人工复核的边界，很少是"AI 做多少、人做多少"的配额问题。更常见的失败形态是：所有产出都通读了一遍，读完仍然放行——因为通读本身没有标准。真正需要回答的问题是，哪一类错误一旦流出，代价不可逆、且事后难以补救。

第一条轴是错误代价，不是内容篇幅

按代价划分，比按篇幅划分可靠得多。法律、税务与合规结论，财务和经营数字，产品价格、功能与资格条件，代码的运行结果与接口参数，对外的承诺和统计引用，这几类内容一旦出错，返工成本往往高于重新生产。它们属于必须由人找到外部依据的类别，模型给出的流畅表述本身不构成依据。检查时至少要能说清三件事：这个事实是什么、依据来自哪里、依据现在是否仍然适用。

低风险区则不必动用同等规格的人力。结构建议、创意方向、措辞优化这类内容，人工只需判断表达是否误导，是否暗示了未经证明的收益，无需逐句溯源。

最容易出问题的是中间地带：行业惯例、流程建议、用户画像。它们不需要逐句查证，但必须确认没有把单一案例写成普遍规律，也没有把"可能有效"写成"必然有效"。这一层最依赖经验判断，也最难交给流程。

第二条轴是责任归属，而不是模型能力

复核边界不该由"AI 能不能做好"决定，而由"出错后由谁负责"决定。凡是以公司名义对外承担责任的表述——面向客户的结论、报价口径、安全与隐私说明、代码中的权限与数据处理逻辑——即使模型输出看起来无误，也必须由对客户负责的人确认。把"模型生成的"或"客户自己提供的"当作免责理由，转移不了实际责任。

与之配套的是隐私边界的前移。敏感信息不应当在交付前才检查，因为一旦进入不合适的工具或日志，事后删除未必能解决问题。提交前的识别、最小化和权限确认属于不可让渡的人工环节；交付阶段做的只是反向核查，确认没有把内部备注、测试数据、访问令牌或未授权信息一并发出。

边界应当随复盘移动

固定不变的边界会很快失效。更实用的做法是记录三类信息：哪些错误反复出现，哪些信息总在输入阶段缺失，哪些检查项从未发现问题。前两类应前移到需求模板和输入规范，第三类可以合并或删除。边界因此不是一次划定，而是每轮交付后微调的结果。

需要人工签字的位置，始终落在"错误不可逆、依据需外部验证、责任无法转移"三者的交集上。交集之外的区域，交给自动化与抽检即可。