3A 分诊法：哪些交给 Automation，哪些做 Augmentation，哪些丢给 Agent
巫师Sorcerer 提出的 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（自动化）、Augmentation（增强）和 Agent（智能体）三个层级，并通过升舱/降舱机制实现动态调整。这套框架的学术基础来自 A²C 框架（automation, augmentation, collaboration）和斯坦福 SALT Lab 的 Human Agency Scale（人类能动性量表，5 级），为 PM 在 AI 时代判断”哪些任务交出去、哪些留给自己”提供了可操作的决策工具。本文补全了 AI产品经理工作流 中”人机协作边界”判断的方法论空白，也为 AI Agent 智能体 在任务分诊场景下的应用提供了全新视角。
基本信息
- 来源类型：网页文章（人人都是产品经理 · AI 栏目）
- 原文位置：raw/articles/2026-06-17-171917-tg-d52d5c.md
- 原文 URL：https://www.woshipm.com/ai/6412361.html
- 作者：巫师Sorcerer
- 发布日期：2026-06-15
- 消化日期：2026-06-17
核心观点
-
3A 分诊法将 AI 协同任务分为三个精确层级：Automation（自动化）、Augmentation（增强）和 Agent（智能体）。Automation 层处理规则明确、输出可验证的确定性任务，AI 独立完成无需人工干预——比如整理更新日志、数据格式转换、规则化报表生成。Augmentation 层处理需要判断力但有参考框架的任务，AI 给建议但人拍板——比如邮件语气判断、内容风格校准、优先级排序。Agent 层处理需要多步规划、跨工具协调的复杂任务，AI 自主规划执行但需要人设定目标和验收标准——比如跨系统数据流转、多步骤分析报告、端到端流程编排。这三层不是能力高低的排列，而是任务特征与 AI 参与方式的匹配。
-
三个分诊维度构成任务归属的决策矩阵：确定性、后果可逆性、任务跨度。确定性衡量的是”规则是否明确、输出好不好验证”——规则越明确越往 Automation 走，规则模糊需要判断越往 Augmentation 走。后果可逆性衡量的是”做错了能不能撤回”——可逆的任务大胆交给 Automation，不可逆的任务即使规则明确也要留人复核。任务跨度衡量的是”需要几步、调几个工具”——单步任务适合 Automation，多步多工具适合 Agent。三个维度综合打分后，任务自然落入对应的 A 层级。
-
升舱/降舱机制实现任务在生命周期中的动态调整。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移动。升舱（从 Automation 升到 Augmentation 或 Agent）的触发条件是错误率上升或场景变复杂；降舱（从 Agent 降到 Automation）的触发条件是规则成熟、错误率持续走低。用错误率作为核心触发条件，而不是主观感觉，让分诊调整有了客观依据。
-
产品更新邮件是 3A 分诊法的经典演示案例：一封产品更新邮件的三个环节分属三个抽屉——“整理更新日志”是 Automation（规则明确、输出可验证、AI 独立完成），“判断邮件语气是否合适”是 Augmentation（需要品牌感知和受众判断，AI 给建议人拍板），“点击发送”是人自己来（后果不可逆、涉及对外承诺）。这个案例直观说明了同一个工作流中不同环节的 AI 参与度应该不同，而不是”要么全交 AI 要么全自己做”的二元思维。
-
分诊表还能当”技能投资地图”用——往 Automation 沉的技能不值得练，往 Agent/Augmentation 浮的判断力才值得深磨。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能力。每 1-2 个月重扫一次任务标签，避免”标签滞后”浪费模型能力——AI 进步速度很快，三个月前需要 Agent 才能做的事现在可能 Automation 就够了。
实操内容保留
操作步骤
3A 分诊法核心操作框架：
第一步：列出最耗时的 10 个任务
- 从日常工作中挑出最耗时间精力的 10 个任务
- 不需要覆盖所有工作，先从高频任务开始
第二步：为每个任务贴 A 标签
- 按三个维度打分：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？）
- 根据综合得分归入 Automation / Augmentation / Agent 三个抽屉
第三步：看分布，找机会
- 如果 10 个任务大多在 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，检查是否有任务因为 AI 能力提升而可以降舱（从 Agent 降到 Automation）
- 用错误率作为客观触发条件，而非主观感觉
升舱/降舱触发条件：
- 升舱信号：Automation 任务错误率上升、出现新场景变体、输出质量不稳定
- 降舱信号：Agent/Augmentation 任务错误率持续走低、规则逐步明确、AI 模型能力提升
关键概念
- 3A 分诊法 — 本文核心框架；将 AI 协同任务按确定性、后果可逆性、任务跨度三个维度分配到 Automation / Augmentation / Agent 三个层级，配合升舱/降舱机制实现动态调整。学术基础：A²C 框架 + 斯坦福 Human Agency Scale。
- AI Agent 智能体 — 3A 框架中最高层级的 AI 参与方式；Agent 层处理需要多步规划、跨工具协调的复杂任务，AI 自主规划执行但需人设定目标和验收标准。
- 人机协同 — 3A 分诊法的底层哲学；Automation 对应”AI 全权处理”，Augmentation 对应”AI 辅助人决策”，Agent 对应”AI 自主人监督”，三层构成人机协同的完整频谱。
- AI 办公自动化 — Automation 层的直接应用场景；规则明确、输出可验证的日常办公任务（数据整理、格式转换、报表生成）是自动化的核心阵地。
- 工作SOP — 3A 分诊法与 SOP 思维互补；SOP 把重复场景编译为标准动作，3A 分诊法决定这些标准动作中哪些该交给 AI、哪些需要人参与。
与其他素材的关联
-
与 2026-05-09-pm-ai-playbook 的关系：产品经理的 AI 实战手册提出”AI 处理 80% 事务性工作，人做 20% 的价值判断”，但没有给出具体怎么划分这 80% 和 20%。3A 分诊法恰好补上了这个方法论缺口——用确定性、后果可逆性、任务跨度三个维度把”哪些是 80%、哪些是 20%“从直觉判断升级为可操作的决策框架。
-
与 2026-05-11-skill-sop-for-ai 的关系：Skill 定义为”人定约束，AI 在约束内灵活执行”，在编排象限中处于 Workflow（写死每步）和 Agent（完全放手）之间的甜蜜点。3A 分诊法中的 Augmentation 层与 Skill 的定位高度吻合——AI 在人设定的框架内给建议、做执行，但关键判断留给人。Agent 层则对应完全自主的 Agent 形态。
-
与 2026-05-13-ai-agent-productivity-20x 的关系：Agent 生产力文章强调”从问答模式切换到目标-结果模式”，用户给出目标后 Agent 自主规划执行。3A 分诊法中的 Agent 层正是这种模式的分诊定位——只有满足”任务跨度大、多步多工具、规则不够明确”的任务才值得投入 Agent 级别的编排。
-
与 2026-06-02-codex-10-use-cases 的关系：Codex 使用指南提出”任务派发六要素”（目标/上下文/限制/输出/验收/暂停条件），这正是把任务放入 Agent 层时需要定义的边界条件。3A 分诊法先决定”这个任务该放在哪个 A 层级”，再按对应层级的标准去定义执行方式。
-
与 2026-05-23-woshipm-sop-as-cot-agent-clone-expert 的关系：忘机的”SOP 即思维链”方法论把老专家隐性 SOP 编译给 Agent 执行。3A 分诊法中的”降舱机制”与之呼应——当一个 Agent 任务的 SOP 被充分显性化、规则足够明确后，它就可以从 Agent 层降到 Automation 层，实现更高程度的自动化。
原文精彩摘录
很多人用 AI 的方式是”要么全交出去，要么全自己做”。但真实工作不是二元的。一封产品更新邮件：整理更新日志——规则明确，AI 独立搞定，这是 Automation。判断邮件语气是否合适——需要品牌感知和受众判断，AI 给建议你拍板，这是 Augmentation。点击发送——后果不可逆，涉及对外承诺，你自己来。同一个工作流，三个环节分属三个抽屉。
分诊表还能当”技能投资地图”用。往 Automation 沉的技能不值得练——AI 正在接管这些工作，你的边际回报会越来越低。往 Agent/Augmentation 浮的判断力才值得深磨——比如”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。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。AI 进步速度很快，三个月前需要 Agent 才能做的事，现在可能 Automation 就够了。
三个分诊维度：确定性——规则是否明确？输出好不好验证？规则越明确越往 Automation 走。后果可逆性——做错了能不能撤回？可逆的任务大胆自动化，不可逆的留人复核。任务跨度——需要几步？调几个工具？单步任务适合 Automation，多步多工具适合 Agent。