来源：HRflag

　　AI进入企业之后，最容易被看见的是“快”：报告生成得更快，会议纪要整理得更快，代码和文案的初稿也出现得更快。最容易被忽略的，则是从“模型给出答案”到“组织敢于使用答案”之间，仍然堆着大量人工补充背景、核对事实、修正错误和解释结果的工作。2026年8月5日，《哈佛商业评论》刊发Rebecca Hinds与Paul Leonardi的文章《How Much Time Do Your Employees Spend Botsitting?》，把这层隐形劳动概括为一个形象的词：Botsitting，可以理解为员工对AI的“看护”。这篇文章给企业管理者带来的提醒很直接： AI的使用成本不能只看许可证、算力和模型调用费，还必须把人类为了让AI变得可用而投入的时间算进去。

　　文章引用的Work AI Institute《Work AI Index 2026》调查了美国、英国和澳大利亚的6000名全职数字化员工。数据显示，87%的受访者已经在工作中使用AI，75%认为AI提高了自己的生产率，员工自报由AI自动化带来的时间节省约为每周11小时。可与此同时，他们平均每周还要花6.4小时“看护”AI，接近一个完整工作日；在全部AI相关时间中，37%用于让AI产出变得可用，36%才是真正使用AI完成工作，另有27%用于学习工具和搭建智能体。个人感受到的效率提升如此明显，但只有13%的受访者认为所在组织的绩效和结果因AI而显著改善，这个落差构成了当下企业AI转型最值得关注的生产率悖论。

　　6.4小时并不意味着AI没有价值，也不意味着这6.4小时全部属于无效劳动。员工核验高风险输出、补充模型无法自行获知的业务背景、通过迭代提高结果质量，本来就是负责任使用AI的一部分；真正的问题是，这些工作往往没有进入项目预算、岗位说明、人员配置和绩效评价。管理层看到的是一个任务从两小时压缩到二十分钟，却没有看到员工在任务前后花了多久寻找最新文件、解释内部规则、判断数字版本、核对引用以及修补下游问题。 当必要的人工判断没有被计量，企业就会把“输出出现得更快”误认为“价值已经更快地形成”。

　　这也是“看护AI”之所以值得高管和HR重视的原因。它表面上是技术使用中的摩擦，实质上会一路进入岗位设计、工作负荷、绩效标准、能力建设、人才保留和管理责任。如果企业继续用传统的人力配置方法测算AI带来的效率，把所有节省时间都预先折算为更高目标、更少编制或更多任务，员工承担的隐形劳动就会不断增加。AI没有自动消除工作，它只是重新划分了“谁先生成、谁来判断、谁负责修正、谁最终担责”。

　　01 一份看似已经完成的答案，为什么仍然需要人工作业

　　“看护AI”首先发生在上下文供应环节。调查显示，员工平均每周花2.3小时向AI补充背景，占全部AI相关时间的14%，是几类看护工作中耗时最多的一项。模型可能读得到三份预算表，却不知道哪一份已经被管理层确认；它也可能检索到一套流程文件，却不知道一线团队为了满足客户时限采用了怎样的实际做法。企业数据可以被连接，业务语境却不会因为技术接口打通而自动生成，文件中的信息、团队的默认规则和专家脑中的默会知识仍然需要员工进行判断和翻译。

　　接下来是输出监督，平均每周占用2.2小时。生成式AI最容易让人放松警惕的地方，恰恰是它能够以完整、流畅和自信的方式表达不完整的结论。员工需要检查来源是否真实、假设是否适用、数字是否一致、表述是否符合企业政策，还要判断答案在当前客户、行业和时间点上是否成立。速度优势出现在初稿生成的一刻，可信度则必须在后续监督中一点点建立，这两部分不能被当作同一件事来衡量。

　　第三类工作是调试与纠错，平均每周1.7小时，也是最令人疲惫的一类。研究显示，受访者认为36%的AI会话需要大幅返工或完全重启；当答案偏离要求时，员工往往要修改提示、补充资料、更换模型、重复提问，再从多个看似合理的结果中寻找更可靠的版本。调试不像传统错误那样总能快速定位，它经常表现为“整体看起来不错，但某一处逻辑不对”，这要求员工同时保持领域知识、批判性思维和高度注意力。调查还发现，调试时间占AI使用时间的比例每增加10%，员工报告被AI耗尽精力的可能性就会显著上升。

　　剩余时间分散在清理下游结果和切换工具上，单项看似不多，叠加起来却会形成持续的注意力损耗。一名员工在一个工具中上传材料，在另一个工具中复核答案，再到内部系统里重新调整格式，信息、目标和权限每切换一次，都要重新解释一遍。77%的AI用户每周会使用多个AI工具，33%会使用四个或更多工具，60%的人会因为第一次输出不够好，把同一提示重新投入其他工具。此时员工已经不只是工具使用者，还成了不同系统之间临时的人肉接口。

　　02 企业为AI付了两次钱，第二张账单却没有进入预算

　　在传统技术投资中，成本通常被拆成采购、部署、维护和培训，投入与产出至少有相对清晰的归属。生成式AI却多出了一层更难被发现的费用：企业先为模型、算力和软件付费，随后又用员工的工作时间为模型补齐语境、质量和责任。第二张账单不会以发票形式出现，而是散落在每次复制粘贴、重新提示、事实核查、版本比对和跨部门解释里。财务报表没有一项叫“AI看护成本”，但这并不代表成本不存在。

　　以1000名经常使用AI的数字化员工为例，如果每人每周平均投入6.4小时，企业每周就需要承担6400小时相关劳动，相当于160个40小时全职岗位的时间容量。按照一年52周估算，累计超过33万小时；这不是说企业一定浪费了160个岗位，而是说明AI项目的劳动投入远高于软件采购金额所呈现的范围。如果其中一部分是高价值核验，就应被正式配置和认可；如果其中一部分来自工具割裂、数据混乱和标准缺失，就应被流程设计消除。只有把两类时间分开，管理层才能知道该保留什么、该优化什么。

　　很多AI项目的商业论证仍沿用一种过于简单的算法：原任务耗时减去AI生成耗时，差额就是节省。这个算法忽略了准备输入、检查质量、处理异常、向下游解释以及失败重做，因此特别容易高估效率。更接近真实经营的计算方式，应当从“总节省时间”中扣除看护时间、下游返工、跨工具切换和风险处置，同时观察质量、客户体验、决策速度与收入结果是否改善。 企业要计算的不是AI替人完成了多少分钟，而是一个端到端流程最终少消耗了多少组织资源。

　　这个变化会影响高管对AI投资回报率的判断。如果只统计使用人数、调用次数和生成数量，AI使用越频繁，表面上的成绩越漂亮，实际的返工和协调负担却可能同步放大。Work AI Index发现，重度AI用户比轻度用户更容易成为高频“看护者”，因为更大的生成量自然带来更多检查、解释和清理。使用规模是投入指标，业务成果才是结果指标，两者之间需要一套能够追踪真实价值流动的管理机制。

　　03 个人快了，组织为什么没有同步变快

　　AI生产率悖论的关键，不在于员工是否真的节省了时间，而在于个人节省的时间是否沿着流程转化成了团队和组织的收益。一名员工把一个要点扩写成五页报告，可能只用了十分钟；接收报告的同事却因为内容过长，再用AI把五页压缩回几个要点。两个人都可以说自己更高效，组织却没有因此获得更多信息或更好决策，只是在两个节点之间增加了生成、传递和压缩。局部效率如果没有围绕共同目标协调，很容易变成工作量在同事之间的转移。

　　这种转移在知识工作中尤其隐蔽。AI让上游员工更容易快速提交“看起来已经完成”的成果，下游员工因此更难判断其中哪些内容经过验证、哪些只是概率生成。原本由产出者完成的思考、取舍和核验，被悄悄转移给接收者；接收者既没有生成过程中的上下文，也未必获得额外时间，却要为最终质量负责。所谓节省，有时只是把劳动从可见环节移到了不可见环节，从提交者移到了审核者，从今天移到了问题暴露之后。

　　当大量AI内容进入会议、邮件、方案和系统，组织还会面临“工作通胀”。每个人都能更快生成更多材料，并不代表管理层拥有更多时间阅读，也不代表客户愿意接收更长的说明。信息供给大幅上升后，真正稀缺的变成注意力、判断力和决策容量，企业如果仍把文档数量、回复速度和任务完成数当成主要绩效证据，就会鼓励员工继续扩大输出。AI降低了生产文字和方案的成本，却提高了组织辨别重要内容的难度。

　　这解释了为什么87%的数字化员工使用AI、75%认为自己更高效，但只有13%认为组织绩效显著改善。个人层面的“我做得更快”是真实感受，组织层面的“我们是否做得更好”却需要跨岗位、跨系统和跨周期的证据。中间缺少的不是更多提示词，而是对端到端工作流的重新设计。AI能加速一个节点，却不会主动解决节点之间的目标冲突、数据差异和责任空白。

　　04 “看护”并非都该消灭，企业要消灭的是低价值看护

　　谈论6.4小时成本时，最危险的做法是把所有监督和验证都视为浪费。如果员工处理的是财务分析、人才决策、客户承诺、合规材料或安全相关工作，核对AI输出不是额外负担，而是业务质量的一部分。高绩效的AI使用者甚至可能比低绩效使用者投入更多时间进行必要核验，因为他们知道模型在哪些地方容易失误，也愿意为结果负责。减少看护时间不能以降低验证标准为代价，否则企业只是把眼前的效率换成未来更昂贵的错误。

　　真正应该被压缩的，是同一背景在多个工具中反复输入、因资料版本混乱而持续确认、因任务边界不清而多次重做，以及把不适合AI的工作强行交给模型。Work AI Index将部分看护活动区分为有生产价值和无生产价值的活动，这个划分对管理实践很重要。高风险结果的事实核查属于必要控制，三个系统之间复制同一份客户资料则属于整合缺陷；通过迭代发现模型边界能够积累能力，因企业没有定义合格标准而无休止修改则属于治理缺口。两者看起来都在“改AI答案”，经营含义完全不同。

　　企业因此需要建立一张更细的AI劳动地图。地图上不仅要记录哪些岗位在用AI，还要记录员工为哪些任务提供背景、在哪些环节进行核验、最常见的错误是什么、返工由谁承担、问题最终流向哪里。只有看见具体摩擦，组织才能判断应该改模型、改数据、改流程、改权限，还是改岗位分工。把所有问题归咎于员工“不会用AI”，往往会掩盖系统本身缺乏业务语境和流程支持的事实。

　　管理层还要接受一个更符合现实的目标：成熟的AI组织未必追求零看护，而是追求“必要看护充分、重复看护减少、看护责任清晰”。在关键决策上，人类判断应当保留；在低风险、高重复的环节，系统应逐步吸收稳定规则和有效反馈。看护数据本身也不只是成本信息，它能告诉企业模型在哪里失效、流程在哪里断裂、知识在哪里没有沉淀。 把看护当作学习信号，企业才能让今天的人工纠错变成明天的系统能力。

　　05 AI最缺的往往不是数据，而是业务上下文

　　许多企业解决AI准确率问题的本能反应，是连接更多数据、开放更多文档、增加更大的知识库。数据访问当然重要，但“能检索到”不等于“知道该采用哪一个”。模型可以看到多个版本的合同、制度和预测，却不一定理解哪个版本已经生效，某个例外为什么存在，或某位客户为何需要不同处理。信息只有进入工作关系和决策情境之后，才会成为真正可用的上下文。

　　调查中，53%的员工表示，完成工作所需的重要信息无法从AI工具中获得。这个数字背后既可能是技术连接不足，也可能是知识本身没有被整理：关键判断只存在于员工的经验里，流程文件长期未更新，部门之间使用不同口径，决策理由没有留痕。此时给模型增加访问权限，只会让它更快接触到更多彼此冲突的材料。企业若不先治理知识，AI很可能把旧问题以更流畅的方式重新输出。

　　上下文贫乏还会把责任推回员工。员工需要不断告诉AI受众是谁、目标是什么、时间范围如何界定、哪些资料优先、哪些表达不能使用，以及结果达到何种程度才可以交付。这些说明并非简单的提示词技巧，而是对业务规则的结构化表达。能够写出有效提示的人，通常不是因为掌握某个模板，而是因为真正理解任务、利益相关者和风险边界。

　　因此，企业AI建设不能只由技术团队负责接入数据，也不能只由业务团队零散试用工具。技术团队要保障权限、连接、安全和稳定性，业务专家要定义语义、例外、质量标准和使用边界，知识管理人员要维护版本与来源，HR则要把这些新职责落实到岗位、能力和激励中。AI缺少的上下文，本质上是组织还没有把自己的工作方式表达清楚。模型的答案质量，最终会暴露企业管理基础的质量。

　　06 岗位设计要从“人做什么”转向“人、AI与流程怎样协作”

　　当AI成为日常工作的一部分，岗位说明书只写传统职责已经不够。一个岗位不仅要说明员工交付什么，还应明确哪些任务可以由AI起草、哪些任务必须由人完成、哪些结果需要二次审核、出现异常时由谁升级处理。过去的岗位设计默认工具不会主动生成复杂成果，因此责任主要围绕执行分配；现在AI能够直接参与分析、写作和建议，岗位中必须增加“监督、判断和担责”的结构。看护AI不能继续作为员工自行摸索的附带义务。

　　这并不意味着每个岗位都要新增一个“AI管理员”头衔。更有效的做法，是按照任务风险和业务价值划分协作模式：低风险、规则明确的任务可以更多自动化；需要领域判断的任务由AI辅助，人类保留关键选择；高风险且难以验证的任务则应限制或禁止模型直接决策。岗位设计的单位也要从大而笼统的职位，逐步下沉到具体任务和交接节点。只有这样，企业才知道AI替代的是哪一段操作，又增加了哪一段监督。

　　广告

　　对HR而言，这种变化会重新影响工作量测算。AI把起草时间压缩后，岗位可能减少机械操作，却增加背景准备、结果核验、跨工具协调和异常处置；如果只看旧任务减少了多少，就会低估新任务的认知负荷。某些岗位的产出数量可能增长，但注意力消耗和责任风险也会同步上升，不能简单据此提高定额。 真正成熟的岗位重构，不是把AI节省的每一分钟立刻填满，而是重新平衡产量、质量、学习和风险。

　　岗位重构还要保护组织的经验形成机制。许多初级任务看起来重复，却承担着培养判断力的作用，例如分析师核对数据、招聘人员筛读材料、市场人员研究受众、年轻管理者准备沟通方案。若这些过程被完全交给AI，新员工可能更快得到答案，却没有经历形成专业直觉所必需的比较、试错和反馈。企业需要有意识地保留一部分“学习型任务”，让员工先形成基本判断，再借助AI提升广度和速度。

　　07 绩效管理不能奖励“多用AI”，而要奖励“把工作做得更好”

　　AI普及初期，企业常用登录人数、活跃天数、调用次数和生成数量证明项目正在推进。这些数据可以说明工具是否被采用，却无法说明工具是否创造价值。若管理者把使用频率直接与绩效挂钩，员工会自然追求更多点击、更多生成和更多可展示的应用案例，即使某些任务手工完成更快、更可靠。指标一旦变成目标，就可能失去原本的信息价值。

　　绩效评价更应该回到既有业务目标：周期是否缩短，质量是否提高，客户是否更满意，返工是否下降，风险是否得到控制，员工是否学会处理更复杂的问题。AI只是达成目标的一种方式，不应成为脱离结果的独立成绩。对于同一个任务，有人选择不用AI并不一定代表落后，可能是他判断核验成本高于生成收益；有人频繁使用AI也不必然代表先进，可能只是把更多整理工作转移给同事。衡量重点应当是选择是否合理、结果是否可靠、过程是否可解释。

　　企业还需要把下游返工纳入绩效视野。传统评价往往奖励快速提交者，却很少追踪其成果给审核、运营、法务、客户服务或其他团队增加了多工作。AI让提交速度进一步提升后，这种缺陷会被放大，因为低成本生成可以制造大量表面完整的成果。团队绩效指标需要覆盖端到端流程，避免上游因“产出更多”得到奖励，下游却为“清理更多”承担压力。

　　对必要的看护劳动，也要给予明确认可。员工发现模型错误、建立验证清单、沉淀高质量背景、改进团队流程，这些行为短期看会增加时间，长期却能降低组织风险并提高AI能力。如果绩效系统只奖励速度，员工就会减少检查，或者把问题留给下一个环节；如果组织认可质量控制和知识沉淀，员工才愿意把经验公开分享。 绩效管理应把“会使用AI”升级为“能对AI协作结果负责”。

　　08 能力建设的重点，不是背提示词，而是形成判断闭环

　　很多AI培训仍以工具介绍和提示词技巧为主，这在普及阶段有价值，却不足以应对看护成本。员工真正困难的不是如何让模型生成一段文字，而是如何判断任务是否适合交给AI、应该提供哪些背景、输出可能在哪些地方出错、何时停止迭代、何时必须转交专家。能够稳定获得价值的人，往往同时具备领域知识、任务拆解、信息判断、风险意识和结果表达能力。工具技能只是入口，专业判断才决定产出能否进入真实业务。

　　企业可以把AI能力拆成一条完整闭环：在使用前界定问题和风险，在使用中提供有效上下文并观察模型表现，在使用后核验结果、解释逻辑和记录反馈。培训也应围绕真实任务进行，让员工带着自己的流程、数据和质量标准练习，而不是在通用案例上追求漂亮答案。不同岗位需要不同验证方法，财务人员关心口径与审计轨迹，招聘人员关心公平、隐私和证据，市场人员关心品牌一致性与受众反应。统一的基础课程可以建立共同语言，岗位化训练才能真正减少低价值看护。

　　管理者还应把错误案例转化为组织学习，而不是只在个体层面追责。哪些提示导致了错误理解，哪些资料版本容易混淆，哪些任务在多个模型中都不稳定，哪些检查动作最有效，这些信息可以形成团队的AI使用手册、验证清单和升级规则。员工每次纠错都在为企业生成一份关于模型边界的知识，如果没有机制沉淀，下一位员工还会重复支付同样的时间成本。学习系统的目标，是让个人经验逐渐变成可复用的组织能力。

　　与此同时，企业不能因为强调AI能力而削弱基础专业训练。没有财务知识的人很难识别模型对利润口径的误读，没有劳动法规知识的人也难以判断AI建议是否适用。AI可以扩大专家的能力，却也可能放大新手的自信，使员工误以为能够生成答案就等于理解问题。能力建设必须同时提升“借助AI做事”的能力和“不依赖AI仍能判断”的能力。

　　09 管理者不能把AI看护责任全部交给员工

　　当一个团队普遍花时间补充上下文、纠正输出和切换工具时，这已经不是个人效率问题，而是管理问题。管理者需要决定团队在哪里使用AI、质量标准是什么、谁负责最终审核、哪些错误必须上报、哪些任务不值得自动化。若这些边界没有被明确，员工就会各自建立一套方法，结果是同一团队内部使用不同工具、不同资料和不同判断标准。分散试验能够产生创新，但长期运行必须形成共同规则。

　　一线经理在其中承担着关键角色。他们最接近具体工作，能够看见AI在哪些环节真正节省时间，也最早知道员工是否因返工而疲惫。经理不需要成为模型工程师，却必须具备识别低价值看护、调节工作量和组织复盘的能力。员工每周省下11小时，并不意味着经理可以立即追加11小时任务；在确认看护成本、质量变化和学习需求之前，这种目标调整可能只是把技术红利提前透支。

　　管理者还要为员工保留提出质疑的空间。如果团队文化只允许展示AI成功案例，员工会倾向于隐瞒工具失效、人工返工和不合规的临时做法，管理层得到的将是一张过度乐观的采用报告。调查显示，高AI成就者中也有人使用未经批准的工具或以不合规方式使用获批工具，这通常说明正式系统与实际工作之间存在差距。治理不能只靠禁止，还要理解员工为何绕行，并通过更好的工具、权限和流程缩小灰色地带。

　　更重要的是，最终责任不能由“AI出错”这句话悬空处理。谁提交结果，谁审核结果，谁批准高风险用途，谁负责系统和数据，必须在流程中清楚标注。AI没有组织职位，也不会承担绩效后果，因此人类责任不能因为自动化而消失。 好的管理不是要求员工永远信任AI，也不是要求员工永远怀疑AI，而是为不同情境建立可执行的信任边界。

　　10 HR要把隐形劳动带回组织制度

　　“看护AI”看似属于IT或数字化部门，实际上很快会落到HR的核心议题上。岗位是否增加了新的责任，员工是否拥有完成这些责任的时间和能力，绩效是否认可必要核验，管理者是否合理分配工作，这些都不是技术采购可以单独解决的。HR的价值在于把零散的使用行为转化为清晰的人力资源制度，使AI协作不再依赖少数员工的个人经验和额外付出。若这部分劳动长期不可见，组织会在员工敬业度、人才流失和内部公平上承担后果。

　　Work AI Index显示，高频看护者主动寻找新工作的可能性高出73%。这一结果不能简单理解为“使用AI导致离职”，因为调查主要基于自报数据，相关关系并不等同于单一因果；但它足以提示管理者，长期、无认可、无支持的AI返工会影响员工体验。尤其当一些员工快速生成成果，另一些员工持续承担检查和收尾时，团队容易形成新的不公平感。真正稀缺的专家被大量用于清理低质量输出，既会削弱其成就感，也会挤压培养新人和解决复杂问题的时间。

　　HR可以通过组织诊断让这些负担显性化。员工调研中应增加AI相关工作量、返工来源、工具切换、质量责任和心理疲劳问题；职位分析中应记录新出现的监督任务；人才盘点中应识别承担关键验证和上下文解释的业务专家。不能只问“你是否使用AI”，还要问“AI让你新增了哪些工作”“这些工作由谁认可”“哪些环节最耗精力”“哪些能力仍然缺失”。问题问得越具体，得到的组织信号越接近真实。

　　HR还应关注AI看护负担在不同群体之间如何分配。高资历员工可能因为判断力强而承接更多审核，新员工可能因为工具不熟而花更多时间调试，职能支持团队可能承受来自全公司的低质量输入，一线经理则可能成为所有异常的最后出口。平均6.4小时会掩盖这些差异，因此企业不能只看全员平均值。公平的目标不是让每个人看护同样久，而是让责任与能力匹配、负担与认可匹配、风险与授权匹配。

　　11 从“AI使用率”转向“AI经营质量”

　　许多企业已经建立AI仪表盘，但内容主要围绕账号开通率、周活跃率、调用量和节省时间估算。这些数据能够回答“AI有没有被用起来”，却回答不了“AI有没有让业务变得更好”。下一阶段的管理重点，应当加入看护时间、一次通过率、重大错误率、下游返工量、任务完成周期、客户结果和员工体验。只有同时观察投入、过程、质量和结果，才能避免把高使用量误当成高成熟度。

　　不同任务需要不同指标。自动整理会议纪要可以关注准确率、修改时长和行动项遗漏；辅助招聘可以关注筛选一致性、候选人体验、公平性与人工复核；辅助财务分析要关注数据来源、口径一致、可解释性和审计轨迹；辅助客户服务则要关注解决率、升级率、满意度和敏感问题识别。企业不必建立一套庞大统一的指标体系，而应从价值高、使用频繁、风险明确的流程开始。指标越靠近实际工作，越能帮助团队做出改进。

　　“净时间收益”可以成为一个实用起点，但不能成为目标。企业可以记录原流程总耗时、AI介入后的生成时间、背景准备时间、核验时间、返工时间和下游处理时间，再比较质量与业务结果。某些任务即使没有节省时间，只要质量明显提高或风险明显下降，仍然可能值得使用AI；另一些任务看似节省很多时间，如果增加客户投诉或管理层复核，就未必创造真实价值。经营质量要求管理者同时理解效率、效果和风险。

　　这套衡量方式也能改善AI投资决策。当某个流程的大量时间消耗在重复输入背景，企业需要优先建设知识连接和权限管理；当主要成本来自输出不稳定，可能需要缩小使用场景、调整模型或增加规则校验；当问题集中在员工不会判断，则应投入岗位化训练和专家支持。数据的作用不是证明AI项目成功，而是帮助企业找到下一项最值得解决的摩擦。 真正有价值的AI仪表盘，应当让管理层看见问题，而不是只让项目看起来热闹。

　　12 一个季度内，企业可以先做哪些改变

　　改变不必从一场全公司范围的大型转型开始。企业可以先选择两到三个AI使用频繁、产出可衡量、业务负责人愿意参与的流程，连续记录四周的真实工作。记录内容包括AI介入点、员工补充的背景、核验方式、失败次数、返工来源、工具切换和最终结果，同时访谈流程上下游人员。这个过程的重点不是考核员工，而是找出隐形劳动集中出现在哪里。

　　在获得基础数据后，业务、IT和HR可以共同做一次流程重画。保留高风险环节中的必要人工判断，消除重复复制、版本不清和多工具切换，明确每个交接点的合格标准与责任人。对频繁出现的背景信息，应尽量沉淀为可维护的知识资产；对经常出现的错误，应建立验证清单和升级规则。流程重画完成后，再决定是否需要新工具，而不是看到问题就继续叠加AI产品。

　　随后应同步调整岗位与绩效。把新增的监督、审核和异常处置写入岗位责任，为承担关键质量控制的员工配置时间，并让团队目标覆盖下游返工与最终质量。管理者需要与员工讨论AI节省的时间实际去了哪里，而不是直接把供应商宣称的效率全部写进目标。若一个岗位的看护负担长期过高，企业应判断是系统需要改进、任务不适合AI，还是人员配置需要变化。

　　一个季度结束时，管理层应该能够回答几项具体问题：哪些任务使用AI后获得了净收益，哪些任务只是把工作转移到了下游，哪些看护属于必要控制，哪些看护来自系统缺陷，哪些员工和岗位承担了最多隐形责任。答案不必完美，但必须比“使用率提高了多少”更接近经营事实。只要企业开始持续追踪这些问题，AI转型就会从工具推广进入真正的组织设计阶段。

　　13 高管真正需要重估的，是AI时代的管理假设

　　过去几年，企业对AI的期待常建立在一个线性假设上：模型能力越强，自动化程度越高，员工投入越少，组织产出越多。Botsitting揭示的现实更复杂，模型能力提升可能减少某些操作，却也会让AI进入更复杂、更高风险的任务，从而增加监督、解释和责任要求。AI越像一个能够独立产出的“同事”，员工就越像一个需要分配任务、提供背景、检查成果并承担后果的“管理者”。普通员工正在获得一种过去没有被正式承认的管理责任。

　　这意味着企业不能再把AI只视为个人生产力工具。它已经成为组织分工的一部分，会改变信息怎样流动、责任怎样转移、专家时间怎样分配，以及员工如何形成能力。技术部门能够提供平台，真正决定价值的却是管理系统：是否有清晰目标、可靠知识、合理流程、质量标准、学习机制和责任边界。AI的组织回报，越来越取决于这些看似不属于模型的因素。

　　高管也需要重新理解“节省时间”的含义。时间只有被重新配置到更高价值活动，并最终改善经营结果，才构成企业收益；如果节省的时间被返工、协调、信息过载和目标加码吞噬，它就只是局部统计上的漂亮数字。管理层不能在尚未确认净收益之前，就把预计节省全部兑现为编制削减或绩效提高。稳健做法是先观察流程实际变化，再决定资源如何重配。

　　最终，Botsitting不是一篇劝企业放慢AI应用的文章，而是一份要求企业把AI应用做深的提醒。真正领先的组织不会把“更多人使用AI”当作终点，也不会把所有人工监督视为落后，它们会减少无意义的补救，保留有价值的判断，并让必要劳动得到预算、工具和认可。 AI能否成为生产力，不只取决于它生成得有多快，更取决于组织是否有能力把生成结果转化为可信、可用、可负责的工作。

　　当企业开始计算那6.4小时，看到的不应只是新增成本，还应是一张管理改进清单：知识是否混乱，流程是否割裂，标准是否模糊，岗位是否失衡，绩效是否鼓励了错误行为，管理者是否承担了应有责任。每一小时“看护”都在暴露AI与真实工作之间的缝隙，也在提示组织下一步应该补在哪里。企业不必追求一个无人监督的幻想，而应建立一种更成熟的人机协作方式。届时，AI节省的时间才不会在组织内部悄悄消失，而会真正沉淀为质量、能力和增长。

　　参考资料

　　Harvard Business Review，Rebecca Hinds、Paul Leonardi，《How Much Time Do Your Employees Spend Botsitting?》，2026年8月5日：https://hbr.org/2026/08/how-much-time-do-your-employees-spend-botsitting

　　Work AI Institute / Glean，《The Work AI Index 2026: Botsitting， Botshitting， and the Hidden Human Labor of AI at Work》，2026年：https://www.glean.com/work-ai-institute/reports/work-ai-index

　　Glean Newsroom，《Workers Say AI Saves 11 Hours a Week—Over One Quarter of the Workweek—But Lack of Context Is Eating the Gains》，2026年6月10日：https://www.glean.com/press/workers-say-ai-saves-11-hours-a-week-over-one-quarter-of-the-workweek-but-lack-of-context-is-eating-the-gains-new-report-finds

　　Harvard Business Review，Aruna Ranganathan、Xingqi Maggie Ye，《AI Doesn’t Reduce Work—It Intensifies It》，2026年2月9日：https://hbr.org/2026/02/ai-doesnt-reduce-work-it-intensifies-it

　　原文链接：https://mp.weixin.qq.com/s/l7Qea9GHmbXwiusaxZAVcw