核心 GUIDE
选择正确的 Automation Boundary
优先自动化稳定、可观察、可验证的工作，把高歧义、高责任或高异常成本的判断继续留给人。
核心心智模型
当 Task 的 Input 与 Success Criteria 足够清晰，可以自动 Verification，并且 Failure 可恢复时，它才是好的 Automation Candidate。
为什么重要
AI 让团队很容易在真正理解 Process 之前就开始自动化。如果 Hidden Judgment、Policy Exception 或 Responsibility Boundary 全部被塞进一个 Model Call，短期看起来获得了 Leverage，长期却会变成 Maintenance 与 Operational Risk。
01
寻找稳定 Boundary
先 Decompose Workflow，再按 Input Stability、Reversibility、Verification Cost 与 Exception Frequency 评估每一个 Stage。优先自动化拥有 Clear Postcondition 的部分；高影响或高歧义 Decision 继续放在 Explicit Policy 与 Human Accountability 后面，直到 Evidence 足以支持扩张 Boundary。
02
例子：一人公司的 Customer Support
Solo Founder 可以较早自动化 Ticket Classification、Knowledge Retrieval 与 First-draft Reply。Refund、Account Access 与异常 Policy Conflict 继续由人工决策。随着 Exception Rate 被持续测量，某些低风险 Action 才可以逐步移动到 Automation Boundary 另一侧。
常见失败模式
- Happy Path Demo 成功一次，就自动化整条 Workflow。
- 忽略 Exception Handling、Ownership 与 Maintenance Cost。
- 所有地方都加 Human Review，却没有定义人到底需要判断什么。
工程启发
- 优先自动化拥有 Machine-checkable Postcondition 的 Task。
- 不可逆或高影响 Action 放在更强 Policy Boundary 后面。
- 把 Exception Rate 与 Maintenance Burden 当作 Automation Metric。
关键结论
- 01真正的 Leverage 来自稳定 Boundary，而不是最大化 Autonomy。
- 02Verification Cost 能帮助判断哪些工作可以安全 Delegation。
- 03每一条 Automation 都需要 Owner、Exception Path 与 Maintenance Policy。
来自 Knowledge Graph 的相关知识点
这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。