人工复核的成本

把复核者放进单位成本，并按你真正付出的工资计价。

智能体的成本模型都是由盯着 token 计费表的人写的，所以里面只有 token 账单，写到那儿就停了。然后有人问：为什么部门预算里从来没出现过这笔节省？答案就坐在一条谁也没算过成本的复核队列里。

把它写下来，算术一点也不微妙。假设一项任务智能体花 0.40 美元的 token 完成，由一位综合成本 75 美元/小时的专家复核：

• 六分钟复核就是 7.50 美元。模型占这项任务交付成本的 5%，人占 95%。把 token 单价砍半，单位成本变动 2.5%；把复核时间砍半，变动 47%。
• 复核者的级别通常高于执行者。智能体往往替掉的是初级的生产环节，留下的是高级的检查环节，所以哪怕人头减少了，一项任务上挂的平均工资也可能反而上升。原本一位 45 美元/小时的分析师从头做到尾，现在换成一位 110 美元/小时的经理来复核智能体的版本，你等于把工作挪给了更贵的人。
• 复核在每一份输出上都要付，无论成败。错误答案的返工成本按错误率支付；检查成本则在 100% 的输出上支付。仅这一条区别，就决定了质量提升时这两笔成本的走势完全不同。
• 排队时间也是成本，哪怕没人在干活。一份等了九小时才轮到复核的输出，周期时间就是九小时；在任何结果要接上下游期限的工作流里，客户体验到的正是这段延迟。而按 异步智能体体验所讲，这也正是"复核所需的上下文"衰减掉的地方。

为什么换个更好的模型，并不会削减你的复核账单。

这是反直觉的那部分，也是决定一个智能体项目能不能回本的那部分。团队做规划时默认：准确率从 85% 爬到 95%，人力成本就会跟着错误率一起下降。它不会——因为复核者没法在不读的情况下分辨哪些属于那 95%。

• 检查成本是输出体量与可验证性的函数，不是正确性的函数。一段 40 行的补丁，无论对错，读起来花的时间差不多。错误率决定的是你要额外支付修复成本的频率；它决定不了那次阅读。
• 准确率更高，反而可能让单件复核更慢。错误一旦稀少，也就更出乎意料，而一个连着看了二十份好输出的复核者，是比看了五份坏输出的复核者更差的探测器。你失去了那条廉价启发式——明显的垃圾——只剩下昂贵的那条：真去验证。
• 剩下的错误只会更难，不会更容易。强模型留下的失败，是那些看着合理、格式良好、内部自洽的失败。它们每一件都更吃复核者的分钟数，也更可能活着穿过复核——这正是经济性在何处崩溃里"无声失败税"背后的机制。
• 于是节省曲线变平的位置，恰好是营销曲线变陡的位置。从 70% 正确做到 85%，价值极大，因为它消掉了返工。从 92% 做到 96%，省下一点点返工、以及零检查——而检查才是贵的那一半。

它落地的形式是：把每完成一项任务所耗的复核分钟数当作一等运营指标来跟踪，摆在智能体单位经济学里的"每个成功任务成本"旁边。如果它跨越两次模型升级都纹丝不动，你学到的是：你的复核流程对质量不敏感——这是关于流程的信息，不是关于模型的。

让输出变得便宜可查——这是你能掌控的那根杠杆。

在试图消掉复核之前，先让它变快。同一份工作换两种呈现方式，复核时间可以差出五倍，而差别全在于：智能体替复核者把多少验证工作先做掉了。

• 交差异，不要交文档。检查"改了什么"的人，读的东西只是检查"整件产物对不对"的人的一小部分。如果任务确实要产出一份全新的产物，就按模板产出，让新增的段落在视觉上一眼可辨。
• 把证据就近贴在论断旁边。一句带引用的话几秒就能核；同一句话把参考文献堆在文末，就要几分钟。接地不只是一项准确性技术，它是你手上最大的一根复核时间杠杆——见幻觉与接地。
• 把工作的颗粒度切小。复核时间随输出体量的增长快于线性，因为把一大件产物端在工作记忆里才是贵的那部分。总量相同的情况下，四件小的也胜过一件大的。
• 能结构化的就结构化。机器能校验的字段，永远不该送到人面前。schema 合法、算术能对上、链接解析得开、日期落在范围内——把这些全部在前置检查里烧掉，好让复核者把注意力花在判断而不是校对上。见结构化输出。
• 让智能体具体说出它对什么没把握。"我没能把第二个数字与原始来源核对上"能把复核者的目光引到该去的地方，价值高过一个全局置信度分数。它还能失败得安全：标错了，复核者读得更多而不是更少。
• 用可逆性把复核买回来。一个点一下就能撤销的动作，可以事后按例外抽查，而不必事前全量复核。这是世上最便宜的复核成本削减手段，而且它是一项工程决策而非模型决策——机制在撤销与可逆性。

只有选择性复核才真的把成本拿掉。

STEP 3 里的一切让复核者更快。只有一件事能让复核者从一部分流量里彻底消失，而它不是准确率——它是一条站得住脚的规则，规定哪些输出不经人看就发出去。

• 你需要一个路由信号，而且它必须经过校准。模型自报的置信度不是——让模型变得可亲的那步对齐，同时也让它过度自信。跨多次采样的一致性、检索支撑度检查、校验器结果，才是真能区分开的信号——见不确定性与校准。
• 阈值从覆盖率-风险曲线上读出来，不要靠感觉拍。在一份带标签的样本上打分、按信号排序，然后读出在选定错误率下你能自动放行多大比例。"我们自动放行前 60%，该切片实测错误率 0.8%"是一个运营决策。"模型现在看起来不错了"不是。
• 对自动放行的那部分永久保留随机抽审。抽几个百分点照样人工看。这一步把你的阈值从一次性研究变成一个活的控制，也是你能在客户之前发现该切片已经漂移的唯一途径。给它列预算——量很小，而且不是可选项。
• 按后果分级，而不是只按置信度。不可逆的、对外可见的、受监管的动作，无论置信多高都留在全量复核里。节省来自那一大块高频、可逆的中间地带，而它通常就是绝大部分流量。放置规则见人在回路。
• 预期第一版阈值会偏保守，并计划把它往外推。自动放行 30% 的流量，就等于砍掉系统里最大那条成本线的 30%。这比桌面上任何一次模型改动都更划算，而且每次抽审为你赢得一次放宽，它都会复利。

复核掩盖掉的成本，和它自己制造的成本。

复核环节不是一张免费的安全网。它有自己的失效模式，其中两种会让经济性变糟，却不出现在任何一本账上。

• 橡皮图章是默认的稳态。一个大批量批准"基本正确"的复核者，会收敛到默认批准，此时你付着全额复核成本，买到的检测约等于零。直接量它：拒绝率与单件复核耗时同时下行，就是它的特征签名，而这恰是批准与确认体验要抵抗的那种失效。
• 复核者是一道硬性的扩容天花板。智能体吞吐是弹性的，复核者吞吐不是。一个产出速度超过检查速度的系统会转化成一条队列，而队列把吞吐上的胜利变成延迟上的损失，成本模型却毫无变化。如果你没法线性地招到复核产能，那么自主度的上限由人员编制而非能力决定。
• 复核质量是负载的函数。一小时里的第十次复核不等于第一次。任何把复核者分钟数当作可互换资源的成本模型，都会高估你在高负载下买到的检测量。
• 注意力有你早就在付的机会成本。那位在复核智能体输出的资深同事，本来在做别的事。按工资给他计价是低估——真实数字是这次复核挤掉了什么，而那通常是团队里价值最高的工作。
• 复核记录本身也是一份责任。批准会挂在具名的人身上并被留存。这正是问责所需要的，同时它也是一份可被调证的记录——值得刻意决定，而不是由可观测性的默认值替你决定，见留存与法务保全。

先把它测出来，再给这个决策定价。

没有度量，上面这些都没法执行，而复核时间恰恰是几乎没人记录的那个输入。三个数字能让整个模型活起来。

• 每完成一项任务的复核分钟数。给条目进入复核和被处理完各打一个时间戳，再扣掉空闲。粗略可以，缺失不行。这是上面一切的分子。
• 复核比——复核分钟数除以这项任务无辅助时本来要花的分钟数。低于约 0.3，智能体明显在赢。0.5 上下，你买到的是速度与一致性，而不是成本。高于约 0.7，再算上协同开销与排队延迟，你其实在跑一套更贵、还多出若干失效模式的流程；诚实的做法是收窄范围直到这个比值降下来，而不是继续调提示词。
• 自动放行占比，旁边挂着抽审出的错误率。一个数字是节省，另一个是你继续拥有它的许可证。两个一起报，否则第一个会一路往上飘，直到出事。

然后像对待任何一笔开销一样做归因。复核分钟数属于成本归因与预算里那份按任务的成本视图，按工作流打标签，好让某个团队提出新的智能体入口时，它要消耗的复核产能是提案的一部分，而不是丢给另一个团队编制的意外。

相关：智能体单位经济学提供本页所嵌入的分母，衡量智能体投资回报给出反事实基准，不确定性与校准提供路由信号，为信任而设计讲的是让一次复核值回那些分钟的界面。