两种形态的差别
Copilot 把 AI 放在人旁边：人做决策，AI 做草稿、建议和检查。自动化把 AI 放在流程里：规则明确时，AI 直接执行，只在异常时叫人。
它们不是先进与落后的关系，而是适合不同任务的两种设计。
什么时候选 Copilot
任务需要专业判断、结果需要人来负责、错误成本很高的时候，Copilot 更合适。比如合同审阅、销售跟进建议、设计初稿，这些场景人都要参与最终决策。
Copilot 的价值在于把重复的准备工作交给 AI，把判断留给人类。
什么时候选自动化
任务规则清晰、输入输出稳定、可容忍少量异常时，自动化更合适。比如工单分类、知识库更新、数据同步、定时报告。
自动化要设计好兜底：失败时回到人工，而不是悄悄把错误结果发出去。
- 规则是否清晰：能不能写下判断标准
- 错误成本：出错了能否快速发现并修正
- 用户信任：团队是否愿意把结果直接交给系统
从 Copilot 到自动化的演进
最稳妥的路径是先用 Copilot 观察真实使用，等某个步骤的使用率和正确率足够高，再把它升级为自动化。
产品形态不是一次选定的，而是随着信任增长逐步演进的。
决策时问自己三个问题
第一，错误成本高不高？犯错会让用户损失钱或时间，就选 Copilot。第二，规则够不够清晰？能写成判断标准的流程，才适合自动化。第三，团队信不信得过 AI？没有信任基础，先做 Copilot 建立信心。
三个问题的答案可能互相矛盾，这时按错误成本优先：宁可自动化慢一点，也不要让错误悄悄发生。
一个混合形态的例子
以客服知识库更新为例：内容变化的检测和索引重建可以自动化，但每次更新上线前，由运营抽查确认，再发布到线上。这是典型的「自动化执行、人工把关」。
随着运营对自动化的信任增长，抽查比例可以从 100% 降到 50%、20%，最终只剩异常告警时人工介入。
混合形态不是权宜之计，而是产品与团队共同演进的正常路径。
自动化上线后的观察期
自动化功能上线后，设定两周观察期：记录执行成功率、异常率、人工介入率，并与上线前对比。观察期内保留人工复核入口，让团队随时能干预。
观察期结束后做一次评估：如果异常率低于阈值，扩大自动化范围；如果仍然偏高，回到 Copilot 模式继续积累数据。
上线不是终点，观察期才是自动化真正接受考验的阶段。