Human-led、AI-assisted、AI-led、Agent-operated：四种工作模式

企业讨论AI工作设计时，经常只有两个问题：这项工作人做，还是AI做。现实更复杂。同一个流程里，AI可能只负责信息准备，也可能承担主要执行；人的角色有时是主导，有时是审核，有时只在例外时介入。把人机分工拆成四种工作模式，可以帮助管理者更具体地设计边界。

Human-led：高歧义、高风险、关系密集

这类工作由人主导，AI提供辅助。典型场景包括重大组织决定、复杂客户谈判、涉及伦理和价值判断的事项，以及失败后果难以逆转的决策。AI可以提供数据、情景分析和备选方案，但人必须掌握问题定义和最终责任。

AI-assisted：最常见的人机协作方式

AI承担搜索、分析、生成和整理，人负责定义问题、筛选结果和做决定。大多数知识工作目前都处在这一层。关键不在“有没有用AI”，而在是否改变了工作方式。一个工程师用AI补全代码属于辅助；如果需求拆解、方案比较和测试设计都围绕AI重新组织，已经开始进入流程重构。

AI-led + Human Review：AI主做，人负责质量门

当任务标准比较明确、输出容易验证时，可以让AI承担大部分执行。例如生成标准报告、整理固定格式材料、完成某类测试或代码转换。人的价值集中在设定标准、审核异常和最终批准。这种模式最容易出现新的瓶颈：生成速度提高以后，人工Review量可能迅速增加。因此，验证能力必须和生成能力一起设计。

Agent-operated：稳定流程由数字执行能力持续运行

边界清楚、规则稳定、可以监控的工作，可以进一步交给Agent连续执行。这时管理者需要关心权限、数据、日志、异常和升级条件。Agent可以自动跑流程，不意味着流程“无人负责”。最终Accountable Owner仍然需要由组织明确。

四种模式不是成熟度等级

并不是Agent-operated一定比Human-led先进。高风险决策即使技术能力不断提高，也可能长期需要人主导；低风险、标准化任务则可以很快自动化。选择依据应该是价值、歧义、可验证性和风险，而不是自动化比例。 这一步需要人判断吗？AI可以提供什么？输出怎样验证？什么情况下必须交回给人？谁承担最终结果？这些问题回答清楚以后，AI才从一个工具变成工作设计的一部分。

一个高级工程师可能自己主导架构决策，用AI辅助分析，让AI主导生成测试，再让Agent持续运行某些监控。因此，企业不应该按岗位一次性定义“AI替代比例”。更实用的是按Workflow逐段设计，并允许边界随着模型能力和风险经验变化。

这也提醒绩效管理：评价对象不再只是个人执行量，还包括是否设计出更好的分工和验证机制。 同一种工作模式，在不同业务环境下要求不同。内部草稿即使由AI主导，风险通常有限；面向客户、财务或监管场景，即使任务结构化，也需要更严格的Review与日志。因此，人机分工最好和风险分级放在一起设计。不要让“AI-led”自动等于“低风险”，也不要因为某个场景高风险就完全禁止AI辅助。

组织真正要做的是匹配：效率、风险和责任三者同时成立。企业追求的也不该是“让AI做最多”。更合理的目标，是让人和AI分别承担最适合自己的部分，并让责任始终清楚。

选择模式时，需要同时看四个变量

四种模式的边界可以用一张判断表初步确定：

例如，合同摘要可能规则清楚、容易抽样验证，适合AI-led；合同条款的最终商业取舍涉及谈判情境和重大责任，更接近Human-led。二者发生在同一流程，却需要不同控制强度。这个判断也不是永久标签。模型、数据、流程和外部环境改变以后，模式需要重新评估。

每次提高自主性，都要补齐控制面

从AI-assisted走向AI-led，变化的不只是执行比例。组织必须同步回答：允许调用哪些数据和工具，输出用什么测试，谁可以批准上线，日志保存多久，发生异常怎样停止。

从AI-led走向Agent-operated，还要增加运行时控制：权限最小化、预算或频率限制、状态监控、人工接管、版本回滚和事故复盘。Agent越能跨系统行动，错误就越可能从“生成了一段坏内容”升级为“执行了一串坏动作”。

NIST的生成式AI风险管理框架把Govern、Map、Measure、Manage作为连续活动。映射到工作设计中，就是先明确责任与场景，再评估风险和表现，最后决定自动化边界；运行以后继续测量，而非一次审批后永久放行。

需要设计升档，也需要设计降档

企业往往只设计“如何提高自动化”，很少定义“何时退回更多人工参与”。健康的人机系统应预先设定降档信号，例如：输入分布明显变化、人工接管率上升、客户投诉集中出现、关键测试覆盖下降、供应商模型更新，或发生新的合规要求。降档本身属于风险控制。团队若把退回人工视为项目倒退，就可能长期掩盖系统已经超出适用边界的事实。

衡量模式效果，要看业务和人的双重结果

只看模型准确率或节省工时，无法判断工作设计是否健康。至少还要观察：

• 端到端周期和等待是否下降；
• 错误是否更早被发现，重大异常有没有遗漏；
• 人工接管发生在哪些环节，是否集中在同类情境；
• 员工是否获得更高价值工作，还是变成持续清理AI输出；
• 最终Owner能否解释关键结果是怎样形成的。

如果自动化比例提高，却让责任更模糊、员工技能退化或下游负担增加，工作模式就需要重做。 它们最大的价值，并非给每项工作贴标签，而是让业务、技术、风险和HR可以在同一张桌上讨论。业务说明价值和现场情境，技术说明能力与限制，风险团队定义控制要求，管理者负责人才和责任。当这些角色能够共同回答“AI做到哪一步、人在何处介入、谁对结果负责”，AI才真正进入Operating Model，而非停留在工具采购。

用一条客户流程检验四种模式

以企业客户续约为例，团队可以由AI-assisted开始：AI整理使用数据、合同和历史沟通，客户经理核验并形成判断。标准化健康检查可以进入AI-led，由系统生成报告、运行规则，人只处理低置信度和高风险项。到期提醒和内部任务创建若边界稳定，可以由Agent-operated持续运行。续约策略、价格取舍和困难客户沟通仍由人主导。

同一流程采用多种模式，避免了两种极端：把整个岗位宣布为“AI化”，或因为最后一步需要人而保留全部旧工作。它也让控制更精准——不同步骤拥有不同权限、验证和责任。

试运行时，应从低风险、可逆、结果可验证的一段开始。先建立人工处理基线，再记录AI介入后的总周期、一次通过率、人工接管、客户影响和异常。若人工接管集中在同类情境，就需要缩小边界或补充Context；若生成变快但最终周期不变，应寻找新的下游瓶颈。

Human Gate必须具备真实能力和权力

“有人审核”经常只是形式控制。审核者可能没有时间看完整证据，不理解模型限制，也没有权力拒绝业务压力下的自动结果。这样的Human-in-the-loop只是把责任名义上交给人。

有效Gate至少满足四个条件：能看到来源和关键Context；理解系统的适用边界；拥有足够时间和专业能力；可以推翻、暂停或回滚。欧盟《AI法案》对高风险系统的人类监督要求也强调，监督人员需要具备能力、培训和授权，能够理解限制、避免自动化偏差并在必要时干预或停止系统。法规适用范围有其边界，但这一设计原则对企业工作流具有普遍价值。

从观点到管理动作

管理团队可以每季度选一条高价值工作流复核模式，无需对所有岗位做一次性分类。真正成熟的标志，是每次提高自主性都有相应控制，每次边界失效都能安全退回，员工也清楚自己为何介入、拥有什么决定权。

模式选择还会影响员工体验。长期处于末端审核的人容易失去完整问题感，持续处理异常的人则可能承担最高认知负荷，却在岗位和绩效中不可见。工作设计需要定期检查人的任务是否仍具完整性、学习与决定权，避免效率改善建立在更碎片化的工作之上。

延伸依据：NIST AI Risk Management Framework、NIST Generative AI Profile、欧盟《AI法案》第14条：Human Oversight