“信任半径”这个词我觉得它比"模型能力"好使，因为它把主语从机器换回了人——半径长在人这一侧，机器只是提供了可能性
我越来越觉得，“信任半径”比“模型能力”更适合描述 AI 的实际进展。
模型提供的是可能性，真正决定工作能否交出去的，始终是人。我们不是因为机器在排行榜上又提高了几分，就自然扩大授权；而是在某个时刻，突然敢把一整段工作托付给它。
委托不是连续增加的
模型能力可以一点点提高，人的委托却往往是一级一级跳变的。
早期使用大模型，我只敢让它润色一段话，因为每个字都要自己检查。后来模型能运行代码，才开始把完整项目交过去。任务从“一问一答”变成持续半小时甚至更久的工作，中间并不存在平滑过渡。
在很多任务里，95% 可靠和 99% 可靠不是四个百分点的差距，而是“不能用”和“可以用”的区别。能力变化是连续的，授权变化却带有明显的门槛。
真正的门槛是验证成本
决定我敢不敢委托的，不只是 AI 能不能完成，而是完成之后，我要花多大代价才能知道它做对了。
这两件事经常被混在一起。模型变强，只是提高了做对的概率；信任半径向哪里扩张、扩张得多快，则取决于哪里更容易验证。
所以，AI 最快进入的往往是验证便宜的领域。代码可以运行测试，翻译可以快速通读，数据清洗可以抽样核对。
法律意见、医疗判断和战略取舍则不同。即使模型已经能给出看起来不错的答案，如果仍然需要同等资历的专家从头复核，委托在经济上就没有真正发生。
验证能力决定组织半径
这并不是一个全新的技术问题。很多组织之所以无法扩大，并不是没人干活，而是负责人必须亲自在场，才能确认有没有出错。
收银机的价值不只是提高结算效率。它把“有没有被欺骗”从人际信任转化成了可记录、可核对的信号。老板不必一直守在店里，连锁经营才有了基础。
AI 也是如此。每当验证被工具、规则或流程接管，组织可以放心委托的半径就会扩大一级。
与其等模型，不如先造判卷人
如果一项工作迟迟不敢交给 AI，我认为首先要问的不是“下一代模型什么时候来”，而是“有没有便宜的判卷方式”。
判卷人不一定是复杂的技术系统。可以是一组自动测试、一份抽样清单，也可以是把“已经完成”改写成一组可观测信号。
对 Agent 来说，一个可靠而便宜的判卷人，常常比一个更聪明的脑子更有价值。
真正值得长期积累的资产，也不只是提示词，而是自己业务中的失败样本。它们能告诉我们错误通常发生在哪里，也能逐步转化为测试、规则和验收标准。
授权过程也是组织改造
信任半径可能因为模型退化、环境变化或事故而收缩，但为了扩大授权所做的组织改造，不会因此消失。
把工作流拆成可以验收的小块，把交接面标准化，把口口相传的隐性标准写清楚，这些动作即使模型能力停在原地，仍然会沉淀为组织资产。
因此，真正跑得快的公司，未必是使用模型最多的公司，而是更早把自己改造成“可以被委托”的形状。
最稀缺的是知道自己要什么
信任半径扩大之后，稀缺的将不再只是干活的人，而是能够定义目标、判断质量的人。
验证之所以可能，前提是我们事先说得清楚：什么叫合格，什么叫完成，哪些错误不可接受。
真正危险的不是委托太多，而是在自己尚未定义好标准的地方，把判断权和责任一起交出去。那不是扩大信任半径，而是在下注，代价只会换一种形式回来。
我也因此不认为所有工作都会走向全面自动化。有些人会刻意保留手工操作，不是因为机器做不了，而是为了保持自己的判断力。就像有人坚持骑自行车，并不是因为买不起汽车。
每次准备扩大 AI 委托时，我会先问自己三个问题：这次授权增加，是因为模型变强了，还是因为验证变便宜了？现在不敢交出去的任务，缺的是能力，还是判卷人？如果连“做对了是什么样”都说不清，我究竟是在委托，还是在赌？