夜雨聆风
AI到底是在替代人，还是在重新制造一种新的低门槛劳动？
过去两年，围绕AI的主流叙事几乎都指向同一个方向：自动化、降本、裁员、效率提升。企业用AI压缩人力，白领担心岗位被重写，这些都是真实发生的变化。
但另一个更不显眼的变化也在出现：AI越被大规模引入组织，越需要有人在旁边照看、校正、解释和兜底。
这类工作现在有了一个新词：botsitting。
如果说babysitting是照看婴儿，那么botsitting就是“照看AI”。它听起来像个玩笑，但在企业内部，它已经开始变成一种真实的工作内容。
微软Copilot部门出现的“AI培训师”“数字化采纳专员”“AI倡导者”，本质上都带有botsitting的色彩：教同事如何使用AI，检查AI输出质量，把AI嵌入具体业务流程，并在AI出错时负责修正。
这背后真正的问题不是AI会不会干活，而是AI产出的东西，距离企业真正能用，还有多远。
根据人社部启动的互联网企业云端招聘月活动数据，今年暑假，超过5000家互联网企业集中释放了超过20万个就业岗位。京东、腾讯、字节跳动、美团等头部企业合计贡献超过4.6万个岗位，覆盖AI算法、大模型应用、高性能计算等前沿方向。
岗位在增加，工种也在变化。算法工程师、提示词工程师之外，一批围绕AI使用、评估、训练和落地的新岗位正在浮出水面。botsitting可能就是其中最容易被低估的一类。
它不站在AI浪潮最耀眼的位置，但很可能成为一批年轻人的新入口。
AI省下的时间，又被“照看AI”吃掉了
企业真正上手AI之后，很快会发现一个尴尬事实：从AI给出答案，到答案能被直接用于工作，中间隔着一段不短的距离。
比如，让AI写一份市场分析报告。第一步，你要把公司产品线、业务背景、目标客户和竞争环境喂给它。第二步，AI给出初稿后，你要逐条核实竞品数据，判断结论是否站得住。第三步，你还要删掉空话、补充内部信息、调整结构和排版。
整套流程下来，一两个小时并不夸张。
这就是botsitting最典型的工作现场。
Glean旗下Work AI Institute联合斯坦福、UC伯克利等高校发布的《Work AI Index 2026》报告显示，87%的白领已经在工作中使用AI，他们平均自称每周节省了13个小时。但同一份报告也指出，白领每周平均要花6.4个小时在botsitting上。
换句话说，AI帮你省下的时间里，相当一部分又被你拿去照看AI了。
报告进一步拆分了员工使用AI的时间结构：37%花在botsitting上，36%用于让AI生产内容，剩下27%用于学习工具、搭建Agent。也就是说，在真实工作流里，“照看AI”甚至比“使用AI生产”还更耗时。
这不是因为人太笨，而是因为AI进入组织后会遇到三个现实阻力。
第一个阻力是输出不稳定。报告显示，36%的AI会话直接“失败”，需要全部推翻重来。所谓失败，可能是AI理解错了需求，也可能是编造事实、逻辑断裂，或者给出一堆看似专业但无法落地的内容。
第二个阻力是工具碎片化。77%的AI用户每周要在多个AI工具之间切换，33%的人同时使用四个以上工具。Claude用户中，只有0.5%只用Claude，平均每个人还同时使用另外四个AI工具。
每换一个工具，之前输入过的公司背景、项目上下文、业务规则就断一次。用户必须重新解释、重新喂材料、重新校准语境。报告把这种损耗称为“上下文税”。
更值得注意的是，报告显示，每多花10%的时间给AI喂上下文，员工感到筋疲力尽的概率就会上升25%。
第三个阻力是审核机制缺位。69%的人会不经审核，直接把AI生成内容原封不动提交上去。这不是小问题。AI输出越不稳定，人就越需要花时间检查；检查越多，人越疲惫；人越疲惫，就越可能跳过审核；审核越少，组织越难看清AI到底创造了多少真实价值。
这也解释了一个看似矛盾的数据：75%的个人用户认为AI提升了生产力，但只有13%的人表示企业因为AI获得了显著改善。
中间那62%的落差，很大程度上就卡在botsitting上。
个人感觉“我变快了”，但组织没有真正变高效。因为AI不是自动嵌入流程的，它需要有人把它接进系统、看住风险、校准输出，并让它符合企业内部的规则。
为什么这件事适合刚毕业的大学生？
如果botsitting正在成为一种新工种，那么谁最适合做？
答案可能不是资深技术专家，而是一批刚毕业的大学生。
这听起来反直觉。毕竟，AI相关岗位通常让人联想到写代码、调参数、训练模型。但botsitting并不是算法岗，它更像是“AI使用现场的质检员、翻译员和流程助理”。
它的门槛不在技术，而在判断力。
你能不能看出AI这段话是不是在胡扯？能不能判断一份数据分析报告的结论是否和前面的数据一致？能不能识别AI为了显得专业而堆出来的空洞术语？能不能把一个泛泛的回答改成适合公司语境的内容？
这些能力不需要深度算法背景，但需要基本的语言能力、逻辑能力、行业敏感度和耐心。
对刚毕业的大学生来说，这恰恰是一种低门槛但高接触面的岗位。他们可能还不懂一个行业的完整运转逻辑，但通过botsitting，可以快速接触产品、客户、流程、文档、决策和业务语言。它不是终点，更像是进入组织的一个入口。
更重要的是，这届毕业生是AI原住民。
一个现实是，2026年毕业的大学生，在学习和写作过程中大概率已经长期使用ChatGPT、Claude、DeepSeek等工具。他们被AI帮过，也被AI坑过。他们知道什么时候AI看似回答了问题，实际在绕圈；什么时候一个答案顺滑但不可信；什么时候必须补充背景，什么时候要换一种提问方式。
相比之下，很多资深员工仍然把AI当作更快的搜索引擎：输入一个问题，等待一个答案。但对年轻人来说，AI更像一个需要反复调教的协作者。先生成初稿，再大改，再让AI润色，再人工检查，这本来就是他们已经熟悉的工作方式。
对老员工来说，botsitting可能是一种额外负担；对这届毕业生来说，它更接近一种默认流程。
宏观就业环境也在推着这个岗位变得重要。
美国大学与雇主协会NACE的《Job Outlook 2026》报告显示，45%的雇主将2026年人才市场评为“fair”，这是自2021年以来最差的评分。2025年秋天，企业雇主预测对应届生招聘增长只有1.6%，虽然春季更新时回升到5.6%，但大型科技公司在2025年对应届生招聘缩减了25%。
在更紧的就业市场里，低门槛、可量化、能远程、贴近AI应用场景的岗位，会变得更有吸引力。
NACE调查还显示，70%的雇主已经采用技能优先的招聘方式，比去年上升5个百分点。所谓技能优先，就是不再只看学校和专业，而是看你能不能完成具体任务。
botsitting天然符合这种招聘逻辑。它不要求你一开始就拥有复杂背景，但你的表现可以被量化：你发现了多少错误，纠正得是否准确，是否能稳定提升AI输出质量，是否能把一个模糊需求转化为可执行流程。
这也是它不同于许多“打杂岗”的地方。它有可能形成上升通道。
Scale AI、Surge AI这类公司，会从表现较好的训练师中招聘全职质量分析师和项目经理。起步阶段可能是时薪十几到二十美元，转正后年薪可达到四万到六万英镑。对刚毕业的年轻人来说，这至少提供了一种更清晰的评价机制：不是靠资历，而是靠纠错能力、判断质量和项目交付。
botsitting不是临时工，而是组织问题的外显
一个更关键的问题是：botsitting会不会只是AI不成熟阶段的临时岗位？等模型足够强之后，它是否会消失？
要回答这个问题，可以先看一个参照物：数据标注。
十年前，“数据标注”还不是一个大众熟悉的职业。为了让模型认识一只猫，需要大量人工一张张给图片打标签：这是猫，那不是猫，这张猫脸被遮住一半但仍然是猫。
当时很多人也以为，等模型变强后，数据标注需求会下降。但后来的事实恰恰相反。
Fortune Business Insights曾公布数据，2015年前后，中国数据标注从业者大约只有几万人，市场规模约5亿元人民币。到2020年，中国数据标注市场规模达到31亿元人民币。到2025年，这一规模突破105亿元。
全球范围内，数据标注工具市场在2025年的估值约为17亿到36亿美元，预计到2034年增长至140亿到380亿美元，年复合增长率超过26%。
为什么模型越强，人工标注反而越多？
因为AI能力提升后，任务不是变少了，而是变复杂了。任务越复杂，训练数据越精细；数据越精细，越需要人的判断介入。人工没有消失，只是从粗糙标注转向更高质量、更专业化的标注。
botsitting很可能也会走类似路径。
它现在看起来像是在帮AI擦屁股，但长期看，它处理的是AI与组织之间的“最后一公里”。
哈佛商业评论在2026年3月发表文章《拖慢AI转型的“最后一英里”问题》，作者包括哈佛商学院的卡里姆·拉卡尼、微软AI at Work负责人杰拉德·斯帕塔罗，以及哈佛D³研究所的珍·史黛弗。文章提出一个核心判断：模型可以持续变强，但只要它不理解一家公司的内部逻辑，就必须有人负责把它接入真实工作流。
这不是模型参数不够的问题，而是企业世界本身不透明。
每家公司都有自己的上下文：内部术语、审批链条、客户偏好、历史包袱、部门边界、潜规则和文化惯性。这些东西往往不在公开数据集中，也不一定写在制度文件里。AI无法凭空理解这些信息，但只要它要进入组织，就必须有人把这些内容翻译给它、补充给它、纠正它。
这正是botsitting的核心价值。
它不是简单弥补AI能力不足，而是在弥合AI与组织之间的信息鸿沟。只要企业之间存在差异，只要内部知识无法完全结构化，这条鸿沟就不会消失。
AI可以做更多，但责任不能外包
AI工作方式本身，也决定了它需要人来兜底。
福布斯在2026年的文章《AI在取代工作吗？新数据表明，它可能正在加重工作负担》中提到一个观点：AI不会简单让工作消失，它会让工作发生位移。
当AI进入真实工作流，就必须有人监督、编辑、验证和承担责任。
法律行业已经给出过警示。2025年，美国密西西比州联邦法院出现一起事件，Butler Snow律所几名律师将AI编造的判例直接写进法庭文件，并且提交前没有仔细核查。法官布里顿·马纳斯科在裁定中明确指出，“虚构法律依据属于严重不当行为”。
这不是个别行业的小事故，而是AI落地过程中最核心的责任问题。
《国家法律评论》在2026年初对85位法律专业人士的调查认为，未来律师的差异化竞争点，可能不在于使用了哪个AI工具，而在于输出验证能力。人机协同工作流、质量控制和可辩护的审查流程，将成为法律行业核心竞争力，而不是可选保障。
金融行业同样如此。
摩根士丹利在2024年推出Morgan Stanley Debrief，到2025年底，98%的财富管理顾问都在使用这一AI工具。但公司要求顾问在使用AI生成的会谈摘要和投资建议时，必须“审查和调整AI生成的输出，然后才能最终确定”。
美国金融业监管局FINRA在2025年12月发布的2026年度监管报告中，也新增了针对“自主执行任务的AI系统”的监管框架，明确要求一旦AI系统能够在券商工作流中采取行动，而不只是生成内容，公司的监督、账簿记录和治理义务就必须实质性升级。
翻译成更直白的话就是：AI可以帮你写文件、做分析，甚至提出决策建议，但最后签字的必须是人。
而且，签字的人必须解释自己签了什么，并为结果负责。任务可以下放，责任不能外包。这一点决定了botsitting不会因为AI变强而自然消失。
相反，AI越深入高风险流程，botsitting越会从“临时检查”变成“制度安排”。
从个人效率工具到组织基础设施
现在，botsitting的需求已经有了更明确的市场信号。
世界经济论坛2025年《未来就业报告》指出，AI和大数据专家是2030年前增长最快的岗位之一，同时AI治理、AI战略等非技术性岗位也在同步高速增长。
AI人才平台Mercor的报告显示，全球市场对人类评估师和训练师的需求正以每年25%到35%的速度增长。报告还提到，大部分岗位完全远程，不需要技术背景，但非常看重领域专长和判断力。
这说明AI岗位正在分层。
一层是底层技术岗位，负责模型、算力和算法；一层是应用开发岗位，负责把AI做成产品；还有一层是组织落地岗位，负责把AI真正嵌入企业流程。botsitting就在第三层。
它不一定光鲜，也不一定高薪起步，但它解决的是AI商业化里非常现实的一道坎：企业买了AI工具之后，谁来保证它真的能用、好用、可控、可追责？
过去，很多公司把AI当成个人效率工具，默认员工自己摸索。但当AI开始进入销售、客服、法务、投研、财务、人力等核心环节，它就不再只是“谁有空谁用一下”的插件，而是组织基础设施的一部分。
基础设施需要运维，AI也一样。
只不过，传统IT运维看服务器、网络和权限；AI时代的运维，要看上下文、输出质量、合规风险和人机协作流程。
这就是botsitting可能常态化的原因。
年轻人不是给AI当保姆，而是在学习新组织语言
说大学生毕业后可能要给AI当保姆，听起来有点调侃。但如果放到更长周期里看，这未必是一件坏事。
每一代新技术都会制造一批看似边缘、实际关键的岗位。互联网早期有网站编辑、社区运营、SEO专员；移动互联网时期有应用商店运营、内容审核、用户增长；AI时代，对应的岗位很可能就是AI训练师、评估员、提示词工程师、AI治理专员，以及botsitting相关角色。
这些岗位的共同点是：它们不一定掌握核心技术，但掌握技术进入组织的接口。
对刚毕业的年轻人来说，botsitting真正的价值也许不在于“照看AI”本身，而在于通过照看AI，理解一个行业的语言、流程和风险边界。
但这也留下一个更大的问题：如果未来大量白领工作的起点，变成了给AI检查、补上下文、修正错误和承担责任，那么我们到底是在提升人的工作价值，还是在把人变成AI系统里的新型耗材？
AI会继续进步，企业也会继续把它嵌入更多流程。确定的是，那个完全无人看管、自动运转、自动负责的AI组织，短期内并不会到来。
在那之前，总要有人坐在旁边，盯着它，看它有没有胡说。
报告派查报告、看数据、解市场
www.baogaopai.com
