4.19 行动授权阶梯：可调自主与赢得的信任（3.8、A11、M4、G6）

产品主张#

AI 模块按实际能力分级接入（E1 §4）；授权按模型、按范围明确授予，不自动继承，可撤销（E1「模型授权例外」）；单元卡写「可以先做 / 必须等」（M4 ②）；任务单预测与可靠性记录积累表现证据（M11 G6）；草案中的熔断按撤回记录自动降级。本文据此提出 3.8 的阶梯：可靠性信念与明确授予两把钥匙决定行动等级，先可逆、后不可逆，降级比升级快，责任随授权扩大。

支撑理论#

• 自动化等级是可调的AB（Sheridan & Verplank, 1978；Parasuraman, Sheridan & Wickens, 2000）：从「计算机不提供帮助」到「计算机自行决定并执行」有连续的等级，而且信息获取、分析、决策、执行四个阶段可以各取不同等级。等级是按后果与可靠性选择的设计变量，不是机器的固有属性。
• 自适应与可调自主BC（Kaber & Endsley, 2004；Scerri, Pynadath & Tambe, 2002；Bradshaw 等, 2004）：自动化等级可以在运行中按情境与表现动态调整；多智能体系统里，自主程度可以在人与智能体之间来回转移，转移的条件可以事先写成策略。
• 委托接口C（Miller & Parasuraman, 2007；Castelfranchi & Falcone, 1998）：人把任务按不同粒度委托给自动化，委托的内容、约束与开放程度可以逐项设定。「可以先做 / 必须等」和名册授权范围就是委托规格。
• 信任校准B（Lee & See, 2004；Hoff & Bashir, 2015；Mayer, Davis & Schoorman, 1995）：适当的依赖要求信任与实际可靠性相匹配；信任过高导致误用，过低导致弃用。信任的依据包括能力、诚信与善意，并随交往经验更新。可靠性记录就是校准信任的证据。
• 委托—代理理论C（Jensen & Meckling, 1976；Eisenhardt, 1989）：委托人用监督与基于结果的约定来降低代理成本；信息系统越能观察代理人的行为，越可以放心授权。任务单预测、留痕与结清让 AI 模块的行为可观察。
• AI 智能体的自主等级与风险D（Feng, McDonald & Zhang, 2025；Chan 等, 2023）：智能体的自主等级可以作为独立于能力的设计决定，按用户角色分为操作者、协作者、顾问、批准者、观察者五级；越来越「能动」的算法系统会带来新的责任与危害问题，需要按自主程度设计控制。
• 安全探索与副作用D（Amodei 等, 2016）：在现实中行动的系统要避免负面副作用，探索要限制在可恢复的范围内。「先可逆、后不可逆」是这一原则在授权上的用法。

证据强度#

自动化等级与人因实证 AB（Parasuraman 2000 及后续研究）；自适应自动化 B；可调自主与委托接口为工程框架与实验研究 C；信任校准 B；委托—代理理论 C（实证依情境）；AI 智能体自主等级与风险框架 D；安全探索为研究问题陈述 D。

理论给产品的提醒#

1. 自主不等于能力（Feng 等, 2025）：模型变强不应自动带来更高授权。E1「未来新增模型不自动继承既有授权」与此一致；建议把这条推广为：每个行动域单独授权、单独积累证据。
2. 等级越高，人越容易脱离回路（Parasuraman & Riley, 1997；Bainbridge, 1983；Endsley, 1995）：L3、L4 要配例外报告与定期抽查，避免人只剩「点确认」或完全不看。
3. 两个方向的校准都重要（Lee & See, 2004）：只防误用、不防弃用，会让 AI 模块已经证明可靠的能力闲置；周复盘应该同时看「该升而未升」的域。
4. 代理目标漂移（Amodei 等, 2016 的奖励投机；Jensen & Meckling, 1976）：在现实中行动的 AI 模块可能优化容易测量的指标而偏离意图；事前预测要写「不可接受的副作用」，结清时一起核对（见 10.18）。
5. 证据门槛（「中」「高」「很高」）与示例都是〔本文提议〕，没有直接实证，需要用产品自己的记录校准。