把检查点从智能体运行的末尾移到中途,任务完成时间下降 13.54%。这是一项被试内研究的核心结果:48 名参与者在执行任务时监控 AI 智能体并修复其错误,论文发表于 2026 年 CHI 会议 (Zhou et al., CHI 2026)。其中 81% 的参与者更偏好中途确认的设计,而非当下大多数智能体工具出厂自带的「末端确认」默认设置。
请再读一遍,因为令人意外的是方向。更多的监督并没有消耗吞吐量,而是换来了吞吐量。任务中途检查智能体,比让它干干净净跑到最后更快。
这推翻了大多数运营负责人两年来一直在讲的论点。中型市场的标准立场是:人在回路是一笔从速度预算里支出的安全成本——真实、站得住脚,但终归是一种税。这项研究说,这个前提按它自己的标准就是错的,而检查点相对于智能体不可逆步骤的位置,是一个你目前根本没有设定的调度变量。
末端确认是一个并非由你做出的设计决定
大多数智能体产品会自主执行多步骤任务,并只在最后弹出一次审批。作者直言其脆弱之处:执行过程中用户几乎没有控制权,因此单个错误会级联扩散,迫使整个流程重启。你不会在第三步发现智能体读错了输入,你会在第十一步发现——此时已有另外八个步骤建立在它之上。
显而易见的修正是逐步确认,这消除了级联,但用论文的话说,带来了「繁琐的开销」。于是整个领域安于一个虚假的二选一:处处设卡然后爬行,或一处不设然后赌运气。两者都不是决定,两者都只是默认值。
这篇论文的贡献在于不再把它当作一个安全旋钮,而是建模为一个最小时间调度问题。问题不再是监督要多少——那是每个运营团队在预算会上争论的事。问题是在哪里,而这个问题几乎没人大声问出口。
48 名参与者实际做了什么
研究分两个阶段。八名参与者的形成性研究揭示了人们监控智能体错误时反复出现的行为模式,作者称之为确认—诊断—纠正—重做(Confirmation–Diagnosis–Correction–Redo,CDCR)。当用户发现问题时,他们先确认确有问题,再诊断哪里出错,然后纠正,最后重做受影响的工作。这四个阶段各自耗费可测量的时间,而重做阶段的成本会随着错误引入之后已执行的步骤数量同步放大。
这个模式正是结果背后的引擎。由于 CDCR 成本可预测,它可以按步骤提前估算。团队构建了一个决策论模型,依据用户交互的预期时间来放置确认点,逐步决定智能体是自主继续,还是提示人类介入监督。
随后他们进行了测试:48 名参与者,被试内设计,在实时执行中监控智能体并修复错误。相对末端确认,完成时间下降 13.54%,偏好率为 81% (Zhou et al., CHI 2026)。
任何运营层面的解读都应附上两点保留。样本是受控人机交互研究中的 48 人,而非覆盖某个职能的生产部署——请把 13.54% 当作对你自身流程的方向性指示,而不是预测值。另外,两个数字都是专门相对于末端确认测得的。论文并未声称中途确认在时间上胜过逐步确认,它声称的是:把确认全部压在末尾的默认设置,输给了经过调度的安排。
反方:斯坦福发现审批关卡要付出 31 个百分点
有一项流传甚广的发现似乎与上述结论冲突。Stanford Digital Economy Lab 研究了 51 个企业级 AI 生产部署,报告了一个可归因于单一架构选择的 31 个百分点中位差距:AI 端到端拥有任务、不设人工审批关卡的部署,中位生产率提升达 71%;而要求对每个有意义的动作都进行人工审批的部署,停留在 40%——这些公司运行的是同样的前沿模型 (Stanford Digital Economy Lab, 2026)。
那到底是哪一个?关卡让你损失 31 个百分点,还是为你换来 13.54%?
两者都成立,而且并不矛盾。斯坦福衡量的是关卡的有无——对每个有意义的动作都审批,对比完全不审批。CHI 研究衡量的是关卡的位置——同样的监督预算,以不同方式调度。斯坦福的失败条件是逐步确认,CHI 研究的失败条件是末端确认。这是两种不同的失效模式,而把它们调和起来才是真正的操作指令:不要对每个有意义的动作都设卡,也不要只在末尾设卡。
中型市场的本能反应是读到斯坦福的数字,拆掉关卡,并称之为授权下放。而这恰恰让你落入 CHI 论文以 13.54% 击败的那个条件。
迟到的检查同时也是无力的检查
位置影响的不只是时钟,还影响复核究竟能不能发现任何问题。
2026 年另一项被试内研究让 36 名参与者完成智能体编程任务,智能体分别产出正确输出、可见失败或静默缺陷。在静默缺陷任务中,总体发现率为 39%——但随任务不同波动了近十倍,从 8% 到 75%,而复核者的自评信心却几乎持平,在 5 分制下维持在 3.83 到 4.50 之间 (Dissanayake et al., 2026)。在失败的静默缺陷任务中,凡有有效信心评分的,79% 被漏掉缺陷的那位复核者本人打了 4 分或 5 分。
你的复核者分不清自己身处「四个缺陷能抓住三个」的任务,还是「十二个缺陷只抓住一个」的任务。信心并不追踪准确率。这意味着运行末尾的单次审批不仅是一次迟到的检查,更是一次未经计量的检查,而签字的人没有任何内部信号告诉他自己面对的是哪一类任务。
检查点的位置能给你信心给不了的东西:在第三步捕获的缺陷可归因于第三步;在末尾捕获的缺陷只能归因于整次运行。
重启成本是你没有定价的那个变量
如果位置是杠杆,那么设定它的输入量就是每一步的重启成本——在该点迟迟才被发现的错误,会迫使你重做多少已执行的工作。
有两个数字有助于校准这项成本集中在哪里。Agent Delegability Index 对 O*NET 全部 18,796 条任务陈述进行评级,并按 146 个国家的就业情况加权,结果显示全球任务时间中有 35.2% 至少可部分委托给智能体,但仅有 2.5% 能够完整移交,且集中在少数文书类职群。它在运营上最有用的结论是:完整委托的峰值出现在人类大约需要十二分钟的任务上 (Espinal Maya & Jiménez Londoño, 2026)。短任务重做很便宜;而漫长的多步骤运行才是重启成本累积之处——恰恰也是你的工具只在末尾才确认的那一类。
这笔成本已经记在你的账上,只是没有落在你认得出的科目下。一项覆盖五个国家、2,500 名知识工作者的调查显示,42% 的人表示校验 AI 产出所花的时间超过了使用它所节省的时间,52% 的人经常修正同事产出的 AI 生成内容 (Adaptavist, 2026)。这是落在生成环节下游的返工——CDCR 循环在无人调度、无人计数的状态下运转,消耗的是别人的工时。
调度确认,就是把这笔成本提前拉到它最便宜、也最显眼的位置。
本季度该如何处理任务中途的智能体检查
这不是一次工具采购,而是一次梳理工作,一个季度足以完成。
- 挑出三条量最大的智能体工作流,按顺序写下它们的步骤。为每一步记录一个数字:如果在该步骤引入的错误直到运行结束才被发现,人需要重做多少分钟的已执行工作。
- 标记每一个不可逆步骤——任何发送、付款、发布、写入记录系统或触及第三方的动作。不可逆步骤上的重启成本不是以分钟计的,它是一套补救流程。无论时间模型怎么说,这些都是你的强制检查点。
- 把检查点放在累计重启成本出现跳升的步骤之前,而不是均匀间隔,也不是放在末尾。等间隔检查正是研究已经否决的那种「繁琐开销」条件。
- 为复核本身加装度量,而不只是为运行加装。按检查点和任务类型记录发现率。既然复核者信心保持平坦而发现率在 8% 到 75% 之间剧烈摆动,就不会有人主动向你报告某个检查点很弱——你必须自己测量。
- 每次放宽自主权时重做这张图。给智能体授予一种新的动作类型,会改变其下游每一步的重启特征。
治理架构决定了上述这些你能配置多少。Scovai 的 Digital Employees 默认采用「先确认」机制——每一个对外可见的动作都会变成一条带有具名责任人的审批请求,未被答复的请求会过期而不会悄然放行,自主权按动作类型、依据留痕的审批台账逐步赚取,而不是按席位整体授予 (Scovai Digital Employees)。这回答了「有没有」的问题。CHI 的结果则表明「放在哪里」的问题依然存在:当你确定了数字员工可以无人监督执行哪些动作类型之后,仍然需要决定在一次多步骤运行内部,剩下的检查落在何处。
摆在你面前的决定
大多数运营团队正在进行一场预算辩论——我们能负担多少小时的复核投入在智能体监督上,任务中途的智能体检查究竟能不能说得通。研究表明,这场辩论的坐标轴选错了。你的智能体监督成本早已确定;未确定的是它落在哪里,而仅仅是位置这一项,在任何人员、模型或供应商变动之前,就值 13.54% 的完成时间。
所以本季度要做的具体决定窄到可以在一个周二拍板:拿出你量最大的那条智能体工作流,找到其中第一个不可逆步骤,检查在该步骤之前是否有任何确认环节。如果一个都没有,你运行的并不是精简的监督模式,而是一个昂贵的模式,只不过账单被推迟到了重启那一刻。