通用AI工具可能会接受这样的请求：起草辞职信、总结朋友发来的一段沉重消息、生成悼词，或给求职者名单打分。流畅的回答不会告诉你，哪些请求属于合理的辅助，哪些请求却把本应由人承担的判断、关怀或责任转交了出去。本文要讨论的，正是动手使用那一刻的这项判断。
过去常问：“AI能不能帮忙？”答案几乎总是：“能，它可以生成点什么。”正因如此，这个问题并不合适。真正有用的问题是：让它代劳会使你放弃什么，你是否愿意承担这个代价。本文提供一套六维审查，让你在粘贴任务之前有意识地回答，而不是事后才发现成本。
为什么能力不是检验标准
生成式模型旨在广泛满足用户需求，即使把任务交给它并不明智，它也可能照样回应。不同产品的拒绝机制与安全措施并不相同，因此工具本身不能替你制定委托原则。不要等它拒绝，也不要只凭一时的不安；请主动审查任务。
关于自动化偏见的研究表明，在相关实验条件下，人们可能过度依赖自动化建议，并忽略与之矛盾的信息（Mosier、Skitka、Heers和Burdick，International Journal of Aviation Psychology，1998）。2026年发表于Philosophy & Technology的一篇综述分析了这一研究领域使用的概念和解释（What is Wrong With Automation Bias?，2026）。这些来源并不能为每种AI系统或每项任务确定同一种应对方式。它们支持一个更有限的结论：使用方便、表达流畅，并不能证明委托是恰当的。
这是一套在输入提示词之前使用的审查，针对日常生活中的单项任务。它在后果、关系和技能之外，又加入作者责任、隐私与可逆性，并把六个维度用于具体案例。如果你设计的是团队反复运行的流程或书面工作场所政策，请参阅划定你的个人委托边界。那篇文章会拆分流程阶段，并指定一名承担责任的负责人。两篇文章回答的问题不同：本文回答“我现在是否应把这项任务交出去？”，另一篇则回答“我们反复运行的流程应把边界设在哪里？”
六维审查
委托任务前，过一遍六个问题。单独任何一个都不具决定性；合在一起，它们告诉你任务属于你自己手里、受监督协助、完全交接，还是根本不该靠近模型。
- 后果。 若输出错了，谁受害，有多严重？错误的购物清单只多一次往返。错误的医疗摘要或法律文件，可能付出无法挽回的代价。
- 作者责任。 在别人确实依赖这份内容出自你本人时，它是否需要代表你的声音、判断或持证专业能力？决定使用辅助后，请参阅让AI协助的工作仍署上你的名字，了解由此产生的披露边界。
- 关系。 另一端是否有一个具体的人，理应得到你的直接关注，例如伴侣、孩子或正在哀悼的朋友，而不是一份打磨精致的替代品？
- 技能。 这是否正是你想练出能力的任务？跳过挣扎，也就跳过了学习。这种交换如何在数月而非一次中展开，见外包思考时什么会退化。
- 隐私。 完成此任务是否需要输入不该脱离你控制的信息，例如他人的健康详情、儿童数据或企业机密信息？
- 可逆性。 若出错，你能否在造成影响之前发现并修正，还是内容一旦发送、提交或说出口就已无法挽回？
后果轻微、不要求本人创作、不涉及具体关系、不属于你需要保留的技能、不含敏感数据且容易补救的任务，在审核后可以考虑委托。作为一项保守原则，当多个维度的风险都较高时，应把关键步骤和最终责任留给人。这是一种实用筛查方法，并不是经过验证的风险评分。
高风险、涉及关系或身份塑造、对同意要求敏感，或不可逆的行动，需要比快速起草后直接发送更强的人类主导。当六个维度中有多个同时处于高位时，应明确停止委托，不要在截止期限的压力下临时权衡。
亲自完成 / 辅助 / 委托 / 绝不委托：十个实例
| 任务 | 后果 | 关系 / 作者责任 | 结论 |
|---|---|---|---|
| 起草例行工作邮件 | 低 | 低 | 辅助：使用获准的账户，核实事实与收件人，然后自行发送 |
| 为自己总结一份非机密PDF报告 | 低 | 低 | 委托第一轮总结：检查覆盖范围，并核实你打算使用的每项主张 |
| 为你管理的员工撰写绩效评估 | 中高 | 高（你的判断会影响对方的职业） | 辅助：AI可以帮你整理证据，但评估必须由你作出 |
| 告诉朋友你认为他们的计划不妥 | 财务风险低，关系风险高 | 高 | 亲自完成：不要把信息本身外包，可改为参考困难对话的准备方法 |
| 安慰正在哀悼的人 | 财务风险低，关系风险极高 | 高 | 绝不委托陪伴本身：参阅AI在家庭生活中可以代劳什么，又不能触碰什么 |
| 根据自己的笔记与记忆起草悼词 | 中 | 作者责任高，但素材来自你 | 辅助：整理你的话，但不要让AI编造你未提供的细节或情感 |
| 给求职者打分或排名 | 高（关系到他人的生计） | 问责要求高 | 没有可问责的人类流程，就绝不委托：参阅拒绝用AI给人排名 |
| 练习新语言或技能 | 短期风险低，长期风险高 | 技能培养 | 谨慎辅助：让AI检查你的尝试，而不是取代尝试；参阅用AI进行刻意练习 |
| 核对家庭共同预算表 | 中 | 低 | 辅助：核对公式与分类，重新计算总额，把取舍决定留给人 |
| 向被你伤害的人道歉 | 财务风险低，关系风险极高 | 高 | 保留主导权：可以借助AI准备，但要自己选择措辞并亲自联系；参阅为什么修复关系与道歉仍应由人完成 |
请留意其中的规律：机械性强、风险低，而且出错后可以重做的任务，更适合委托。涉及具体关系、专业资质或不可逆后果的任务，则更应亲自完成或绝不委托，无论AI生成的草稿看起来多么出色。
一个常见误解
一个常见错误，是把“AI生成的内容很好”当作委托得当的证明。输出质量与是否应当委托是两个不同的问题。写给哀悼中朋友的一段精致文字，仍可能忽略直接关心与亲自表达的价值。六维审查之所以必要，正是因为“读起来不错”并不能回答应由谁负责这次沟通。
第二个误解走向另一个极端：把每一次使用AI辅助都视为某种妥协。这种矫枉过正同样有误。把初稿、摘要或电子表格公式交给AI，并不构成道德上的失败；这正是工具的合理用途。审查是为了识别少数会在不知不觉中付出真实代价的任务，而不是让你对日常辅助反复犹豫。对于结构化且风险较高的决策，可以把本审查与用AI做出更好的决策结合使用。后者说明，当你已经确定任务属于“辅助”类别后，如何把模型当作陪练伙伴而不是神谕。
审查中的隐私维度值得单独养成习惯，与其他五个问题分开处理。在把任何内容粘贴到通用AI工具之前，问问自己：其中是否包含他人的私人信息、儿童数据，或雇主的任何机密信息？发送后这些数据会发生什么，请参阅ChatGPT会记住、看到和分享什么。
专业构建AI辅助工作流的团队，也会在更大规模上面对结构相似的问题：流程中的哪些步骤保留人工检查点，哪些不保留。如果你面对的是团队流程，而不是个人任务，请参阅人在回路中的设计模式，了解如何把同样的六维逻辑应用于生产系统。
今天就试
挑出三件你本周不假思索就交给AI工具的任务，再挑出三件本周准备委托的任务。让六项任务都经过这套审查。对每项任务，写下是否有哪个维度的风险足够高，说明任务本应由你亲自完成，或至少应归入“辅助”而不是“委托”。人类委托审查表提供同一表格的可打印版本，并留有空间记录你自己的实例，帮助你养成这个习惯。
目标不是背下一份永远不变的清单，而是进行一次简短、可重复的检查。答案会随着数据、接收者、后果、审核者和工具而变化。对于重要任务，请把边界记录下来，不要等输出已经发送后再凭记忆回想。
