過去，判斷一個人會不會用 AI，常看他能不能寫出一個好問題。
OpenAI 最新發布的全球使用數據出現了新的分界：在工作場景中，人們讓 ChatGPT 完成任務或產出內容的可能性，是非工作場景的 2 倍多。編輯文件、寫程式、做分析，AI 正從「解釋給我聽」走向「先交一份結果」。
這件事比 Prompt 技巧更重要。AI 一旦開始產生檔案、決策建議與待寫入的記錄，團隊要管理的就不再是一段對話，而是輸入、交付物、驗收標準與人工接管點。
從 Buda 的官方產品視角來看，下一階段不是更會聊天，而是更會管理 Agent 執行。
進入工作，人們開始期待一份結果
OpenAI Signals 將訊息意圖分成三類：
- Asking： 取得資訊、解釋與建議
- Doing： 產出內容或執行任務
- Expressing： 表達觀點或感受，不尋求資訊或行動
非工作場景裡，Asking 仍然最大；進入工作後，Doing 明顯增加。使用者要求 ChatGPT 直接做事的可能性，是非工作場景的 2 倍多。
OpenAI 沒有公布這個相對比較背後的精確百分比。更重要的是行為變化：人一進入工作狀態，就更希望 AI 交回可繼續使用的產物。
它可能是一份修改後的文件、一段程式碼、一項分析、一套簡報，也可能是一批等待審核的記錄。
這場變化正在走出早期使用者圈
OpenAI 更新了 144 個國家的人均使用排名，拉丁美洲、非洲與大洋洲部分地區正在追趕早期市場。多媒體生成、分析與檢索成為成長最快的用途，占全球分類訊息 7.8%；在巴西與哥倫比亞，每 10 條訊息中超過 1 條與多媒體有關。主動回報年齡的使用者中，35 歲以上人群的訊息占比在幾乎所有國家都在上升。
這些數字各有統計範圍。Asking 與 Doing 的比較來自個人管理的 Free、Go、Plus 與 Pro 帳戶，不含 Enterprise 和 Codex；多媒體國家估計涵蓋 126 國，人均排名比較涵蓋 144 國；年齡趨勢只統計主動回報年齡的使用者。
合在一起，它們描述的是方向：更多地區、更多年齡層的人，正在讓 AI 處理更多類型的工作。
要求 AI 產出，還不是一套工作流程
「幫我分析本月銷售」聽起來像任務，實際仍隱藏大量決定。Agent 要讀哪張訂單表？和哪個基準比較？最後交什麼格式？哪些異常必須升級？誰確認最終數字？
一項任務要變得可管理，至少需要四個部分：
- 輸入： Agent 可以讀取哪些檔案、資料、上下文與工具
- 交付物： 最後要生成文件、表格、程式碼或待審核記錄
- 驗收標準： 完成條件、證據與錯誤邊界
- 人工審核： 哪些異常與動作必須由人放行
差別不在文字更漂亮，而在完整任務定義了一份工作契約。
Buda 管理 Agent 的執行層
一次性聊天最容易丟失上下文。真正執行工作的 Agent，需要持續存在的空間，讓來源資料、規則、工具呼叫、生成檔案與審核決定留在一起。
Buda 提供這層執行環境。在 Agent Workspace 中，Agent 可以讀取專案檔案、在沙箱中使用工具、推進多步任務並留下可見產物。跑通的方法可以沉澱成 Skill，定時或重複工作可以變成 Automation，人隨時檢查過程與結果，決定下一步。
Agent 負責執行，人負責判斷。
Busabase 管理可信資料邊界
有些 Agent 結果以檔案結束，有些則要進入客戶、財務、專案、內容或營運系統。這個時刻需要一道比「模型已完成」更明確的邊界。
Busabase 提供 approval-first 的可信資料層。Agent 不直接修改正式記錄，而是先提交 ChangeRequest。人可以查看欄位級 diff、評論、批准或拒絕；只有審核通過的變更才會合併，並保留來源與稽核歷史。
- Buda： 上下文、工具、多步 Agent 執行、產物、Skills 與 Automations
- Busabase： 資料變更提案、人工審核、可信記錄與稽核軌跡
它們讓 AI 執行工作，同時不擅自決定什麼進入正式資料。
下一項 AI 能力，是管理任務
OpenAI 的數據捕捉到真實變化：人們開始向 AI 要工作結果，而不只是解釋。
優勢將屬於能把任務定義清楚、給 Agent 正確上下文、檢查證據，並保存成功方法的團隊。
先挑一個反覆發生的任務，寫清輸入、交付物、驗收標準與人工審核點，再放進 Buda Agent Workspace 執行。結果需要進入正式業務資料時，在 Agent 執行與 canonical record 之間加上 Busabase ChangeRequest。
AI 才會真正從聊天進入工作。