这篇文章想聊的，是一件比"AI够不够聪明"更基础的事：一个负责任的AI助手，应该把“建议”和“决策”分开设计。

一、先看清楚：AI在EHS/ESG场景里，到底在做什么

A · 数据计算型

一类是数据计算型任务。比如从一份几十页的安全评价报告里提取风险点，把分散的法规引用整理成清单，对照企业检查表找出缺项，把承包商营业执照、资质证书、人员特种作业证做格式核验。这类任务的共同点是：输入是结构化或半结构化材料，输出是可核对的事实和数字，对错有相对客观的参照。

B · 判断处置型

另一类是判断处置型任务。比如某项作业风险是否可接受、某承包商是否准入、某整改是否可以关闭、某项ESG数据是否构成实质性披露、某位员工是否需要重新培训。这类任务的输出，会直接改变现场状态、人员安排或对外披露内容，背后牵涉责任、合规和人身安全。

两类任务对AI的要求完全不同。第一类，AI可以自动执行，人做抽查即可。第二类，AI再聪明，也只能提供带置信度的建议，最终拍板必须留给有授权的人。

很多企业出问题，恰恰是没有把这两类任务分开。把判断处置型任务也交给AI自动执行，表面上看效率提升，实际是把责任悄悄转移给了模型。

二、痛点在哪里：当AI"越界拍板"，风险是怎么发生的

第一种常见情况，是AI直接输出结论性判定。系统读完一份承包商资料，界面弹出"审核通过"绿色标签，业务人员顺手点确认。很少有人追问：这个"通过"依据的是哪几份文件、哪一条标准、置信度多少、有没有人工复核节点。一旦后续出事，追溯起来会发现，关键判定其实由模型完成，人只是按了一下按钮。

第二种情况，是AI给出建议但不带置信度。模型说"该作业风险较高，建议停工"，却没有说明依据哪些数据、相似场景的历史表现如何、自身有多大把握。现场负责人面对一句模糊的"建议"，要么过度反应一律停工，要么觉得不靠谱直接忽略。两种结果都偏离了"让AI辅助决策"的初衷。

第三种情况，是AI建议没有强制人工确认环节。系统生成ESG报告草稿，内容直接进入发布流程；AI标记某项整改已完成，状态自动变更。缺少一道"人来看一眼、签个字"的关卡，AI的输出就变成了事实上的决策。

对EHS和ESG场景来说，这些设计细节不是小事。安全评价报告里的风险结论，可能影响项目能否投产；承包商准入判定，关系到现场作业人员资质；ESG披露数据，直接进入对外报告和监管视野。AI在这些环节越界，代价不是返工，是真实的安全和合规风险。

三、负责任的设计思路：给AI建一道"决策分级"

第一级，数据计算型任务，AI自动执行。提取、整理、核验、对照、汇总这类工作，输入输出可核对，AI可以自动跑完，结果交给业务人员抽查。效率主要在这一级释放。

第二级，风险评估型任务，AI只给带置信度的建议。模型可以识别风险点、给出风险等级初判、列出依据的条款和相似案例，但结论必须标注置信度，并保留"待人工确认"状态。业务人员看到的是一份带理由和把握度的参考意见，不是最终判定。

第三级，人的处置决定，AI不参与拍板。是否准入、是否停工、是否关闭整改、是否对外披露，这类决定的责任主体只能是人。AI可以提供材料、提示风险、生成草稿，签字权不交给模型。

这套分级带来的好处，不只是合规。它让AI的输出变得可解释：每一条建议都带着依据和置信度，业务人员知道该信多少、该追问什么。它也让责任边界变得清晰：AI负责算和提示，人负责判断和决定，出了问题能分得清是模型没提示到位，还是人没把好关。

四、技术信任的底色：好AI知道自己不该做什么

企业引入AI，看重的是能力。真正成熟的AI应用，看重的是边界。

◆ Ark Agent Hub

Ark Agent Hub在设计EHS晨会助手、EHS营销助手、承包商资质审核员、ESG报告生成器等技能时，遵循的就是这条思路：即插即用的AI技能库，支持AI本地化部署，帮助企业在自己的环境里构建专属AI员工；同时把决策分级、人工确认、留痕审计内建到技能流程里，让AI员工清楚自己能做什么、不该做什么。

把这些问题问清楚，比追求模型有多聪明更重要。一个知道自己不该做什么的AI助手，才更接近企业真正敢用的安全AI。