並不是「Prompt 寫得不夠好」，而是每次都要重新搭建 Prompt 周圍的工作現場。
一個模型能讀取整個資料夾，仍然可能不知道哪張表已經批准，「第三季」指今年還是去年，哪個客戶承諾高於通用範本，以及團隊昨天剛確認了什麼例外。
檔案本身不等於上下文。上下文還包括權威性、時效、關係、限制與任務目前狀態。
這些結構不存在時，員工就會變成真正的整合層。
接通工具，不等於消滅切換稅
報告顯示，77% 的 AI 使用者每週會在多個工具之間切換，33% 同時使用四個或更多工具，60% 會因為第一份結果不夠好，把同一個 Prompt 放進多個工具重跑。超過一半的人表示，工作所需的重要資訊無法被 AI 工具存取。
連接當然有用，但連接不等於共享工作記憶。
API 或 MCP 可以讓 Agent 取得資料，卻不會自動告訴它哪筆記錄才是正式版本、團隊驗證過哪套方法、什麼情況必須升級，以及這個任務的「完成」到底代表什麼。
如果每個工具都從一個空白對話開始，員工就得負責搬運意圖。公司統計到很多次 AI 使用，實際卻是一個人在整條鏈路上反覆重建相同背景。
AI 產物越像成品，判斷越容易被跳過
過去，差的知識工作通常帶著一些明顯訊號：結構粗糙、語句斷裂、表格沒做完。這些摩擦會提醒人停下來檢查。
AI 抹掉了很多訊號。
一份產物可以同時做到語言流暢、結構完整、事實錯誤。
報告稱，69% 的 AI 使用者承認自己至少有過一種交付未充分核查或未真正理解的 AI 產物的行為。41% 表示自己有時會提交一份被追問時無法解釋的 AI 產物；77% 在過去一個月修正或重做過 AI 輔助的工作。
解決辦法不是讓人永遠守著 AI，而是提前設計審查。
團隊應該在執行前就說清楚：
- 哪個來源才是準的；
- 什麼結果算合格；
- 哪些內容必須逐項核驗；
- Agent 可以不中斷地完成哪些動作；
- 什麼情況必須停下來交給人判斷；
- 最終結果由誰負責。
審查強度應該跟著風險走。整理公開資料與發出付款指令，不該經過同一道門。
別再重複提問，把方法變成執行系統
只有當方法能夠離開目前這次對話繼續存在，生產力落差才會開始縮小。
一套真正能工作的 AI 系統，需要五層：
- 持久上下文：Agent 可以回到同一批資料、決定與任務狀態。
- 可重複使用的方法：跑通的步驟變成 Skill 或工作流程，不再困在個人 Prompt 歷史裡。
- 可見產物：人能檢查執行過程中的檔案、研究、計算與草稿。
- 按風險審查：人在提前定義的決策點進入，而不是每一步都攔住，也不是出事後才出現。
- 結果回饋：哪些通過、哪些失敗、哪裡返工，會真正改變下一次執行。
這也是為什麼，帳號數、Prompt 數、Token 用量，甚至自報節時，都不是最關鍵的 AI 指標。
更應該看第一次審查通過率、重建上下文的時間、下游返工次數、異常率，以及另一位同事能不能直接重複使用同一套方法，而不是從頭再來。
Buda 管的是 Prompt 之後的真實工作
Buda 把一項真實任務需要的東西留在一起。
資料與業務上下文進入 Drive 與記憶。Agent 在持久的 Agent Workspace 裡執行，對話、檔案、工具與產物都保持可見。一套方法經過真實任務驗證後，可以沉澱成可重複使用的 Skills 與 Automations，而不是留在某個人的聊天記錄裡。
Agent 承擔執行，人保留目標、品質標準、例外處理與最終決定。
這和自動化之前先刪掉無效工作是同一套原則：先確認哪些工作值得保留，再給剩下的工作足夠的上下文、結構與審查，讓它能夠穩定重複使用。
從今天返工最多的一項任務開始。在 Buda 控制台裡執行它，讓上下文跟著工作留下來，再看下一位同事收到的是可用結果，還是另一份看起來很完整、實際還要重新整理的初稿。