协作深化不等于把更多决定交给 AI
更成熟的安排可能是把责任、反馈和边界说明得更清楚。自动化程度只是一个维度,不能替代结果与可纠错性。
关联:认知五阶
会使用很多 AI 工具,为什么仍难以改变自己的工作和组织?
这是浙江大学国际设计研究院的 AI 思维与认知知识卡片项目,学术指导为孙凌云。项目从概念、工具、思维、价值、哲学五个层面组织内容。[1]
从概念、工具进入思维、价值与边界,才能决定哪些任务该交给 AI、怎样验收,以及人保留什么责任。
五阶依次讨论理解 AI、选择和使用工具、调整思考与协作方式、辨认创造的价值,以及检视人与技术的关系。L0 提供进入项目的导航和总览。[2]
本档案关注从工具使用到人机协作的思维变化:理解能力边界、重新拆分任务、形成反馈与协作机制。理解能力、工作分工和反馈方式需要放在同一个协作过程里考察。
从理解AI、选择工具到重新组织协作,变化不应只是自动化程度上升。任务边界、共享上下文和结果责任需要一起改变,否则复杂流程只是把原先的误解传播得更快。
一个人可能熟练操作多个AI工具,却仍在逐次补充背景、重复检查同类错误。问题在于能力使用是否进入了可接续的工作系统,而不只是掌握更多操作技巧。
从概念、工具进入思维、价值与边界,才能决定哪些任务该交给 AI、怎样验收,以及人保留什么责任。
概念 → 工具 → 思维 → 价值 → 哲学
本地卡片 L0-004 分别讨论是什么、怎么用、如何思考、为什么用与应该怎样。高层问题应返回具体任务,而不是用大词替代工具能力。
把 AI 当作一次性工具,与把它接入长期工作反馈,涉及不同的协作安排。层级框架可以帮助描述变化,却不应被当作每个人都必须按序完成的成熟度排名。任务不同,合适的协作方式也不同。
评估自己的 AI 使用时,关注哪些任务得到持续改善、哪些判断仍需人承担,而不是只统计使用了多少工具。
层级是讨论视角,不是人格排名;具体工作可能同时需要多个层面。
规则清晰度 × 任务价值 → 自动化、共审、人工主导或探索
L3-007 用两个维度检查人机分工。高价值任务即使规则较清楚,也要考虑出错代价和责任。
任务分工需要考虑错误代价、情境依赖和反馈速度。容易检验的生成任务可以更多交给 AI;涉及价值取舍或难以观察后果的任务,需要更明确的人类判断。分工应随经验更新。
把工作拆成输入、生成、判断和行动,逐一说明谁执行、谁检查、错误怎样被发现与撤回。
价值不等于风险的全部;权限、隐私和不可逆后果还要单独检查。
明确目标与验收 → AI 执行或探索 → 人的判断更新
L3-008 的协作模式和 L0-007 的知行飞轮共同提示:分工应服务学习与结果,而不只是节省输入。
长期协作需要把结果反馈进入下一次工作。没有可追溯的判断和修订,所谓记忆可能只是积累材料;若把一次生成直接写成可信事实,错误也会被长期放大。
让重要产出保留来源、使用条件与修改记录,并在实际结果出现后更新判断,区分用户立场与 AI 推断。
反馈如果没有留下可复用记录,协作可能一直从头开始。
把协作层级转成可观察行为
阶段模型应当帮助辨认工作行为,而不是给人贴高低等级标签。需要观察系统能否理解背景、执行任务、接受纠正与维持责任边界,而不能只数接入多少工具。
当任务目标、当前状态和验收标准能够共享,人机协作才有机会减少重复解释。反馈进入下一次任务,又使协作从一次产出转为持续积累。所谓共生若不能解释谁拥有目标、谁核实证据、谁承担结果,就容易成为对自动化程度的模糊赞美。
选择一项持续项目,记录每次交接需要重述的背景、系统接续正确的状态和必须人工确认的决定,作为改进协作的依据。
不把五层标签当成人的能力测评,也不把模型更自主等同于用户更有主体性。阶段模型的价值在于帮助检查行为,而不是制造能力等级。
任务分工矩阵使用规则清晰度与价值高低两个轴。先拆出具体任务,再判断它在矩阵中的位置。[3]
以会议纪要为例,可让 AI 按清晰规则整理议题、待办和草案,再由负责人核对责任归属与公开范围。任务价值、错误代价和公开权限应分别判断。[3]
更成熟的安排可能是把责任、反馈和边界说明得更清楚。自动化程度只是一个维度,不能替代结果与可纠错性。
关联:认知五阶
AI 能做某一步,不等于适合独立承担该步的全部后果。明确检查与负责的人,比笼统划分人擅长和 AI 擅长更可靠。
关联:任务分工矩阵
能检索到过去的文字,只解决了访问问题。协作还需要知道它当时为什么成立、现在是否有效,以及谁作出了判断。
关联:协作与反馈
协作成熟的表现之一是能够清楚说出仍不能委托什么。边界越明确,系统越可能在适当范围内可靠承担工作。
关联:把协作层级转成可观察行为