最优人工介入率是可以算出来的，而且它不是零
在已经用上 AI 生产的团队里，"人工介入率"经常被当成一个成本指标。目标通常是把它压下去，压到 20% 以下，越低越好。
这个目标隐含了一个假设：人工介入只有成本，没有收益。
这个假设不成立。人工介入是错误成本的主要防线，它同时出现在成本项和收益项里。所以真正要找的是一个平衡点，而这个点可以用两个成本项算出来。
先把两笔成本写出来
设人工介入率为 r，也就是百分之多少的产出会被人看过一遍。
要权衡的两笔成本：
- 复核成本：介入率越高，花的复核时间越多
- 错误成本：介入率越低，逃出去的错误越多
复核成本直接和 r 成正比。错误成本和逃逸的错误率成正比。所以关键在逃逸错误率怎么随 r 变化。
这里有一个让模型变真实的假设：复核按风险从高到低挑，并不随机。 一批产出里，最可能出问题的那些先被人看到。所以复核的边际收益递减，前两成的复核能挡掉大部分错误，后面每一份复核挡下的错误越来越少。
把这件事写成一条曲线。设无人复核时的错误率为 e0，复核比例为 r，逃逸错误率是：
`text
逃逸错误率 = e0 × (1 - r)^α
`
α 大于 1，代表复核有递减的收益。α 越大，说明前几成复核挡掉的错误越多，也就是这批产出的风险越容易排序。
总成本与最优解
总成本等于两笔成本相加：
`text
C(r) = c × r + K × e0 × (1 - r)^α
`
c 是复核一份产出的单位成本，K 是让一个错误逃出去的平均代价。
对 r 求导取零，得到最优解满足的条件：
`text
(1 - r)^(α - 1) = c ÷ (K × e0 × α)
`
代入一组具体数字看结果。设：
- e0 = 8%，也就是完全不复核时有 8% 的产出带着错误出门
- α = 3
- c = 1
- K = 50
算出来 (1-r)² = 1 ÷ (50 × 0.08 × 3) = 0.0833，所以 1-r = 0.289，r 约等于 71%。
在这个参数下，最优人工介入率是 71%，不是 20%。
这个数字对很多团队来说是反直觉的。原因在于他们只算了 c 那一项，没算 K 那一项。
敏感性：最优解怎么随参数移动
单给一个 71% 没有太大意义，因为参数是假设的。有意义的做法是看它随参数怎么动。
| 复核单位成本 c | 错误代价 K=20 | K=50 | K=100 |
|---|---|---|---|
| 0.5 | 68% | 80% | 86% |
| 1 | 54% | 71% | 80% |
| 2 | 35% | 59% | 71% |
| 4 | 9% | 42% | 59% |
读这张表有三个方向。
错误代价越高，最优介入率越高。 同样复核成本下，K 从 20 涨到 100，最优介入率从 54% 升到 80%。这就是为什么对外发布的内容和内部草稿不该用同一个介入率标准。
复核成本越高，最优介入率越低。 c 从 1 涨到 4，最优介入率从 71% 降到 42%。这解释了自动化复核工具的价值：它压低的是 c，错误率本身没动，而 c 一降，同样的错误代价下的最优介入率就下来了。
两个参数的比值才是决定性的。 c 和 K 同比例变化时，最优解不动。所以判断自己的介入率该定多少，需要的是这两个数的比值，而不是任何一个绝对值。
更深的那个结论：排序能力决定解的形状
上面得到的是一个内点解，介于 0 和 1 之间。这个结果依赖于 α 大于 1，也就是复核能按风险排序。
如果排序能力不存在呢。
假设风险完全不可预判，任意挑一份来复核，挡掉的错误比例就等于复核比例。这时候 α 等于 1，逃逸错误率是 e0 × (1 - r)，总成本变成：
`text
C(r) = c × r + K × e0 × (1 - r)
`
这是 r 的线性函数，没有内点极小值。导数是一个常数：c 减去 K × e0。
于是最优解只能是两个角点：如果 K × e0 大于 c，就全部复核；如果小于 c，就一份都不复核。
按上面的数字，K × e0 = 50 × 0.08 = 4，c = 1，4 大于 1，所以最优是百分之百复核。
这个结论的意思是：当风险不可排序时，最优策略只有一个极端，没有中间地带。 你要么全审，要么完全不审，任何"审一部分"的做法都不划算。
反过来，正是因为能按风险从高到低排序，中间地带才成立。排序能力不是复核流程的一个细节，它决定了整个策略的形状。
这件事有直接的管理含义。你不可能通过"定一个 30% 的介入率"来改善质量，除非同时回答了"这 30% 是怎么挑出来的"。随机挑的 30% 和按风险挑的 30% 是完全不同的两个东西，前者的效果约等于没审。
逃逸错误率的具体样子
回到 K=50 那一组参数，看介入率和逃逸错误率的对应关系：
| 人工介入率 | 逃逸错误率 |
|---|---|
| 0% | 8.00% |
| 30% | 2.74% |
| 50% | 1.00% |
| 70% | 0.22% |
| 90% | 0.01% |
| 100% | 0% |
从 0 到 30% 的介入，把错误率从 8% 压到 2.7%，降了三分之二。从 70% 到 100% 的介入，把错误率从 0.22% 压到 0，降的绝对值只有 0.22 个百分点。
所以介入率的价值集中在前半段。 而 71% 这个最优点，落在收益开始明显衰减的位置上。再往上加，挡掉的错误已经很少，付出的复核成本照付。
为什么把介入率当 KPI 会出问题
如果用介入率做考核指标，会发生一件可以预料的事：团队会去找那些"被复核但复核没有价值"的部分，把它们的介入取消掉，指标就下来了。
被取消的通常是高频、低风险的日常产出。这本身可能是对的，因为这类产出的 K 确实低。
但指标不会停在低风险区。当低风险的部分已经砍完，指标还没达到目标，压力就会转向中间地带。这时候被砍掉的是那些风险中等、单看一件不重要的产出，问题在于它们的量很大，错误逃逸的累计代价不低。
更麻烦的是这个过程不可见。 介入率下降是能看到的，错误率的上升要等错误真正逃出去才体现。两个信号之间有明显的时滞，而考核是按月走的。
该用什么指标替代
一个更完整的指标是单位产出的总成本，把两笔成本都算进去：
`text
单位产出总成本 = c × r + K × 逃逸错误率
`
这个指标的问题是 K 难以估计。让一个错误逃出去值多少钱，通常要事后才知道。
如果 K 估不出来，有一个次优但可用的组合指标：同时看介入率和逃逸错误率，两个数一起考核。 介入率单独下降不算成绩，只有在逃逸错误率不上升的前提下下降才算。
这个组合有一个额外的好处：它把注意力从"少花人工"转回到"错误去了哪里"。而错误去了哪里，才是这件事真正的管理对象。
什么情况下模型的结论不适用
模型的适用边界有三个。
第一，错误可逆且代价低的时候，K 很小，最优介入率会趋近于零。内部草稿、可随时撤回的尝试都属于这一类，这类产出不需要复核。
第二，错误不可逆的时候，K 极大，最优介入率趋近于百分之百。对外的发布、涉及金额的动作、写入外部系统的操作都是这一类。这里要注意，模型给出的是"接近全审"，而实际操作中全审不可行，所以这类动作的正解是减少总量，提高介入率在这里帮不上忙。
第三，α 无法估计的时候，模型不能直接用。不过 α 有一个粗略的测法：取一批已知有错误的产出，看前 20% 被复核的部分能挡掉多少错误。挡掉八成以上，α 大约在 3 左右；挡掉一半，α 接近 1，说明排序能力很弱。
一个可以当周做的估计
不需要建立完整的模型，只要三个数。
第一，抽一批最近的产出，统计其中带错误的比例。这是 e0。
第二，把最可能出错的两成挑出来，看里面包含了多少错误。这一步给出 α 的量级。
第三，估一个 K。取你去年最严重的一次交付事故，把它的总代价除以它影响到的件数，得到一个偏保守的 K。
三个数出来之后，代入上面的公式就得到你现在的参数下的最优点。它可能和 71% 差很远，具体数值取决于你的业务，但方向上它会落在两个极端之间，而且几乎不会在 20%。
常见问题
问：71% 这个数字能直接用吗？
不能，它是一组假设参数下的结果。能直接用的是这套算法：把 e0、α、c、K 四个数估出来，代入公式算你自己的最优解。
问：小团队没有那么多数据估 K，怎么办？
用一个替代判据：看这次错误如果流出去，是会收到反馈还是不会。会收到明确反馈（客户投诉、平台驳回）的，K 高，介入率该往上调；不会收到反馈的，K 低，可以放开。
问：可逆的动作要不要完全放开？
可逆只降低了 K，没有改变错误的概率。放开之前最好确认两点：撤回本身需要多少时间，以及撤回期间有没有人已经看到。如果撤回需要半小时而内容已经发出去了，那它实际上不可逆。
相关阅读
延伸阅读：AI 数字员工 vs 人工运营：30 天实测对比报告、从"给建议"到"交活"：AI 应用的下一道坎是可验收交付、你缺的不是更多 AI 工具，而是一支 AI 团队。
三条交付线的额度与价格在定价页，基础版免费，可以先跑一次看结果。