所有企业级 AI 系统都标榜「人在回路」，但落地时往往退化成两种极端：要么事事人工确认，效率提升被复核成本吃掉；要么完全放手，出了事故才发现无人负责。人机边界的精髓在于：按任务的错误代价，匹配不同的复核姿势。
姿势一：确认式（逐条签核）
AI 产出，工程师逐条确认后生效。适用于错误代价高、且人工复核成本可承受的场景：替代料评估结论、设计评审意见采纳、验证项放行。确认式的关键设计是「可确认性」——每条结论必须附带依据，工程师的确认动作是一键可达的。如果复核需要工程师重新查一遍资料，确认式就会退化成「AI 起草、人工重做」，失去意义。
姿势二：抽样式（统计信任）
当任务量大、单项错误代价低时，全量复核不经济——格式核对、参数初筛、文档归档这类任务适合抽样复核。姿势的前提是有统计基础：系统的历史准确率要可度量（抽样的通过率是核心指标），抽样比例要随准确率动态调整。信任是挣来的：一个新岗位上岗初期全量复核，随着连续达标逐步过渡到抽样。
姿势三：追溯式（先执行、后审计）
对时效要求高、且可回滚的场景：生产线旁的参数核算、实时性检查。AI 先执行，事后凭完整留痕审计。姿势三的风险最高，要求也最高：全链路留痕（输入、规则版本、执行记录）、异常自动熔断、回滚预案。能用姿势三的前提是姿势一、二已经跑出了足够的信任数据。
一张表总结
| 姿势 | 错误代价 | 适用场景 | 前提条件 |
|---|---|---|---|
| 确认式 | 高 | 评估结论、放行决策 | 结论带证据，可一键确认 |
| 抽样式 | 低 × 大批量 | 格式核对、参数初筛 | 历史准确率可度量 |
| 追溯式 | 可回滚 + 时效敏感 | 实时核算、在线检查 | 全链路留痕 + 熔断机制 |
人机边界不是一次划分终身有效：随着某个岗位的可信度提升，它适用的姿势应该沿着 确认 → 抽样 → 追溯 的方向演进——这才是「越用越值钱」的组织含义。
边界设计的反面清单
- 别让工程师复核他们看不懂的输出——复核的前提是结论可解释、可追溯
- 别让 AI 碰「责任性决策」：方案拍板、放行结论、客户承诺，永远在人类手里
- 别把复核当橡皮图章：抽样的意义是真实抽查，形式化抽查不如不查
好的边界设计，让工程师从「操作工」升级为「审核官」——他们的时间花在判断上，而不是查找和整理上。这既是效率提升，也是工程师职业价值的回归。
ZAOWUTAN / 造物潭
这些方法论的完整版，就是小潭子数字员工的日常工作。