AI 负责创造，人来干脏活，这事儿能否停一下？

作者 | 付秋伟 编辑｜王一鹏 "AI 不会替代人类，反而会承接大量低价值工作，让人类有时间去做一些创造性工作。" 在被问及 AI 对人的替代问题时，这句话几乎是所有大会 Keynote 和圆桌论坛的标准答案。 但从 2026 年打工人的实际体感来看，这句话很多时候应该反过来理解——人类承接了大量低价值的工作，AI 反而在做创造性工作。 能端到端完成一项任务、并完整走完企业级 SOP 的 AI，在今天仍然是稀缺物种。AI 负责交付代码、文档、提案等各类工件，完成了从 0 到 1 的创造；但从 1 到 100 的完整流程，它很难独立覆盖。过程中那些模糊的、琐碎的、低价值的衔接动作，绝大部分仍在由人类完成。 举个例子，由于数据源的割裂与兼容问题，绝大部分 AI 拿不到完整准确的上下文。于是人需要替不同的 AI 工具总结并粘贴需求，在不同的办公软件之间搬运 AI 在各个环节生产出的半成品。 著名的编程助手插件 RooCline，在 2025 年甚至上线了一个 "Human Relay（人类中继）"模式——专门用于在各类 AI 产品之间搬运问题和答案。AI 负责创造，人类负责搬运。LINUX DO 论坛的用户将其戏称为"牛马模式"。 如果在相对成熟的 AI Coding 领域，人与 AI 的协作尚且如此令人疲惫，那么在更加琐碎、更加定制化的 AI 办公领域，这个问题只会更严重。 2026 年，来自 Fortune、Harvard Business Review、The Learning Dispatch 等媒体的多篇研究和报道都在佐证同一个判断：人正在成为自动化流程中的瓶颈，这既发生在工作效率层面，也发生在认知负担层面。Harvard Business Review 的研究发现，使用 AI 工具的员工工作节奏更快、任务范围更广、工作时间更长，而这一切往往并非组织要求，而是工具驱动的自我加码。Fortune 的报道则更为直接：使用 AI 的员工在日常任务上花费的时间最高增加了 346%，邮件处理时间翻倍，深度专注工作反而下降了 9%。 在这套人机协作中，唯一留给人类的不可替代价值是评估与判断——AI 因为隐藏的上下文没有被准确描述，无法将模糊需求转化为精确决策。但问题在于，人类面对同样碎片化的信息时，也未必能做得更好。 所以， 与其说 AI 为人类留出了高价值空间，不如说 AI 把问题遗留给了人类。 2026 年 9 月 10 日，亚马逊云科技正式宣布旗下 AI 办公工具 Amazon Quick 全面可用（GA，General Availability）。 即使 AI 办公工具大战已经打到今天，Quick 在交互方式上的新意，以及对企业工作流的理解，仍让它来得不算晚，也值得关注。 相比于继续堆叠功能，Quick 强调的是一种新的交互方式：在 Amazon Quick 桌面端，亚马逊云科技将 Activity Feed（动态任务流）的优先级置于传统 Chatbot 聊天窗口之上——Agent 不再被动等待指令，而是主动面向邮件、会议和消息，从实时工作流中识别并处理任务。 Agent 会干活了，工作为什么还没有变轻松 为什么要把 Activity Feed 放在首屏？ 这背后首先是企业内任务和协作的复杂性：企业里的一项工作，很少是一个可以单独勾掉的任务。 准备一次客户会议，往往要从 CRM 查询商机进展，翻阅往来邮件，核对销售数据，再整理成会议材料。会议结束后，还要更新客户记录、发送跟进内容、安排下一次沟通。 今天的 AI 已经能够完成其中不少动作。它可以生成会议提纲、总结邮件，也可以根据销售数据回答问题。但只要员工仍需在不同系统之间寻找材料、搬运信息、核对结果，再把内容交给下一个工具，整项工作的运行方式就没有发生根本变化。 过去企业谈 Data Ready，是让数据能够被计算和使用；后来谈 AI Ready，是让这些数据能够支撑 AI。到了 Agent 真正进入工作流，系统还需要进一步变得 Agent Ready：数据能不能被找到，权限能不能被安全调用，任务能不能跨系统继续执行。 这考验的不再仅仅是 Agent 单点动作的执行能力，更是企业整体环境对复杂任务的承接能力。如果数据、权限和系统依然各自为战，员工就还得在中间充当“人工枢纽”——到处翻找上下文、手动搬运信息，硬把零散的 AI 技能拼凑成完整的工作流。 生成速度很容易掩盖这部分消耗。一份原本需要半天完成的材料，现在或许十几分钟就能生成；但如果生成之前仍要四处寻找信息，生成之后还要更新系统、同步团队，效率提升就只发生在工作链的中间一段。那些不断打断注意力的搜索、切换和交接，并没有随之消失。 因此，企业对办公 Agent 的要求开始从“能完成什么任务”转向“能否理解一项工作”。它需要知道工作从哪里开始、调用哪些数据、下一步进入哪个系统、结果交付给谁；常规事务可以在后台推进，审批、异常和关键判断则及时回到人手中。 大模型的能力固然是底座，可一旦 Agent 开始接手那些周期较长的长线任务，模型之外的“工程能力”就成了决胜关键：它能抓取多少上下文？能不能记住项目进度？又能不能在关键时刻判断，是该自己继续执行，还是升级给人工处理？ 理解了这些，就能明白为什么 Quick 会把最核心的入口留给“任务流”。 移动端新增的 Activity Feed 将邮件、日历、CRM 和消息汇集到一个视图，可以根据工作关系、优先级和使用模式，整理出需要用户关注的事项，并生成每日 briefing。Agents 能够自主处理的常规任务在后台继续运行，涉及审批、判断或异常处理的节点则进入信息流，然后等待用户决定。 信息集中只是表层变化。传统办公软件大多按照应用和抵达时间推送通知，重要程度仍由员工逐条判断。Agent 进入办公环境后，这个问题可能变得更加突出：它处理的任务越多，产生的进度更新、异常提醒和协作请求也越多。如果所有信息仍以通知的形式涌向用户，AI 很快会从效率工具变成新的消息来源。 所以 Activity Feed 承担的不是简单的信息聚合，而是一次工作分流 ：无需人介入的事项继续推进，需要判断的节点才占用人的注意力。用户不必持续检查每个系统发生了什么，只需要处理那些确实需要自己参与的部分。 把注意力从消息中解放出来，只是工作链的起点。被筛选出的任务能否带着完整上下文继续进入分析、生成、交付和执行，决定了 Agent 最终接手的是几个零散动作，还是一项完整的工作。 从信息进入，到工作继续向前 信息完成分流后，工作才真正进入分析和交付阶段。 Quick 可以从企业数据、公开网络和第三方数据源中获取信息，通过 Deep Research 完成检索、分析与整理，再生成文档、演示文稿、表格或图片，供用户审阅、修改和分享。 研究与生成可以在一个环境里完成，工作却未必在一轮对话内结束。一份报告可能要经过多次修改，一项分析也可能横跨通勤、会议和日常协作。如果文件、参考资料和中间结果随着对话沉入历史记录，用户下一次回来时仍要重新寻找材料、解释背景。 Quick 将 My Stuff 升级为 Library，集中管理近期文件、收藏内容和其他资产。桌面端与移动端共享对话、Agent