谁负责"和"自动化到什么程度"——核心规则:Ag ≠ A,A 永远是具名人类。" />
模块二 · 组织重写 / F09 工具级 · 所有组织重写框架 →

人机责任决策矩阵 Human-Agent Responsibility Decision Matrix RACI-A × DAL

责任,不会因为是 AI 做的决定就自动消失。
自动化程度越高,责任归属越需要被显式锚定。两者不是反比关系,而是正比关系。

DEF ·融合责任分配(RACI-A)决策自动化阶梯(DAL),同时回答"谁负责"和"自动化到什么程度"——核心规则:Ag ≠ A,A 永远是具名人类

核心问题
当 AI 做了一个有问题的决定,应该由谁来承担责任?怎么提前显式锚定?
体系定位
第三层 · 负责回答「谁负责 + 自动化到什么程度」双重问题——也是治理神经 G02 边界升级机制的具体实现。
使用时机
Agent 上线前的治理设计 · AI 决策事故后的根因分析 · 合规要求严格的金融/医疗场景 · 高风险自动化决策审计
F09 · RACI-A × DAL 二维治理矩阵
P3
DAL 自动化等级
高自动化 + 无具名 A

⚠ 治理死区

高 DAL(L3+) × A 栏空缺 = 孤儿智能体。最大治理风险——出错时无人发现、无人担责。

→ RACI-A 重点消除的状态
高自动化 + 具名 A

✓ 治理达标区

高 DAL × A 栏有具名人类 = 可审计 · 可追责。定期审查 · 半年更新一次。

→ RACI-A × DAL 目标状态
低自动化 + 无具名 A

○ 责任模糊

AI 辅助决策但无人对结果负责——容易出现"大家默认谁应该负责"的隐性状态。

→ 仍需补 A 角色
低自动化 + 具名 A

✓ 传统达标

人主导决策 · 具名问责 = 传统管理学正常状态。Ag 不参与或仅辅助。

→ 经典 RACI 适用
A 栏问责状态 · 是否具名人类
四象限对应四种责任治理状态治理死区 = 高自动化 × 无具名 A

01"这件事应该由谁负责?"——一个找不到答案的问题

在部署了大量智能体的企业里,有一类问题在以越来越高的频率出现:智能体做了一个有问题的决定,但没有人能够清楚地说出——这件事,应该由谁来承担责任?

这不是偶发的边缘案例。当一个自动审批系统批准了不该批准的申请,当一个智能体发出了措辞不当的客户通知,当一个自动调价算法在特殊情况下给出了错误定价,这些都是真实的、已经在多个行业里发生过的情形。

每次发生,都会产生同样的场景:产品说规则是运营写的,运营说场景是产品没考虑到的,技术说自己只是实现了需求,管理层发现没有一个人的职责描述里明确写过"为这类 AI 决策负责"。

这不是人的失职,这是制度的空白。我们引入了自动化执行的能力,但没有同步重建与之配套的责任分配制度。

02RACI 矩阵为什么在这里开始失效

理论来源:RACI 责任分配矩阵(项目管理标准实践,1950 年代);SAE 自动驾驶分级标准(L0-L5,2014)。
本框架创新:在 RACI 基础上增加第五个角色类别"自动化执行(Ag·Automated)",并建立强制规则——凡有 Ag 参与的任务,必须配套具名人类担任 A(最终问责);将 SAE 自动驾驶分级逻辑迁移至管理决策场景,构建 DAL(决策自动化阶梯),两框架整合为二维治理矩阵。

责任分配矩阵(RACI Matrix)是管理学里应用最广泛的协作工具之一,起源于 1950 年代的项目管理实践。它把角色分为四类:负责执行(R)、最终问责(A)、咨询参与(C)、知情通知(I)。

RACI 在过去几十年里行之有效,原因简单:它建立在一个从未需要被声明的假设上——执行者是有名字的人,有名字的人可以被追责

智能体打破了这个假设。当"负责执行"的那个角色是一个算法系统,它没有名字,没有法律人格,没有感受后果的能力。把 RACI 里的 R 分配给一个智能体,在技术上是可行的描述,但在管理意义上是一个无意义的操作——你无法追责一个系统。

更危险的是,"AI 做的"这个说法,会在组织里产生一种微妙的责任稀释效果——既然是系统做的,不是某个人故意为之,那好像谁都不用特别负责。这种责任感的弥散,是 AI 时代最隐蔽、代价最高的治理漏洞。

03两个工具的互补缺口

修复 RACI 在智能体场景下的失效,需要解决两个独立但相关的问题。

第一个问题是角色定义:现有角色体系里没有智能体的位置,需要显式增加。第二个问题是自动化程度:不同级别的自动化,意味着不同强度的治理要求,这个维度在 RACI 里完全缺失。

只解决第一个问题——在 RACI 里加一个"AI 执行"标注——仍然不够。因为你不知道"这件事被 AI 做到什么程度":是 AI 提供建议、人来决定,还是 AI 完全自主运行、没有人在监督?这两种情况的治理要求,差距是巨大的。这就是为什么需要两个框架的整合。

RACI-A:解决"谁负责"

增加自动化执行(Ag·Automated)作为第五类角色,并确立一条不可打破的规则:Ag 和 A 必须同时存在,且 A 永远是具名人类

DAL(决策自动化阶梯):解决"自动化到什么程度"

六个层级从 L0(全人工)到 L5(完全自治),每个层级有明确的适用条件和治理要求。

两个框架整合成二维治理矩阵,就能看到真正危险的地方:高自动化(DAL L3 及以上)× 无具名问责(RACI-A 中 A 栏为空)= 治理死区

04让一个人写下名字,本身就是一种管理干预

人机责任决策矩阵揭示的,是一个关于"责任"的根本性重构:引入 AI,减少的是人的工作量,不是人的责任量。

没有这个矩阵,责任分配停留在"大家默认谁应该负责"的隐性状态。一旦出问题,那个隐性状态会立刻暴露其不可依赖性。有了这个矩阵,责任分配变成显式的、文档化的、可审计的——每一个智能体参与的任务节点,都有一个具名的人类知道自己要为这件事负责。

让一个人在 Accountable 栏里写下自己的名字,本身就是一种管理干预。那个人不会轻易让一个边界模糊的系统在没有监控的情况下运行,因为他知道下次出问题,那个名字会被念到。

05事故复盘里反复出现的三种模式

这个框架在两个节点上最直接改变管理行为。

第一是智能体系统上线之前的治理设计。用 RACI-A × DAL 矩阵逐节点填写,当你试图在 A 栏写下一个人名时,那些"没有人愿意写"的节点立刻可见——它们就是治理盲点,也是潜在的事故点。上线之前发现,远比上线之后处理的代价小。

第二是 AI 事故发生之后的根因分析。几乎每一次,用这个矩阵重审出问题的节点,都会发现同样的模式之一:A 栏为空、A 是一个部门而不是一个人、Ag 被错误标注为 A。三种模式对应三种不同的制度缺陷,修复方式各不相同,但根源都是同一件事——责任归属没有被显式建立。