编者按：我们一方面惊叹 AI 的强大，另一方面又会在任务托管给 AI 之后总觉得有点慌。全托我们在两个极端之间来回横跳，帮掌最近尤为频繁 
。握背那么在真实的设计项目当中，什么时候应该信任 AI ，逻辑什么时候应该依靠人的助还章节判断呢？这当中有没有一个明确的界限 ，或者说评价系统帮助我们更好的全托判断 ？当然是有的。Taras Bakusevych 的帮掌这篇文章就是你想要的答案。

全文速览

多年来，APP 设计遵循着一个简单的设计方向 ：减少用户交互过程中的摩擦，让用户更快地完成任务 。逻辑我们绘制流程图、助还章节简化步骤、全托优化交互——始终假设用户是帮掌主要参与者 。

但是 AI 的存在，改变了这种假设。

如今，我们正处于一个危险的「混乱中间地带」 。我们正在开发能够自主行动
、决策和综合管理的软件 ，但我们仍然像设计一个简单的工具那样设计它 。如果我们想打造真正深受用户喜爱的产品 ，就必须停止将 AI 「随意」添加到我们的工作流程中。我们必须回答一个根本问题 ：

此刻谁掌握着方向盘 ？其背后的逻辑是什么？

我们需要一种系统性的方法来超越「处处都有辅助驾驶」的 AI 介入模式。我们需要知道何时应该放手让机器完全接管方向盘，以及何时应该保护人类作为负责任驾驶员的角色。

本文提供了一个实用的框架，将「谁做什么」的决定转化为一个可重复的过程。

一、三种控制模式

事实上，用户的每个任务都对应三种交互模式中的一个。每种模式都定义了谁来执行操作 、谁来做决定以及界面必须强制执行的内容  。

1）人类主导

人类保留完全控制权。 AI 的作用是展示证据 、突出权衡取舍并构建决策框架——但绝不替人类行动。人类负责阅读
、权衡
、选择和执行。

设计目标：通过向人类提供清晰的证据 、权衡取舍和结构化的理由支持 ，提高决策质量和问责制。

适用场景 ：需要主观判断、同理心和道德仔细甄别的高风险决策 ，或者操作过程本身就能创造价值的情况 。

常见的用户体验模式

• 证据链（相关事实 、来源、先前案例 、政策）
• 权衡框架（利弊、风险 、替代方案）
• 结构化决策模板（相关标准+理由记录）
• 「第二意见」的批评（反驳论点 、失效模式）
• 明确的责任界定（什么是建议
  ，什么是决定）

2）协助

AI 负责繁重的工作——生成草稿、运行计算 、扫描文档——但没有人类的明确批准 ，它无法执行任何重要操作 。人类负责审核、编辑和最终签字确认。

设计目标：在关键点通过预览
、差异比较和明确的人工审批来确保安全交付，同时最大限度地提高速度和迭代效率。

适用场景 ：高变数、中高风险的任务，此类任务中的错误代价高昂或难以发现 ，且责任必须由人承担。

常见的用户体验模式

• 草稿优先流程（生成→编辑→批准）
• 先计划后执行（「我将这样做」）
• 基于差异的审查（显示更改，而不仅仅是最终输出）
• 溯源面板（输入 、来源
  、使用的约束条件）
• 具有不确定性情形和需要「为什么」解释的情况（系统何时/为何不确定）
• 持续的纠错循环（编辑某个一个部分，在本地重新生成）
• 清晰的控制（范畴明确的批准/应用操作）

3）委托 AI

通常是 AI 负责这项任务。它在预设的范围内自主行动。人类不批准具体的行动——人类会预先设定限制条件，事后审查结果 。

设计目标 ：在有防护措施的前提下实现自动驾驶——最大限度地减少用户参与
 ，同时保持可追溯性、监控和在需要时回滚
。

适用场景：数量庞大 、风险低、可预测的任务
，具有明确的成功标准和易于发现的错误——人工审核会增加摩擦而不增加价值（例如
，数据录入 、垃圾邮件过滤
、会议安排）。

常见的用户体验模式

• 全局约束（允许列表、预算、范围 、时间窗口）
• 活动日志/时间线（发生了什么
  、何时发生以及依据哪项政策）
• 按异常情况监控（仅对异常情况发出警报）
• 在可行的情况下回滚/撤销操作（或采取补偿措施）
• 审计视图（抽样、质量保证工作流程、政策合规性）

二
、评估模型

仅仅了解这三种模式是不够的 。你需要一套系统的方法来判断哪种模式适合哪项任务
 。这些变量决定了机器是否应该运行，以及为此进行投资是否值得 。

维度 1：自动化适用性 (S_SUIT)

这衡量的是风险和可控性 。得分越高，自动化就越安全。

• 可逆性 ：该操作是否可以撤销 ？高度可逆性可以支持更深层次的授权 。
• 安全/风险：故障的「爆炸半径」是多少
  ？灾难性风险需要人为的防护措施。
• 逻辑类型：该任务是由客观规则（确定性）还是主观「感觉」（概率性）决定的？

维度 2 ：自动化投资回报率 (S_ROI)

这衡量的是价值和可行性。高分意味着自动化带来的收益丰厚
。

• 频率：这是偶尔发生的情况，还是持续的、高容量的工作流程？
• 数据可读性：必要信息是否杂乱无章、结构混乱，还是可以通过结构化的 API 访问？
• AI 能力 ：当前模型的能力是否展现出足够好的实验结果 ，或对任务有持续掌握性 ？

三 、将数据映射到控制模式

为了从初始获得的评估数据最终落实到具体功能性产品策略，这套框架使用四象限矩阵来确定用户与机器之间的最佳关系。通过将自动化投资回报率 (S_ROI)绘制在 X 轴上 
，自动化适用性（S_SUIT）绘制在 Y 轴上，你可以将任何工作流程归类到四个不同的战略类别之一。

• 委托模式（高投资回报率/高适用性）
  ： AI 在约束条件下执行端到端流程，而人类则转为审核员角色。其目标是通过无形执行和后台防护机制来减少工作量 。
• 辅助模式（高投资回报率/低适用性） ：高杠杆任务，风险过高 ，不适合完全自主运行 。 AI 分步骤进行草稿撰写，需要通过预览进行「人工确认」 ，并在关键提交时获得明确批准 。
• 人为主导（低投资回报率/低适用性）
  ：高风险或主观性强的任务，人类判断是主要价值所在。 AI 会根据证据提供建议，但最终的决定权仍然掌握在人手中
  。
• 推迟操作（低投资回报率/高适用性） ：自动化操作虽然安全 
  ，但投入大于收益。在任务频率或 AI 熟练程度提升投资回报率之前，建议保持手动操作或使用轻量级 AI 辅助工具。

AI 授权矩阵的应用示例
：面试安排在适用性和投资回报率方面得分很高，所以这项人物可以成为完全由 AI 授权并辅以人工监督的有力方案。

举个例子：面试安排协调。

这项工作频繁且耗时（投资回报率高），主要基于规则 ，风险低，而且易于撤销（适用性高）。当我们对其进行评分时，它落在右上象限——委托——这意味着产品应该在限定范围内全程运行，只有在特殊情况下才需要人工介入 。

四  、速查表

在对数十个工作流程进行评分后 ，任务的执行方式呈现出清晰的模式：

• （人为主导）：任何涉及伦理、法律义务 、人事决策、战略方向或危机应对的事项。这些任务需要无法委托给 AI 的人为判断——并非 AI 不具备这种能力 ，而是因为责任必须由人承担。
• （辅助）：内容生成 、洞察发现、筛选，以及任何 AI 可以生成高质量初稿但最终仍需人工审核的任务 。支付审批和审核决策也属于此类—— AI 提出建议，由人工最终决定
  。
• （委托 AI）
  ：数据操作是此范围的主要内容
  。包括 ETL 作业、分类、规范化
  、垃圾邮件过滤、调度和通知路由。数据量大、结构化输入、规则清晰 、易于回滚。

对这些人物进行评分的目的并非追求精确，而是为了引发讨论 。当你的团队争论「内容审核」应该评为 4 分还是 6 分时 ，你们就真正开始讨论这项任务究竟需要多大程度的人工监督了 。

工作流程分类速查表被展示为三列——人工主导 、辅助和委派——以及示例任务以及评分
，展现每个工作流程对 AI 自动化的适用程度。

五、6 步应用框架

1. 列出核心工作流程（10-30） 。

• 使用动词+宾语 ：「安排面试」、「批准访问权限」
  、「处理工单」 。

2. 标记确认点 。

• 哪些操作真正生效：发送/发布/授权/支付/写入/删除 ？

3. 使用两个等级（1-10）对每个工作流程进行评分。

• S_SUIT ：可逆性 + 风险/影响范围 + 规则与判断；
• S_ROI：频率 + 数据可读性 + AI 性能

4. 在矩阵上绘制图表并分配模式。

• 人工主导、AI 协助处理、委托 AI 、延后处理

5. 按模式设计（使用成熟的模式）。

6. 利用这些指标实现自主化的流程。

• 跟踪报错、撤销、异常情况、节省的时间，并审查质量。

这个授权矩阵不会告诉你应该在哪里「添加 AI 」  。它会告诉你应该设计哪种形式的控制——自动驾驶 、副驾驶 、助手或顾问
。每项任务都需要对以下问题给出明确的答案：「谁负责掌舵 ？」

作者：陈子木