3A 分诊法
将 AI 协同任务按确定性、后果可逆性和任务跨度三个维度，精确分配到 Automation、Augmentation 和 Agent 三个层级的决策框架
简介
3A 分诊法是一种 AI 协同任务决策框架，由巫师Sorcerer 于 2026 年提出。该框架将人与 AI 的协同志愿从”要么全交出去、要么全自己做”的二元思维，升级为三个精确层级的频谱式分配。其学术基础来自两个前沿研究：A²C 框架（automation, augmentation, collaboration）将 AI 参与方式分为自动化、增强和协作三类；斯坦福 SALT Lab 的 Human Agency Scale（人类能动性量表）则定义了 5 级人类参与度。3A 分诊法在学术框架的基础上，增加了面向产品经理和知识工作者的实操维度——三个分诊维度和升舱/降舱机制，让理论变成了日常可用的决策工具。
关键信息：类型=概念，领域=AI协同工作
核心特性
三层级定义
Automation（自动化）——AI 独立完成确定性任务
Automation 层处理的是规则明确、输出可验证的任务。在这一层，AI 不需要人工干预即可独立完成工作。典型任务包括：数据格式转换、规则化报表生成、更新日志整理、模板化内容生成、结构化信息提取。这些任务的共同特征是——输入和输出之间的映射关系清晰，不存在模糊判断空间，做错了后果可控且可撤回。Automation 是 AI 参与度最高的层级，也是释放人力最多的层级。
Augmentation（增强）——AI 给建议人拍板
Augmentation 层处理的是需要判断力但有参考框架的任务。在这一层，AI 负责信息处理和方案生成，但关键决策权保留在人手中。典型任务包括：邮件语气判断、内容风格校准、优先级排序、方案初筛、风险评估。这些任务的共同特征是——存在多个合理选项，选择哪个需要业务直觉、品牌感知或受众理解等人类特有的判断力。Augmentation 是人机协作的甜蜜点，也是 Skill 方法论的核心定位——“人定约束，AI 在约束内灵活执行”。
Agent（智能体）——AI 自主规划执行多步任务
Agent 层处理的是需要多步规划、跨工具协调的复杂任务。在这一层，AI 具备自主规划步骤、选择工具、执行并验证结果的能力，但需要人设定目标和验收标准。典型任务包括：跨系统数据流转、多步骤分析报告、端到端流程编排、复杂问题诊断、多来源信息整合。这些任务的共同特征是——任务跨度大（多步骤、多工具）、中间决策链长、需要动态调整执行路径。Agent 是 AI 自主性最高的层级，但”自主”不等于”不监督”——人负责定义目标、约束条件和验收标准。
三个分诊维度
维度一：确定性（Certainty）
规则是否明确？输出好不好验证？这个维度衡量的是任务本身的结构化程度。规则越明确、输出越可量化验证的任务，越适合往 Automation 走。规则模糊、需要主观判断的任务，越适合往 Augmentation 或 Agent 走。例如：数据格式转换的确定性极高（有明确规则），适合 Automation；邮件语气判断的确定性中等（有品牌调性参考但需主观感受），适合 Augmentation；战略方向选择的确定性极低（需要大量背景信息和直觉），适合 Agent 辅助但人决策。
维度二：后果可逆性（Reversibility）
做错了能不能撤回？这个维度衡量的是任务出错的代价。可逆的任务（比如生成草稿、内部报表、数据分析）可以大胆交给 AI 自动化处理，即使出错也能快速修正。不可逆的任务（比如对外发送邮件、发布内容、修改客户数据）即使规则明确，也需要留人复核。后果可逆性是很多 PM 在分配 AI 任务时最容易忽略的维度——只看”规则是否明确”就决定自动化，忽略了”一旦出错代价有多大”。
维度三：任务跨度（Task Span）
需要几步？调几个工具？这个维度衡量的是任务的复杂度和协调成本。单步任务（输入→处理→输出）适合 Automation。需要 2-3 步、涉及少量判断的任务适合 Augmentation。需要多步规划、跨多个工具或系统协调的任务适合 Agent。任务跨度也决定了 AI 的”自主空间”——跨度越大，AI 在中间步骤需要做的决策越多，越需要 Agent 级别的自主规划能力。
升舱/降舱机制
任务不是一成不变地待在某个 A 层级里。随着规则逐步明确、AI 能力提升或业务场景变化，任务会在三个层级间动态移动：
降舱（从 Agent 降到 Automation）：当一个任务的规则逐步被显性化、错误率持续走低、AI 模型能力提升后，原本需要 Agent 级别自主规划的任务可以降舱到 Automation，实现更高程度的自动化。例如：早期的竞品信息收集需要 Agent 自主规划搜索策略、筛选来源、整合结果；但当搜索规则和来源模板被充分定义后，这个任务可以降舱为 Automation。
升舱（从 Automation 升到 Augmentation 或 Agent）：当 Automation 任务的错误率上升、出现新的场景变体、或输出质量不稳定时，说明当前的自动化规则已不足以覆盖任务复杂度，需要升级到 Augmentation（加入人工判断）或 Agent（加入自主规划）。例如：规则化报表生成在数据源稳定时是 Automation，但当数据源格式频繁变化时需要升舱到 Augmentation 甚至 Agent。
触发条件：用错误率作为核心客观触发条件，而不是主观感觉。设定阈值——当 Automation 任务的错误率超过可接受范围时触发升舱评估；当 Agent 任务的错误率持续低于阈值时触发降舱评估。
不同素材中的观点
来自 2026-06-17-woshipm-3a-triage：
- 3A 分诊法的完整定义：Automation（AI 独立完成确定性任务）、Augmentation（AI 给建议人拍板）、Agent（AI 自主规划执行多步任务）
- 三个分诊维度：确定性（规则是否明确、输出好不好验证）、后果可逆性（做错了能不能撤回）、任务跨度（需要几步、调几个工具）
- 升舱/降舱机制：用错误率作为触发条件，任务在生命周期中动态调整 AI 参与度
- 学术基础：A²C 框架（automation, augmentation, collaboration）+ 斯坦福 SALT Lab 的 Human Agency Scale（5 级人类能动性量表）
- 经典案例：产品更新邮件三段分属三个抽屉（整理更新日志=Automation，邮件语气判断=Augmentation，点击发送=人自己来）
- 分诊表作为”技能投资地图”：往 Automation 沉的技能不值得练，往 Agent/Augmentation 浮的判断力才值得深磨
- 定期重判：每 1-2 个月重扫任务标签，避免”标签滞后”浪费模型能力
- 本周动作：列出最耗时 10 个任务，贴 A 标签，看分布
实用信息
如何应用 3A 分诊法
第一步：任务盘点。列出日常工作中最耗时间精力的 10 个任务。不需要覆盖所有工作，先从高频任务开始。
第二步：三维打分。对每个任务按三个维度打分——确定性（高/中/低）、后果可逆性（可逆/不可逆）、任务跨度（单步/少步/多步）。综合得分后归入对应层级。
第三步：分布分析。看 10 个任务在三个 A 层级的分布。如果大多在 Automation 层，说明大量时间花在 AI 已能独立完成的工作上，优先自动化；如果大多在 Augmentation 层，说明核心价值在判断力，应投资 AI 辅助决策工具；如果大多在 Agent 层，说明工作复杂度高，应投资 Agent 编排能力。
第四步：定期重判。每 1-2 个月重扫任务标签。AI 能力提升速度很快，三个月前需要 Agent 才能做的事现在可能 Automation 就够了。用错误率作为客观触发条件。
作为技能投资地图
3A 分诊法的衍生价值是帮助个人判断”哪些技能值得投资”。当一个技能对应的任务正在被 AI 降舱到 Automation 层（比如数据整理、格式转换、规则化报表），继续投入时间精进这个技能的边际回报会越来越低。相反，当一个任务停留在 Augmentation 或 Agent 层（比如战略判断、跨部门协调、复杂问题诊断），对应的判断力和编排能力才是值得长期投资的方向。“这个任务该放在哪个 A 里”的判断本身，就是最值得练的能力。