"上了 AI，这个岗位是不是就不用人了？"这是我们常被问到的问题。
读 Datawhale 公开的《FDE案例100》时，我们注意到一个共同点：几个讲得最具体的案例，都没有追求全自动，而是有意在某几步留了人。这些案例由各自的团队完成，与 AiPu 无关，下面引用的原话都标了编号。
跨境电商：识图、补货、广告，每一步都有人确认
NO.22 的客户是一个做东南亚市场的十几人服装电商团队。团队用 Agent 识别物流照片并回填数据、按客户原来的公式算补货、根据库存调整广告。讲述者明确说：
这个案例里，我们没有追求100%无人化。图片识别之后，保留人工核对；补货计算之后，人工确认；广告调整也是基于库存情况做业务判断。（NO.22）
他给出的时间变化是：物流照片和数据处理，以前一个人每天大概要花 4 到 5 个小时，AI 先识别回填、人只做最后核对后，压缩到 1 小时以内。人的角色从"计算员"变成了"审核员"。
律师团队：AI 整理材料，判断留给律师
NO.3 服务的是诉讼律师团队。案件材料动辄上千页，AI 负责摘要、梳理人物关系和证据关系，专业系统负责法条检索和判例匹配，确保引用可以追溯。分工写得很清楚：律师负责"最终判断、策略选择和专业责任"（NO.3）。
这里留人的理由很直接：法律文书要对客户和法院负责，出了错责任在律师，这一步不能交给机器。
非标报价：模型只管读图，出价要人校准
NO.17 的制造企业做非标件报价。团队起初想让模型端到端直接出价，结果数字经常对不上真实成本。后来改成模型只把图纸信息结构化，报价回到企业的物料和规则库匹配，"每一单都经过人工校准才对外输出"（NO.17）。
而且人工审的范围是有讲究的：业务人员只审模型把握不大的字段，审完的结果回填进数据，需要人看的部分会慢慢变少。
海外经销商数据：AI 先标记，人做决策
NO.24 的客户是一家澳洲乳企，要管中国和越南经销商的销售数据和市场费用。团队把流程改成"AI抽取 → AI校验 → 风险标记 → 人工最终审核"（NO.24）。每一处风险标记都附带依据，比如历史对比、区域参考，审核人员看得到 AI 为什么这么判断。
讲述者还提到一条硬约束：模型回答问题时要能定位到原始数据那一行，"溯不回去，我们就不让它答"（NO.24）。
留人的位置，大致有三类
把这几个案例放在一起看，人工核对通常留在这几个地方：
- 结果要对外的地方：报价、法律文书、发给供应商的订单。错了直接损失钱或信誉。
- 要承担责任的地方：采购决定、费用审核、诉讼策略。机器可以给建议，签字的必须是人。
- 模型没把握的地方：识别不清的字段、溯不回源头的结论。让人只看这一部分，效率才算得过来。
我们的看法
全自动听起来省人，但在企业里往往是最难落地的方案。一旦出错没人兜底，员工和老板都不敢用，最后系统闲置。留一步人工核对，看起来不够"智能"，反而让系统能真正用起来；人工修改再回填进数据，系统也会越用越准。
设计流程时可以问自己
- 这个环节的结果会不会直接发给客户、供应商或监管部门？
- 出错了，责任在谁？这个人有没有机会在结果发出前看一眼？
- AI 能不能告诉审核人它的依据，或者标出它没把握的部分？
- 人工改过的结果，会不会存下来让下次更准？
- 节省下来的时间，打算让这个人去做什么？
如果你手上有一个想交给 AI 的流程，可以拿一份脱敏的真实材料申请免费验证，看看哪些步骤机器能做、哪些步骤该留人。