人机协作分工模型

核心判断

AI擅长模式匹配（分类、预测、生成），人擅长价值判断（好坏、取舍、创造意义）。最佳分工不是"AI做简单的人做复杂的"，而是"AI做客观规则匹配，人做主观价值判断"。

推理逻辑

1. 按客观vs主观分工：客观规则匹配（有明确标准、可量化、重复性高）→AI做，如去重/分类/排序/格式转换；主观价值判断（涉及好坏、取舍、审美）→人做，如留不留/删不删/好不好。灰色地带→AI建议+人决策。 2. 协作流程四步：AI准备（收集信息、整理选项、评估风险）→人决策（在AI准备好的基础上做最终判断）→AI执行（按人的决策执行操作）→人验收（检查结果、反馈纠正）。AI是"超级助手"不是"自动机器"。 3. 自动化程度三问：错误成本多高（高→人兜底）？用户在意过程还是结果（在意过程→人参与）？决策需要多少上下文（丰富上下文→人判断）？分工线会随AI能力提升逐步向AI侧移动。 4. 避免两个极端：过度自动化（AI做了太多主观判断用户失控）vs过度人工（AI只做基础的事没发挥价值）。最佳状态："10个人不一定干得过1个人配上AI"。

关键案例

Memory Keeper的设计原则：AI做客观规则匹配（去重/分类/排序），主观判断（留不留/删不删）必须交给人。"10个人不一定干得过1个人配上AI"——Token消耗带来的是质变不是量变，但前提是人和AI分工合理。

适用场景

AI产品中人和AI怎么分工、哪些事该交给AI做、AI替代人的边界在哪里、设计人和AI的协作流程。

不适用场景

全新品类探索阶段（没有历史规律可循，AI缺乏模式匹配的基础，需要人的直觉和冒险精神）；涉及价值观表达和品牌审美的决策（如品牌调性、社会责任立场），这类判断的本质是"我们是谁"而非"什么最优"。