任务三分法：human-led / agent-assisted / fully agent-driven

有家公司决定用 AI 重做客服流程，头一步就上了全自动回复机器人，结果处理率 80%，满意率跌了 15%——那 20% 的复杂投诉没人兜底，机器人答非所问，客户直接在社媒发帖。

另一家公司同期做类似的事，却没这个问题。区别不是 AI 工具更好，而是他们在动手前先做了一件事：把客服团队所有的任务类型逐条过了一遍，分清楚哪些适合全自动、哪些必须人来把关、哪些根本不该让 AI 碰。

不是所有活都该交给 AI 全自动。先分清哪些人主导、哪些人机协作、哪些放手全自动，才是重做业务的第一步。

---

为什么必须先分档，再谈工具

很多团队重做业务的顺序是反的：先选工具，再看哪些任务能塞进去。这会带来两个问题。

一是"过度自动化"——把不该全自动的任务强行自动化，风险出现时没有人兜底。高风险决策、复杂投诉、涉及信任的谈判，这些任务一旦出问题，代价不是效率损失，而是关系断裂或法律风险。

二是"自动化不足"——把本来可以完全交给 AI 的高频事务还养着人处理，效率提升停在 20%，远没到头。

任务三分法解决的是"介入深度"问题：对于每一类任务，AI 到底该干什么、干多少、人在哪个环节守着。把这个搞清楚，再去选工具、排优先级，路才不会走偏。

这一节所说的三分法是通用方法论，适用于任何职能线——销售、运营、产品、研发、行政均可套用，不局限于某个具体行业或岗位。

---

三档分类：判断标准与典型任务

第一档：human-led（人主导，AI 打辅助）

核心特征：决策权和最终判断在人，AI 只是信息输入或草稿生成的工具，不参与最终输出。

判断标准（满足任意一项，优先归入此档）：

• 高风险：决策一旦出错，代价难以挽回，或涉及法律、伦理、重大资产
• 人际判断密集：需要读懂情绪、背后动机、信任关系，单靠文本信息无法处置
• 创意主导：核心价值在于独特视角或原创判断，AI 同质化输出会抹掉这个价值
• 信息高度不确定：背景上下文稀薄，AI 很容易在"缺乏信息时自信地给错答案"

典型任务举例：

• 关键客户的续约谈判或危机处理
• 重大人事决策（晋升、解雇、薪酬调整）
• 公司战略方向判断
• 原创品牌叙事或核心创意方向确定
• 法律合同的最终解读与签署判断
• 有争议的内容对外发布决策

风险控制：此档的 AI 使用方式是"资料助手"或"草稿生成"，输出必须由人审阅并显式确认，不可设置自动执行路径。出了问题，责任在人而非 AI，这个意识要在团队里清楚。

---

第二档：agent-assisted（人机协作，AI 做大部分，人把关）

核心特征：AI 承担主要执行工作，人在关键节点做审核与放行。AI 不是"辅助"而是"主力"，但人保留否决权和最终修改权。

判断标准（同时满足以下条件，适合归入此档）：

• 任务有清晰的输入输出结构，但有一定复杂度，不是纯机械重复
• 错误可以被人在放行前发现并纠正，不会在 AI 阶段悄悄累积
• 质量标准可以被明确描述（便于人快速 review），但不容易被完全规则化
• 有一定频率但不是秒级高频，人 review 成本合理

典型任务举例：

• 客户邮件 / 消息回复起草（AI 草稿，人审后发送）
• 数据报告初稿生成（AI 出初版，人检查结论合理性）
• 合同条款初审与问题标注（AI 标注异常，人确认处理方式）
• 招聘简历初筛（AI 打分排序，人做最终面试决策）
• 竞品动态摘要（AI 整理，人判断是否需要跟进）
• 内容素材初版创作（AI 出草稿，编辑人员润色把关）

风险控制：此档最大的风险是"人把关变成橡皮章"——AI 输出速度快，人审疲了就全放过，错误开始漏出。应对方法是分层审核：量大的内容 AI 自动放行，只有命中特定条件（高价值客户、异常数据、敏感词）才触发人工 review。把关的精力要花在值得花的地方，而不是平均摊开。

还要注意：此档中人的价值不是"审 AI 对不对"，而是"判断 AI 不知道的背景信息"——你了解这个客户最近的情绪、这个季度的特殊情况，这是 AI 拿不到的。

---

第三档：fully agent-driven（AI 全自动，人只看异常）

核心特征：AI 独立完成任务全链路，人只在出现异常信号时介入。常态下没有人工节点。

判断标准（需同时满足以下全部条件，否则慎入）：

• 规则高度清晰：任务处理逻辑可以完全文档化，没有需要"灵活判断"的灰色地带
• 频率高：人工处理成本高且不可持续，自动化收益明显
• 风险低：单次出错代价小，可接受一定错误率，且错误可被事后发现和修正
• 不涉及人际信任：接收方（用户/客户）不会因为是机器处理而产生不信任或反感

典型任务举例：

• 订单确认邮件发送（规则明确/高频/低风险）
• 数据报表定时生成与推送
• 内容标签自动打标（依据关键词规则）
• FAQ 常见问题自动匹配与回复（仅处理标准问题，复杂转人工）
• 代码静态检查与格式化（CI 流水线内）
• 用户注册 / 登录异常行为的初步标记（标记后仍需人工处置）

风险控制：此档的核心保障是异常监控 + 降级路径。两件事必须提前做好：第一，定义"什么算异常"并设置告警，出现异常时有明确的人工接管 SOP；第二，设置降级策略——当 AI 置信度低于阈值、或触发特定条件时，自动转人工，而不是强行给出一个不确定的输出。

全自动不等于不需要人——是把人的时间从"处理每一条"切换到"监控整体、处置异常"。这个角色同样需要被明确分配。

---

任务归类判断表

用以下四个维度给任务打分，按结果对应到三档：

维度	低 (1)	中 (2)	高 (3)
决策风险	出错代价小，可事后纠正	出错有影响，但可控	出错代价大，难以挽回
规则清晰度	逻辑可完整文档化，无灰色地带	有规则但有例外，需判断	严重依赖经验和上下文判断
人际信任要求	接收方不感知是否有人	偶尔需要人情味或个性化	高度依赖人际关系与信任
处理频率	高频（每天数十次以上）	中频（每天数次）	低频（每周或更少）

评分与归档逻辑：

• 风险=高（3分），无论其他维度 → human-led
• 人际信任=高（3分），无论其他维度 → human-led
• 规则清晰=低（1分）+ 风险=低（1分）+ 频率=高（1分）→ fully agent-driven
• 其余大多数情况 → agent-assisted，按规则清晰度和频率决定人工介入深度

使用方式：把岗位内所有任务列出来，逐条过这张表，先不考虑"现在有没有 AI 工具"，只判断"理论上适合哪一档"。这是下一步工具选型和流程重设的基础。

---

怎么用它盘一个岗位的任务

以运营岗为例，操作步骤如下：

第一步：列任务清单。 让岗位本人把过去两周做过的所有事情写下来，越细越好。不要从 JD 里抄，JD 写的是理想，实际在做的才是真的。

第二步：按三档初步归类。 用判断表逐条过，先做初判，不用精确。这一步可以让岗位本人自己做，然后管理者复核。

第三步：识别错配点。 看两类异常：

• "本应 fully agent-driven 但还有人在手工处理"——这是效率损失，优先考虑自动化
• "本应 human-led 但现在已经是 agent-assisted 甚至全自动"——这是风险点，优先收回来

第四步：重新分配任务与时间。 把腾出来的时间（原来手工处理高频低风险任务的时间）重新分配到 human-led 任务上——这才是这个岗位真正的价值密度所在。

第五步：设异常监控。 对所有归入第三档的任务，提前定义异常触发条件和人工接管路径，而不是"出了事再说"。

这个流程做一遍，大约需要半天。但它决定了后续所有工具选型和流程重设是否有方向感。

更多关于重做业务的底层逻辑，见 先重造，再前置自动化；关于如何向 AI Agent 授权与委托，见 人机协作：如何分级授权与委托。

---

反面教训

反面一：把 human-led 的任务丢给全自动

某公司把所有合同异常审核改为 AI 全自动处理，理由是"规则已经文档化"。但合同里有一类模糊条款，是需要结合客户历史关系和业务背景来判断的——AI 每次都按规则给出判断，系统里看起来没有异常，但实际上已经对几个重要客户产生了错误处理，客户反馈到销售那里，销售才发现。

损失是关系，不是单笔合同的金额。这种代价不会出现在流程报告里，但真实存在。

教训：任务归档时，"规则能文档化"不等于"适合全自动"。只要涉及高价值人际关系或高风险决策，就应归入 human-led 或 agent-assisted，哪怕它看起来规则很清晰。

反面二：把能全自动的还养着人

另一家公司的行政团队每天有三个人处理订单确认邮件——根据系统里的订单状态，发标准化通知邮件给客户。这件事的规则完全清晰、模板固定、频率很高、出错代价极低（发错了重发一封即可）。

三个人每天在这件事上花 2—3 小时，一整年。AI 全自动处理这件事的工程量：一天。没做的原因是"一直这样做的，没想过改"。

教训：不做盘点，就会持续把人力浪费在不需要人的地方。每年做一次岗位任务归类，是基本的管理卫生。

---

常见问题

一个任务可能跨档怎么办？

很常见。比如"客服投诉处理"——常规投诉可以是 agent-assisted（AI 出初步回复方案，客服确认发送），但遇到涉及法律纠纷或 VIP 客户的，应该触发降级，变成 human-led。解决方案是在流程里内置分叉：加一个分类判断步骤，按投诉类型路由到不同档位，而不是整个流程统一归入一档。

how 三分法与 AI 工具选型的关系？

先做三分，再选工具。工具是在"这个档位适合什么工具"的框架下去选的，而不是"买了这个工具，把能用上的任务都用上"。很多团队的问题是顺序反了——买了工具先，再倒推任务，导致有些任务被硬塞进不合适的档位。

全自动档的 AI 出错了，谁负责？

流程负责人。这是一个必须在上线前明确的问题，不是"AI 出错了 AI 负责"——AI 没有责任主体。fully agent-driven 的任务必须有一个明确的人类负责人，他负责监控、负责定义异常条件、负责在出问题时启动人工接管。这件事不明确，全自动就是在制造无人兜底的风险点。

三分法多久更新一次？

至少每半年做一次复核。AI 能力在变，任务复杂度在变，团队规模在变。原来适合 agent-assisted 的任务，六个月后可能已经有成熟工具能做到 fully agent-driven；原来觉得简单的任务，随着业务增长，可能已经积累了足够多的灰色地带，需要升级到 human-led。三分不是一次性归档，而是一个持续维护的动态清单。

---

小结 · 你现在该做什么

• 知道了为什么重做业务要先分档：介入深度不对，工具再好也会走偏
• 拿到了三档标准：human-led（人主导 AI 辅助）/ agent-assisted（AI 主力人把关）/ fully agent-driven（全自动人看异常）
• 有了任务归类判断表：按风险 / 规则清晰度 / 人际信任 / 频率四维度归档
• 知道了怎么盘一个岗位：列任务 → 初判三档 → 识别错配 → 重新分配 → 设异常监控
• 认清了两类反面教训：把 human-led 的丢给全自动（风险在关系）；把能全自动的还养着人（浪费在显而易见的地方）

下一步：任务分好档，下一个问题是如何判断哪类业务值得重造、哪类贴工具就够了，见 业务重造还是贴工具：战略二选一；更多 AI 授权与委托的实操框架，见 人机协作：如何分级授权与委托。

👉 看看 AI 时代的组织与管理 专栏，或了解 AI 时代管理者认知课。需要定制落地与陪跑，欢迎聊 企业服务。