英国职场AI效率悖论：员工每周节省12小时，却花近6小时“看守机器人”

一项针对1500名数字工作者的调查揭示了一个令人意外的职场AI应用现状：虽然AI自动化工具平均每周为员工节省约12小时，但同样的员工平均每周要浪费5.8小时在所谓的“botsitting”流程上——即反复调试、监督和修正AI的输出，使其达到可用状态。 报告的发布方Work AI Institute是AI公司Glean Technologies的研究部门。调查显示，AI在职场中的渗透率已相当高，90%的员工必须在工作中使用AI，80%的员工每周使用多个AI工具，39%的员工甚至使用四个或更多。 然而，高使用率并未直接转化为高效率。只有18%的员工认同AI显著提升了所在组织的绩效。阻碍效率提升的核心瓶颈在于，AI输出的可靠性仍然不足。超过三分之一的AI会话完全失败，需要彻底重启或大幅返工。 具体而言，员工每花一小时从AI工具获取输出，大约还需要再花一小时使其变得可用。这些额外的工时被大量消耗在两个环节上：一是向AI加载其本应已知的上下文信息，二是监督输出结果，审查其中是否存在错误、不完整或遗漏关键上下文的内容。一旦发现问题，员工可能需要重新提示、补充更多上下文、切换模型后再次提示。 报告指出，这些工作中的大部分属于苦差事，比如将相同的上下文重新加载到不同工具中、捕捉AI的幻觉，以及验证那些乍看之下完全正常但实际存在缺陷的输出。 这种工作模式还带来了协作层面的风险。如果员工审查不够仔细，未能及时发现AI的错误，那么该错误会落到未参与该工作的同事身上，他们必须修复一个自己并没有造成的问题。 从技术架构来看，员工实际上充当了公司AI工具的集成层。他们必须不断告知AI工具应该使用哪些信息源、哪些文档是当前有效版本以及哪些关键细节值得关注，同时还要纠正工具所犯的错误。API和模型上下文协议（MCP）等接口标准的设计初衷，是通过让工具相互通信和共享数据来解决这类问题，但工作AI研究所指出，这些方案并没有解决上下文问题。

EntAI观察

这组数据揭示了一个深层矛盾：企业大规模部署AI工具后，大量人力并没有被解放出来从事高价值创造，而是被吸进了修补AI短板的灰色地带。每节省12小时就要支付5.8小时“维护费”的换算，意味着将近一半的理论效率增益被无效工作所抵消。更值得关注的是，当39%的员工已在使用四个以上AI工具时，跨工具的上下文割裂问题正在系统性地加重员工的认知负载，而非减轻它。API和MCP等现有集成方案未解决上下文挑战这一判断，意味着技术层面的根本性改善还需要新的范式突破，而非仅靠增加接口就能实现。对于企业管理者而言，当前阶段或许不应单纯追求AI工具的数量和渗透率，更值得评估的是，组织是否正在为一批本应被淘汰的机械性劳动支付双重成本。