一人公司把 AI 接进经营流程后，翻车点通常不在模型能力，而在任务边界。调研、起草、核对塞进同一个对话框，模型既当研究员又当作者，最后还给自己打分；一旦事实有误、语气越界或敏感信息外流，返工的时间远超省下的时间。任务分层要解决的正是这个问题：先确定哪些环节可以放手，哪些必须留在人手里。

分层的依据是可逆性与后果

判断一项任务该不该交给 AI，第一个问题不是哪个模型更强，而是这个结果能不能撤回、错了会有多严重。据此可以划出三档。低风险且可逆的，比如把访谈记录归纳成主题、把零散笔记整理成结构，可以直接交给 AI。中风险但可复核的，比如竞品信息汇总、客户回复草稿，可以让 AI 先做，但必须同时给出依据、假设和待确认项。高风险或不可逆的，比如最终报价、合同条款、公开声明以及涉及个人信息的处理，AI 只能辅助准备材料，不能自动执行。

角色分层比工具选择更重要

同一个模型可以承担不同角色，但输入、输出和验收标准必须分开，否则前一阶段的推测会被后一阶段当成事实。调研整理只做收集与分类：提取事实、按主题归类、对照不同材料的冲突点、列出缺失信息和待人工确认项，不能凭几段材料替人判断市场规模或客户意愿。内容初稿处理表达：在已确认事实、目标读者、目的和禁区都明确的前提下组织语言，不确定的内容要标记为待确认，禁止自行补充数据、案例和承诺。质量检查则用第二视角找问题——事实一致性、前后矛盾、越权承诺、敏感信息、格式偏差——输出的是问题清单而不是一个评分，更不能替代人的最终放行。事实是否真实、承诺是否做得到、信息是否可以公开，这三项只能由人确认。

审核深度同样应当与风险等级挂钩。内部头脑风暴一类的输出，快速浏览即可；初稿和客户回复需要核对事实、语气与边界；报价、合规表述和公开承诺必须逐项核验并由本人执行；涉及个人信息或商业机密的，原则上不直接输入，先做脱敏处理，必要时完全人工完成。把每次发现的错误记下来，转成下一轮的输入字段、检查项或权限限制，比在当下改一遍更有价值。

分层的意义不在于让 AI 承担更多步骤，而在于让每一步的责任归属清楚。AI 负责加速准备，人负责确认真实性、承担判断并执行动作——这条界限，才是分层模型真正要守住的东西。