使用 AI 的员工报告称，它每周为他们省下约 11 小时——超过工作周的四分之一——然而只有 13% 的人表示，公司因此显著提升了绩效（Glean Work AI Index, 2026）。把这两个数字并排放在一起。节省的时间真实且可观。而业务成果几乎不见踪影。这道落差是今年关于 AI 生产力最重要的发现，而它并非测量误差。它正是这些小时去往的地方。
它们去往了 Glean 研究者命名的东西：botsitting（带机保姆）。在一项覆盖美国、英国和澳大利亚 6,000 名全职数字工作者的调查中——由来自 Stanford、UC Berkeley 和 Harvard 的研究者共同开展——员工报告平均每周花费 6.4 小时去监督、纠正、重写提示词并替 AI 工具善后（Glean / BusinessWire, 2026）。这几乎是整整一个工作日，每周都花在照看那本应把这一天还给你的工具上。对一位 Head of Operations 而言，标题不是「AI 省下 11 小时」。而是「AI 省下 11 小时，又悄悄向你收回其中 6 小时——而你很可能两者都没入账」。
应当让你止步的数字：投入 11 小时，产出 13%
大多数 AI 商业论证建立在第一个数字之上，并默默假定第二个。承诺是每席位节省的小时数，乘以人头，记作释放出的产能。Work AI Index 用一句话击碎了这套算术：75% 的知识工作者表示 AI 提升了他们的生产力，但只有 13% 的人表示它显著改善了公司的绩效（CIO Dive, 2026）。个人生产力几乎被普遍感知到。而组织绩效的移动，大约只发生在八家公司中的一家。
诱惑在于把这 13% 读作采用问题——席位不够、培训不够，再给它一个季度。数据指向相反方向。采用率已经很高；被感知到的生产力已经在那里。所缺的是把个人节省的时间转化为组织真正能用的工作。小时在桌前被节省，在系统中被丢失。一位 Head of Operations 若凭着 11 小时这个数字去为下一批席位拨款，买的不过是更多那个本就无法转化的投入。
这正是这个数字所要求的纪律：不再以个人声称省下的小时来衡量 AI，而开始以组织交付的、且此前无法交付的工作来衡量它。第一个指标是自报的、讨喜的。第二个是你的损益表唯一会看到的。
「botsitting」到底是什么
botsitting 是把 AI 输出变得可用的那种不光鲜的劳动：给工具补上它缺失的上下文、核对它的回答、调试它的错误、重跑提示词、在系统间切换以拼出它无法自行拼出的东西，并重写它产出的自信却错误的材料。Glean 的说法直白——员工每花一小时从 AI 获得有用的输出，就要再花一小时让它变得可用（CIO Dive, 2026）。按每周 6.4 小时计，botsitting 吞掉了 AI 总时间约 37%，略多于员工真正用 AI 干活的时间（AIwire, 2026）。
代价不只是损失的小时。而是当人们停止支付它时所发生的事。报告命名了第二种行为——botshitting——交付员工实际上并未核验过的 AI 生成工作。早期预警指标藏在核验率里：只有 69% 的员工表示会核验 AI 的建议（CIO Dive, 2026）。把它读作一份运营风险登记册，而非趣闻。大约每十份 AI 输出就有三份未经人工检查便进入你的工作成果。其中一些没问题。另一些正是 botsitting 存在以拦截的那种自信却错误的回答，如今径直流入客户交付物、预测或合规文件。你的团队靠不做 botsitting 省下的小时并不会消失；它们转化为潜伏的返工与错误风险，在更下游、更晚、也更昂贵处浮现。
为什么更多席位与更多提示词培训都打偏了
对一次令人失望的 AI 推行，本能反应是买更多席位，或培训人们把提示词写得更好。两者都打偏了 Work AI Index 所指认的那个约束性瓶颈。报告自己的标题点明了它：上下文的缺失正在吞噬收益（Glean / BusinessWire, 2026）。瓶颈不在于工作者把请求措辞得多巧妙。而在于 AI 能否触及它给出好答案所需的信息——文档、记录系统、被锁在它从未接入过的工具里的机构知识。
这重新框定了整个问题。一位训练有素的提示词撰写者，去询问一个看不见相关数据的 AI，仍会得到肤浅、笼统或错误的回答——然后花掉那一小时 botsitting，手动重建工具触及不到的上下文。更好的提示词补不上访问的缺口；它只是把更通顺的请求投进同一片虚空。更多席位把同一约束乘到更多人身上。调查指向的杠杆在两者的上游：信息架构：你的 AI 实际被允许且能够检索哪些数据和系统。
提示词技巧是工作者的问题。上下文访问是运营的问题。
这个区分之所以重要，是因为它重新分配了责任归属。若瓶颈是提示词技巧，解法便落在个体工作者与培训部门。既然瓶颈是上下文访问，解法便落在治理系统如何连接、以及 AI 被允许读取什么的人身上——也就是运营与 IT，而非终端用户。绘制数据来源、拆除孤岛、把 AI 扎根于真实企业上下文的工作，正是 Head of Operations 所治理、而提示词工程工作坊触碰不到的那种跨系统管线工程。报告指出，跑在前面的公司，是那些把 AI 扎根于真实企业上下文、并以业务成果而非席位数来衡量它的公司。
中型市场的敞口
这最沉重地砸在 100 至 500 名员工的公司身上，并非偶然。大型企业有数据集成预算、内部平台团队，以及一个以连接系统为职责的治理职能。中型市场运行着更单薄的技术栈：更多互不相连的点状工具、更少的集成负责人，以及一次按席位买入、而非作为基础设施建成的 AI 推行。botsitting 这笔税是累退的——它最重地压在最无力看见它的组织身上，因为它们最缺乏仪表去察觉每位 AI 用户日程里每周漏掉的那 6 小时。
对一家 200 人的运营而言，敞口在沉默中累积。买下 150 个 AI 席位，为每人声称省下的 11 小时庆祝，并记下每周逾 1,600 小时「释放出的产能」——它从不出现在产出中。与此同时，同样这 150 人正吸收着每周近 1,000 小时未入账的 botsitting，且约三分之一的 AI 输出未经核验便交付。这一切都不在任何仪表盘上，因为这次推行被设计成一笔生产力采购，而非一次运营变革。它第一次变得可见，是在释放出的产能没有兑现、而有人发问 AI 的 ROI 去哪了的时候。
下一个席位之前的审计
这个季度最具杠杆的一步，不是新工具，也不是更大的合同。而是一次对你的 AI 究竟能触及什么的审计——在为下一个席位拨款之前做，而非之后。三个具体步骤。
对照你的真实工作，绘制上下文访问图。 针对那少数你最想要 AI 杠杆的任务，问一个字面问题：工具能否检索到一个胜任的人为把事情做好而会查阅的文档、记录与系统？凡是答案为否之处，你便定位到了一台 botsitting 发生器——一个工具会产出弱答案、而人会花一小时手动重建上下文的地方。那些缺口，而非你的提示词模板，才是真正的待办积压。
把 botsitting 与核验作为常设指标来度量。 你无法管理一笔你不度量的每周 6.4 小时的成本。定期向你的 AI 用户问两个问题：有多少时间花在纠正、重写提示词与围着工具拼接上，以及有多大比例的 AI 输出未经人工检查便抵达工作成果。第一个数字是你隐藏的劳动条目。第二个是你的错误风险。同时追踪两者，关于 AI ROI 的对话便从轶事走向度量。
让下一笔采购以上下文为条件，而非以席位需求为条件。 在批准更多席位之前，要一个答案：自上一批以来，我们在数据访问上改变了什么？若什么都没有，更多席位只会以更高成本复制同样的转化失败。把多一个记录系统接入你现有的席位，依这份证据，回报将超过在同一个互不相连的技术栈上把席位翻倍。
正是在这里，人才与运营智能不再是一个工具品类，而成为一种运营实践。在 Scovai，贯穿我们全部工作的主线是：决策应当建立在客观且可追溯的信号之上——AI 推行也不例外。一个扎根于你工作真正所需上下文的工具，归还净小时。一个被剥夺了那种上下文的工具，归还同样的工作，只是被重新贴上了「监督」的标签。
本季度的决定
这是季度结束前要做的唯一决定，它除了诚实别无成本。拿起你的 AI 推行，回答一个问题：我们是在以个人声称省下的小时来衡量它，还是在以组织交付的、且此前无法交付的工作来衡量它？若是前者，你追逐的是讨喜的 11 小时这个数字，而忽略了开出账单的 6.4 小时那个数字。换掉指标，做上下文访问审计，并在批准下一个席位之前，把 botsitting 与核验放上仪表盘。把 AI 当作一笔由席位数驱动的采购的公司，会继续纳闷为什么被感知到的生产力始终到不了损益表。把它当作信息架构问题的公司，会找回承诺给它们的那些小时——并停止支付那笔它们看不见的税。
