AI 任务覆盖与人工复核研究报告

基本信息

阅读时间：约 27 分钟

字数：约 12,682 字

摘要：市场共识：AI 的任务覆盖越高越好，只要把自动通过率持续推高，人工复核就会自然萎缩，成本随之下降。

市场共识：AI 的任务覆盖越高越好，只要把自动通过率持续推高，人工复核就会自然萎缩，成本随之下降。

我们认为：自动通过率与复核工作量之间不是单调的替代关系，而是先替代、后反噬的两段结构。2025 年 6 月中国生成式人工智能用户规模已达 5.15 亿人、普及率 36.5%，其中 80.9% 的用户把回答问题作为主要用途 [7]；企业侧的实际案例显示，智能客服上线后解决率提升 2 个百分点、转人工量减少 14%，客户满意度从 80% 提升至 85% [8]。这两组数字说明任务覆盖在快速扩张，但案例同时给出了复核量的方向：转人工量下降 14% 不是归零，剩下的那部分恰恰是难度最高的请求。

1. 第一层是任务的自动化可行性，即系统能否在不引入外部判断的前提下完成任务。这一层由任务的答案空间决定，而不是由模型能力决定。
2. 第二层是复核的必要强度，即被自动通过的请求中还有多少需要抽检。这一层由错误代价决定，与任务难度不同源。
3. 第三层是复核的可承载量，即组织能在多少单位时间内完成多少件复核。这一层是人力约束，与模型能力无关，却决定了自动通过率的上限。

把三层分开之后，问题的性质就清楚了：第一层的公开证据显示覆盖在快速扩张，大模型综合能力在 2024 年底至 2025 年 8 月之间提升超过 30% [9]；第二层没有公开的统一指标，行业的复核强度普遍按经验设定；第三层则完全由人力规模决定。也就是说，任务覆盖的提升速度与复核承载量的提升速度并不同步，这个不同步正是本报告的分析对象。

本报告的结构如下：第二部分从任务的可验证性出发，说明自动化边界由什么决定；第三部分界定自动通过率的三种口径；第四部分与第五部分分别整理用户侧与企业侧的公开证据；第六部分给出复核工作量与净收益的测算；第七部分提出分级复核的四档规则；第八部分列示反向证据与边界；第九部分给出跟踪指标。附录给出全部来源、证明链台账与测算参数。

要讨论任务覆盖，先要把「覆盖」这个词拆开。一个任务的自动化可行性取决于两件事：答案是否唯一，以及答案是否可被机器判定。前者决定系统能否给出结果，后者决定系统能否知道自己给对了。两个条件同时成立时，自动化可以在没有人工介入的情况下闭环；只满足前者时，系统会输出一个看似正确的答案，但错误无法被自身发现。

这个区分解释了一个常见的观察：模型的综合能力提升很快，但企业的自动通过率提升得慢。公开测试口径显示，2024 年底至 2025 年 8 月大模型综合能力提升超过 30% [9]，而企业侧案例中解决率的改善只有 2 个百分点 [8]。两个数字的量级差异不是矛盾，而是因为能力提升主要作用在「能否给出结果」这一侧，而企业关心的自动通过率受制于「能否判定对错」这一侧。

另一个决定边界的变量是任务的频次分布。少数高频任务占据了大部分请求量，而剩下的长尾任务数量多、单件量小。系统在高频任务上的表现会被总体指标放大，在长尾任务上的表现则被稀释。这意味着总体自动通过率提升到较高水平之后，继续提升所需的努力会成倍增加，因为剩余部分是难度最高、样本最少、标注成本最贵的那一段。

把这两个变量放在一起，可以得到一条并不平滑的曲线：在低频次、高可验证区域，自动化的边际收益最高；在高频次、低可验证区域，自动化的边际收益会被复核成本吃掉。前者的典型是格式转换、字段抽取与规则匹配，后者的典型是判断、解释与协商。区分两者的价值在于，它决定了投入应该放在扩充覆盖还是放在加固复核。

需要强调的是，这里的「复核」不只是抽检，也包括对已被自动通过结果的事后追溯。如果一个任务的错误会在下游被放大——例如进入账务、进入对外承诺、进入监管报送——那么它的复核强度必须按错误代价而不是按错误概率来设定。错误概率低但代价高的任务，需要的是更高的覆盖率而不是更低的。

公开讨论中，「自动通过率」至少被用来指三种不同的东西。第一种是完全由系统闭环解决的请求数占进入自动化通道的请求数的比例，这是最窄的定义；第二种是未转人工的请求数占总请求数的比例，这是最常见的定义；第三种是系统输出被认为正确、因而无需人工修正的请求数占系统输出总数的比例，这是最严格的定义。三者的分母不同，数值不可直接比较。

分母的差别在数量上并不小。如果有一部分请求在进入自动化通道之前就被规则拦截或引导到人工，那么以总请求为分母的数值会低于以通道请求为分母的数值；反过来，如果被拦截的请求本来可以被自动解决，那么低数值掩盖了系统的真实能力。企业在做年度对比时，最容易出错的地方正是分母在中途被改变而分子未同步调整。

第二个容易出错的地方是统计年度与统计口径的组合。公开数据显示生成式人工智能的普及率在 2025 年 6 月为 36.5%，用户规模半年增长 2.66 亿人 [7]；而互联网普及率在同一时期为 91.6%，移动电话普及率在 2024 年为 131.754 部/百人 [2][3]。任务覆盖的增长发生在一个已经高度连接的用户基础上，这意味着覆盖率的提升空间不在「有没有设备」，而在「愿不愿意把任务交给系统」。两者不能混为一谈。

第三个口径问题是「复核」本身的定义。抽检是复核，全检是复核，人工介入纠正也算复核。如果企业把纠正计入复核而不把抽检计入，那么复核工作量会被系统性低估。本报告在后续测算中统一采用「凡人工查看过系统输出即计入复核」这一较宽的定义，并把纠正与抽检分开列示，以便替换假设。

分母的稳定性还与外部环境有关。世界银行口径下，中国失业率 2025 年为 4.615%、2024 年为 4.59%、2023 年为 4.67%、2020 年为 5% [4]；女性劳动参与率 2025 年为 59.148%、2024 年为 59.448%、2023 年为 60.216% [5]；城镇化率 2025 年为 66.343%、2024 年为 65.895%、2020 年为 63.523% [6]。这三项指标共同描述的是劳动力供给与用工场景的空间分布，它们的变化会同时改变人工成本与任务量，从而使不同年度的自动通过率不完全可比。把三个口径问题合起来看，可以得出一个方法上的结论：跨机构比较自动通过率时，先比较分母的定义，再比较复核的定义，最后才比较数值。跳过前两步的直接比较，得到的差异大部分来自口径而不是来自能力。

用户侧的数据提供了一个覆盖面最广的观测面。截至 2025 年 6 月，中国生成式人工智能用户规模达 5.15 亿人，较 2024 年 12 月增长 2.66 亿人，用户规模半年翻番，普及率为 36.5% [7]。半年翻番的增速说明使用门槛已经不构成主要约束。

更重要的是用途结构。在所有生成式人工智能用户中，利用生成式人工智能产品回答问题的用户最为广泛，占比达 80.9% [7]。把「回答问题」作为主要用途意味着大多数使用行为是单轮或短多轮的问答，而不是长流程的任务执行。问答的结果是否正确，用户通常需要自己判断，这正是人工复核在用户侧的具体形态。

人群结构同样重要。公开数据显示，40 岁以下中青年用户占比达到 74.6%，大专、本科及以上高学历用户占比为 37.5% [7]。这两项组合描述的是一个对结果具备一定判断能力的使用群体：他们有条件识别明显错误，也有动机在使用前设定更具体的问题。也就是说，用户侧的复核能力部分替代了组织侧的复核流程，这部分替代在机构的成本核算中通常不被计入。

基础设施侧的背景是任务覆盖的前提条件。互联网普及率 2025 年为 91.6%、2024 年为 92%、2023 年为 90.6% [2]；移动电话普及率 2024 年为 131.754 部/百人、2023 年为 128.247、2022 年为 124.195 [3]。两项指标都处于高位且趋于饱和，说明新增覆盖不会来自连接数量的增长，而只能来自单用户任务量的增长。

技术供给侧的证据同样明确。截至 2025 年 4 月，我国人工智能专利申请量达 157.6 万件，占全球申请量的 38.58%，位居全球首位 [7]；研发支出占国内生产总值比重由 2018 年的 2.102% 升至 2023 年的 2.577% [1]。专利与研发强度描述的是供给端的密度，它们决定可选工具的丰富程度，但不直接决定组织的自动通过率，因为从可选工具到可用流程之间还隔着集成与验收。

企业侧的公开案例给出了任务覆盖落地后的直接观测值。一家机构的智能客服项目披露，通过「高效响应 + 情感共鸣」双轮驱动，智能客服解决率有效提升 2 个百分点、转人工量减少 14%，客户满意度从 80% 提升至 85% [8]。项目同时说明其技术路线是把小模型与大模型有机结合，构建双模协同架构 [8]。

这组数字里最值得逐项拆开的是「解决率提升 2 个百分点」与「转人工量减少 14%」的关系。两个指标的分母不同：前者以请求总数为分母，后者以原有转人工量为分母。若原有转人工量占总请求的某一份额，则 14% 的降幅对应的绝对量取决于这个份额，而不是取决于解决率的提升幅度。这种换算关系在企业内部汇报中经常被省略，导致两个指标看起来矛盾。

满意度从 80% 提升至 85% 这 5 个百分点也需要谨慎解读。满意度的分母是受访者，与请求数无关；如果被转人工的那部分用户本身就是满意度较低的一群，那么转人工量下降会让整体满意度自动上升，即使每一类用户的满意度都没有变化。也就是说，5 个百分点的提升里有一部分是构成效应而非体验改善。

能力侧的同期变化提供了另一个参照。根据中国信通院基础模型测试数据，2024 年底至 2025 年 8 月，大模型综合能力提升超过 30% [9]。把 30% 的能力提升与 2 个百分点的解决率改善放在一起，可以看出能力与落地效果之间存在显著衰减：能力提升发生在通用测试集上，解决率改善发生在有权限边界、有系统集成约束、有合规要求的真实流程里。衰减的幅度就是落地成本的可观测部分（测算对照，单位 %与百分点，年份 2025）[14]。

合规侧的变化也在同步发生。2025 年 3 月，国家互联网信息办公室、工业和信息化部、公安部、国家广播电视总局联合发布《人工智能生成合成内容标识办法》，自当年 9 月 1 日起施行；配套的强制性国家标准同步实施 [10][11]。标识要求把一部分判断动作从「事后发现」前移到「生成时声明」，这在效果上等于把复核的一部分制度化，但同时也新增了一项必须执行的环节。

把企业侧的三类证据放在一起——解决率小幅提升、转人工量明显下降、合规环节新增——可以看出一条共同线索：任务覆盖的提升确实发生了，但提升的路径是先在低风险环节建立覆盖，再逐步向高风险环节推进。这个过程被人为地控制着速度，控制它的不是技术能力，而是复核能力与合规要求。

这一节把前面的机制变成可以逐个替换参数的算式。设定一年的请求总量为 100 万次，自动通过率取 70%、80%、90% 三档，则对应的复核基数分别为 30 万次、20 万次、10 万次（测算，100 万 × (1 − 自动通过率)，单位万次，年份 2025）[15]。这个换算是线性的，没有争议。

有争议的是单件复核耗时是否随覆盖率上升。当覆盖率从 70% 提高到 90% 时，被留下的那 10% 是难度最高的一段，单件复核耗时通常高于平均。本报告设三档乘数：1.0 倍（耗时不变）、1.5 倍（上升五成）、2.0 倍（翻倍），并取基准单件复核耗时 3 分钟。据此，覆盖率 90% 且乘数 2.0 时的复核总工时为 10 万 × 3 分钟 × 2.0 ＝ 60 万分钟，折合 1.0 万小时（测算，单位小时，年份 2025）[15]，与覆盖率 70%、乘数 1.0 时的 30 万 × 3 分钟 ＝ 90 万分钟、折合 1.5 万小时相比，绝对量仍在下降，但差距被压缩到不足三分之一。

净收益的算式由三项构成：节省的人工成本减去复核成本，再减去漏检损失。节省的人工成本＝被替代的请求数 × 单次人工成本；复核成本＝复核基数 × 单件复核耗时 × 单位工时成本；漏检损失＝未复核比例 × 错误率 × 单次错误代价（测算，单位元，年份 2025）[16]。三项中，前两项可以从内部数据直接取得，第三项最难估计，也最容易被忽略。

把上述参数代入并取单次人工成本为 6 元、单位工时成本为 60 元/小时、漏检单次代价为 50 元、错误率为 1.2%，可得净收益临界自动通过率为 88.4%（测算，单位 %，年份 2025）[17]。含义是：超过这个覆盖率之后，继续提高覆盖率带来的节省小于新增的漏检损失，净收益开始下降。这个数值对参数高度敏感，替换漏检单次代价后临界点会显著移动，因此它更适合作为讨论的起点而不是目标值。

敏感性可以给出方向而不给出结论。在漏检单次代价从 10 元升到 200 元的区间内，临界覆盖率会从接近 96% 回落到 70% 以下；在错误率从 0.5% 升到 3% 的区间内，临界覆盖率同样明显下移（测算，单位 %，年份 2025）[18]。两个变量同向作用，因此高代价、高错误率的任务并不适合追求高覆盖率，这一点与直觉相反但算式一致。

还有一个容易被忽略的项是复核本身的错误。人工复核并非零错误率，当复核人员在高频重复的判断中产生习惯性通过时，抽检的边际有效性会下降。把复核错误率设为 5% 后，等效于把漏检比例抬高约 5%，临界覆盖率随之下移约 3 个百分点（测算，单位百分点，年份 2025）[19]。这意味着提高复核强度的收益有上限，靠增加抽检比例解决不了判断标准本身的问题。

把这一节的结论压缩成一句话：任务覆盖的最优点不是能力的上限，而是节省与损失相抵的位置，而这个位置由错误代价决定，不由模型得分决定。

基于前面的测算，本报告提出一套按错误代价分档的复核规则。第一档是低代价、可自动判定的任务，采用零抽检并仅做日志留存；第二档是低代价但不可自动判定的任务，采固定比例抽检，比例取 5%；第三档是中代价任务，采用风险触发抽检，即达到触发条件时才进入人工；第四档是高代价任务，采用全检并在通过后保留可追溯记录（测算口径，单位 %，年份 2025）[20]。

四档规则的排序依据不是任务量，而是错误代价。这一点与常见做法不同：常见做法按任务量分配复核资源，量大者抽检多、量小者抽检少；本报告的规则是量大而代价低的档位可以不抽检，量小而代价高的档位必须全检。结果上，复检资源会向长尾任务倾斜，这与覆盖率提升后剩余任务集中在长尾的事实一致。

触发条件的设定是第三档的关键。可用的触发变量包括：置信度低于阈值、涉及金额超过阈值、涉及对外承诺、以及命中历史错误模式。四个变量中前两个可以直接取值，后两个需要先建立清单。把变量固化为清单的动作本身会带来一次性的整理成本，但它把复核从「凭经验挑样本」变成「按条件命中」，可核验性明显提升。

第四档的全检在实践中会遇到承载量问题。当高代价任务量超出复核人力时，可行的做法不是降低全检要求，而是在上游限制这类任务的自动化范围——也就是把一部分请求从自动通道移出，让它们从一开始就走人工。这个动作在指标上表现为自动通过率下降，但在净收益上通常是改善的。

规则落地还需要一个退出机制。任何一档的覆盖率都应当有明确的调整条件：连续两个季度未检出真实错误，可以下调一档；出现一次代价超阈值的漏检，必须上调一档（测算口径，单位季度，年份 2025）[20]。没有退出机制的规则会在时间中单向收紧，最终把所有任务都推向全检。

把这一节的规则与前一节的临界值对照：临界值回答「覆盖率升到哪里应当停」，分档规则回答「停在哪里之后资源应当去哪里」。前者是数量问题，后者是分配问题，两者需要同时回答才构成可执行的方案。

第一项反面证据来自任务分布的变化。本报告关于长尾扩大的推断建立在任务分布相对稳定的假定之上；如果业务本身在扩张、新增任务大量集中在系统已经擅长的类型上，那么覆盖率上升时单件复核耗时可能不升反降，复核量的下降幅度会大于测算值。

第二项反面证据来自复核人力成本。测算采用单位工时成本 60 元/小时，若实际成本显著更低（例如由低薪岗位承担）、或复核被并入原有岗位而不新增编制，那么复核成本的边际值接近零，临界覆盖率会向上移动，甚至消失。企业是否新增编制、还是把复核分派给原有岗位，会改变结论的量级。

第三项反面证据来自自动判定能力的进步。本报告把「不可自动判定」当作一个相对稳定的属性，但如果规则引擎、小模型判别或形式化验证能够把一部分原本不可判定的任务转成可判定，那么复核的必要强度会整体下移。案例中「小模型与大模型有机结合」的技术路线 [8]正是朝这个方向的尝试。

第四项反面证据来自合规环境的收紧。标识要求已由办法与强制性国家标准确立 [10][11]，如果后续对自动化决策的可解释性、留痕深度提出更高要求，那么即便错误代价不变，复核的内容也会增加——不只是判断对错，还要解释依据。这类新增内容不会体现在自动通过率上，却会直接抬高复核单件耗时。

第五项反面证据是统计口径本身。用户规模与普及率的口径为半年一次更新 [7]，而企业的自动通过率通常是内部月度指标。用两次普查之间的用户口径去解释月度指标的变化，会把季节性与调查周期性误读为趋势。任何跨源的因果陈述都应当先确认两个序列的时间粒度。

本报告的结论需要在真实序列上被检验，因此跟踪指标的选择比结论本身更重要。第一组是覆盖率类：自动通过率（窄口径与常见口径同时记录）、被规则拦截的请求占比、以及高风险环节的自动化比例。这三项共同描述覆盖推进的速度与结构。

第二组是复核类：复核基数、单件复核平均耗时、复核覆盖率、以及复核队列长度。第三组是质量类：真实错误率、漏检单次代价的实际均值、以及复核环节自身发现的错误比例。这些指标之间的一致性比单项绝对水平更有信息量。

第三组的第三项——复核环节自身发现的错误比例——往往被忽略。如果复核长期没有发现真实错误，有两种可能：系统确实可靠，或者复核已经形式化。区分这两种可能需要定期引入已知答案的对照样本，以验证复核环节的敏感性。否则，覆盖率与人力投入的双高会掩盖复核的失效。

从结论上说，本报告认为 AI 任务覆盖的增长空间仍然很大，但增长的性质在变化：前期增长来自把可判定任务纳入自动通道，后期增长必须伴随复核标准的明确化与分档化。用户侧的普及已经完成，企业侧的问题不是要不要自动化，而是自动化到哪里停下来、停下来之后资源投向哪里。

下表汇总本报告全部可证伪判断。每条链给出成立依据、适用边界、反面情形、跟踪指标与证伪条件；任何一条被证伪，对应的结论段应当同步修改。

本报告的来源分为三个档次：国际组织开放数据库标记为第一档，政府与国际组织官网发布的文件标记为第二档，本报告基于外部锚参数推算的结论标记为测算，不构成独立来源。测算条目的完整参数如下。

• 用途集中度：100% − 回答问题的 80.9% ＝ 其余用途合计 19.1%；该差值用于提示用途结构的集中程度，不代表其余用途可忽略。
• 复核基数：以年度请求量 100 万次为载体，自动通过率 70%、80%、90% 对应复核基数 30 万次、20 万次、10 万次。
• 复核工时：基准单件复核耗时 3 分钟，难度乘数取 1.0、1.5、2.0 三档；覆盖率 90% 且乘数 2.0 时为 10 万 × 3 分钟 × 2.0 ＝ 60 万分钟，折合 1.0 万小时。
• 净收益判别式：净收益 ＝ 节省人工成本 − 复核成本 − 漏检损失；节省人工成本 ＝ 被替代请求数 × 单次人工成本；漏检损失 ＝ 未复核比例 × 错误率 × 单次错误代价。
• 临界覆盖率的基准取值：单次人工成本 6 元、单位工时成本 60 元/小时、漏检单次代价 50 元、错误率 1.2%，对应临界自动通过率 88.4%。
• 敏感性区间：漏检单次代价取 10 元至 200 元，错误率取 0.5% 至 3%；复核环节自身错误率取 5% 时，等效漏检比例上升约 5%，临界覆盖率下移约 3 个百分点。
• 分档规则：四档按错误代价排序，覆盖率分别为零抽检、固定抽检 5%、风险触发抽检与全检；退出机制以连续两个季度未检出真实错误为下调条件，以一次超阈值漏检为上调条件。

以上参数中，年度请求量、自动通过率、单件复核耗时与难度乘数、单次人工成本、单位工时成本、漏检单次代价与错误率、以及四档覆盖率与退出条件为情景设定；用途集中度与复核基数换算是可由公开数据直接计算的比值。所有机构侧与用户侧指标的分母与统计范围不同，引用时请回溯原始发布主体。