人工接管率=统计周期内发生人工接管的AI执行实例数÷同期AI执行实例总数×100%。分母只统计AI实际发起执行的流程节点或任务实例，分子按实例去重，同一实例多次接管只计一次。要让这个数字可复算、可比较，还需要提前约定四类接管情形、时间窗归属、重试回滚和分母为零的处理规则。
要点总览（TL;DR）
- 人工接管率=统计周期内发生人工接管的AI执行实例数÷同期AI执行实例总数×100%，分子按实例去重，同一实例多次接管只计一次。
- 分母只统计AI实际发起执行的流程节点或任务实例，确定性规则自动化、纯人工操作、未实际执行的排队实例不计入。
- 统计口径至少区分四类接管：异常中断接管、结果驳回重做、主动人工改派、超时兜底；正常人工审批确认和AI补充信息后继续执行不计入。
- 跨周期接管按实例发起时间归属，分母为零时标记为不适用而非0%，重试后仍由AI完成的不计接管，回滚后转人工的计入。
- 接管率需结合类型拆分、任务完成时长和返工率一起解读，口径变更后标注版本，不设通用达标线。
评估目标：接管率要回答什么问题
接管率回答的是一个范围有限的问题：在AI实际发起执行的流程节点中，有多大比例需要人接手才能继续或完成。它衡量的是人机交接的频次，服务于流程运行监控和AI能力迭代，不承担对AI准确率或团队绩效的单独评价。
典型使用场景有三类。试点验收阶段，用接管率判断某个流程节点是否具备扩大使用范围的条件；日常运行阶段，按周或按月观察接管率的变化，发现某类节点接管集中上升时及时排查；AI能力迭代前后，用同一口径对比版本切换带来的变化。三类场景都要求口径稳定，否则数字变化无法归因。
需要明确指标边界。接管率高，可能来自AI输出不可用，也可能来自任务本身难度上升、输入数据缺失或时限设置过紧，单看比率无法区分。接管率也不适合直接用于个人绩效评价：接管往往由流程设计、数据质量和排班共同决定，把它压到某个执行人身上会诱导隐瞒接管记录，反而破坏数据可信度。
指标与范围：分子、分母和计数单位
公式为：人工接管率=人工接管实例数÷AI执行实例总数×100%。公式简单，难点在于分子分母的边界。建议在口径文档中把下面三项写死，后续所有统计都按此执行。
| 项目 | 定义 | 说明 |
|---|---|---|
| 分母 | 统计周期内AI实际发起执行的实例数 | 按流程节点实例或任务实例计数，二者择一并在口径中固定 |
| 分子 | 上述实例中至少发生一次人工接管的实例数 | 同一实例多次接管只计一次 |
| 单位与时间窗 | 百分比，按周或按月统计 | 注明时间窗起止日期，跨周期规则见后文 |
纳入范围是AI驱动执行的流程节点，即由AI发起、AI产出中间结果或最终结果的执行单元。排除范围包括三类：确定性规则自动化（如固定条件触发的字段赋值、状态流转），这类执行不存在接管概念；纯人工操作的任务；已创建但未实际执行的排队实例，它们尚未产生AI执行行为，计入分母会稀释比率。
计数单位需要在流程节点实例和任务实例之间选定一种。流程节点实例适合节点粒度清晰、一个节点对应一次AI调用的流程；任务实例适合一个任务内包含多次AI调用、需要整体判断是否接管的场景。两种单位算出的比率不可直接比较，口径文档中应写明所选单位及理由。
统计口径：哪些情况算人工接管
接管情形不统一是接管率不可比的主要原因。建议至少区分以下四类，并在报表中分列展示，合计作为分子。
| 接管类型 | 判定条件 | 典型记录 |
|---|---|---|
| 异常中断接管 | AI执行报错、置信度低于阈值或缺少必要输入，无法继续，由人接手完成 | 执行日志中的错误码、低置信度标记、输入缺失提示 |
| 结果驳回重做 | AI产出被人工判定不可用，退回并重新处理 | 评审驳回记录、返工工单 |
| 主动人工改派 | 执行过程中人工主动将任务从AI转给人工，无报错也无驳回 | 改派操作记录、执行主体变更日志 |
| 超时兜底 | AI未在约定时限内完成，由人工兜底处理 | 超时告警、兜底处理记录 |
不计入接管的情形同样要写清楚。AI执行过程中的正常人工审批确认，属于流程设计的既定环节，人在这里做的是审核而非接手执行；AI主动请求补充信息、补充后继续自动执行的，执行主体始终是AI，也不构成接管。这两类如果误计入分子，会系统性高估接管率。
去重规则按实例执行：同一实例在统计周期内先后发生异常中断接管和结果驳回重做，分子只计一次，但类型拆分时可以分别记录，用于分析接管构成。若需要观察接管强度而非接管覆盖面，可另设“接管次数/执行实例数”作为辅助指标，与接管率并列展示，避免两个概念混用。
数据口径与证据：从哪里取数、如何校验
接管率的数据来自三类记录：流程执行日志（记录每次AI调用的开始、结束与结果状态）、任务状态流转记录（记录实例在各状态间的迁移）、接管操作记录（记录谁在什么时间以何种方式接手）。三类记录通过实例ID关联，形成一条可追溯的执行链。
关键字段清单如下：实例ID、流程节点名称、执行主体（AI或人工）、发起时间、接管时间、接管类型、执行结果状态。字段缺失会直接影响分子分母的准确性，其中执行主体和接管类型最关键——前者决定实例是否进入分母，后者决定是否进入分子。
校验建议采用抽样比对：每周或每月抽取一定比例的实例，将执行日志与工单状态逐条对照，重点检查两类问题。漏记表现为日志显示人工处理但无接管操作记录，常见于线下沟通后补录；重复计数表现为同一实例因多次状态回写被计为多个接管实例。抽样发现的问题应回溯修正当期数据，并在口径文档中记录修正原因。
接管类型未标注时，建议按以下规则归类：有错误码或低置信度标记的归入异常中断接管；有驳回或返工记录的归入结果驳回重做；有改派操作但无上述标记的归入主动人工改派；仅有超时告警的归入超时兜底。无法归类的单独标记为“类型待确认”，在报表中单列，不计入任何一类拆分，但计入分子总数。
当AI执行记录与人工接管操作分散在不同系统中时，取数环节需要保证实例ID可以跨系统关联。ONES 的 AI 研发管理方案强调基于权限体系执行任务、输出过程可追踪、结果可审计，AI执行产生的结果可以工作项、Wiki页面等形式留存，这为按实例回溯执行主体和状态变化提供了记录基础。具体到接管类型字段如何设置、报表如何导出，需要在实施时结合流程配置确认。
计算步骤：从原始记录到接管率
按以下顺序执行，可以保证每次统计结果可复算：
- 确定时间窗，写明起止日期和统计周期长度。
- 从执行日志中筛出该时间窗内AI实际发起执行的实例，剔除确定性规则自动化、纯人工操作和未执行的排队实例，得到分母。
- 在分母实例中标记发生过人工接管的实例，按四类接管情形归类。
- 对标记结果按实例ID去重，同一实例多次接管保留一条记录，得到分子。
- 计算分子÷分母×100%，同时输出各接管类型的实例数与占比。
边界情况按以下规则处理。跨周期接管：按实例发起时间归属，接管发生在下一周期仍计入原实例所属周期，不重复计入新周期。分母为零：该周期没有AI执行实例时，接管率标记为“不适用”，不写0%，因为0%会被误读为执行质量良好。重试与回滚：同一实例重试后仍由AI完成的不计接管；回滚后转人工处理的计入接管，接管时间以转人工的时间为准。
例子：一个月的接管率怎么算出来
以下为演示情景，用于说明计算过程，数字为假设值。某月某流程的AI执行实例共1200个，接管记录如下：异常中断接管60个、结果驳回重做35个、主动人工改派15个、超时兜底10个，合计120条接管记录。
去重检查发现，有8个实例同时发生了异常中断接管和结果驳回重做，这8条重复记录需要扣除。去重后接管实例数为120−8=112个。接管率=112÷1200×100%≈9.3%。各类型占比按去重后的实例数计算，异常中断接管约占52%，结果驳回重做约占30%，主动人工改派约占13%，超时兜底约占9%（存在一例多类型的实例，占比合计可能略超100%，报表中可注明）。
对照来看，若把正常人工审批确认误计入分子，假设该月有150个实例经过既定审批环节，接管率会被算成(112+150)÷1200×100%≈21.8%，高估超过一倍。这个差距说明，口径文档中排除项的表述必须足够具体，最好直接列出审批确认、补充信息后继续执行等典型场景。
解读与限制：接管率高低说明什么
接管率下降通常被解读为AI能力提升，但这个结论需要条件。下降可能来自AI输出质量改善，也可能来自任务难度整体降低、输入数据质量提高，或者口径调整后部分情形不再计入分子。判断原因时，应先看类型拆分：异常中断接管下降通常指向模型或规则改善；结果驳回重做下降可能来自评审标准放宽；主动人工改派下降可能与排班或人员习惯变化有关。类型结构不变而总量下降，才更可能反映能力变化。
接管率不宜单独作为AI质量的结论。建议与任务完成时长、返工率、一次通过率等指标配合观察：接管率下降但返工率上升，说明人虽然少接手，但产出质量未必改善；接管率上升而完成时长缩短，可能是流程主动把疑难任务交给人工，属于合理设计。指标之间相互印证，才能支撑判断。
口径变更后不可直接与历史数据比较。每次调整接管类型定义、计数单位或时间窗归属规则，都应在口径文档中标注版本号，并在报表中注明“口径版本”。跨版本对比时，建议用新口径回溯重算至少一个历史周期，确认差异来源后再下结论。
本文不提供通用达标线。接管率的合理区间取决于流程风险等级、AI承担的任务类型和试点目标：高风险流程可能要求接管率维持在较低水平并保留人工复核，探索性试点则可以接受较高接管率以换取覆盖速度。阈值应由流程负责人结合试点目标设定，并在验收时说明设定依据。
常见问题
AI执行中途报错、人工接手后完成，但系统里没有接管操作记录，这种情况怎么统计？
这类情况属于漏记，需要先补记录再统计。建议在流程中把“执行主体变更”设为必填动作：人工接手时在任务状态或工单上做一次改派或接管标记，注明接管类型。若当期已无法补录，可在抽样校验时按执行日志中的人工处理痕迹（如人工提交的结果、人工修改记录）识别，单独标记为“补录识别”，并在口径文档中说明这部分数据的来源与占比，避免与正常记录混在一起直接比较。
同一个AI执行实例先被驳回重做，重做后又被人工改派，分子算一次还是两次？
按实例去重，分子只计一次。接管率衡量的是“有多少实例需要人接手”，同一实例无论发生几次接管，都只代表一个需要人工介入的执行单元。类型拆分时可以分别记录两次接管，用于分析接管构成和强度；若需要观察接管频次，可另设“接管次数÷执行实例数”作为辅助指标，与接管率并列展示，两个指标不要混用。
按周统计时，周五发起的实例下周一才被人工接管，应该计入哪一周？
按实例发起时间归属，计入发起那一周，接管发生在下一周也不重复计入新周期。这样处理可以保证分子分母来自同一批实例，比率不会被跨周期接管扭曲。代价是最近一周的数据可能尚未稳定，建议在报表中把最近一个周期标记为“待定稿”，等跨周期接管全部落定后再锁定数值。若团队更关注接管发生的时间分布，可以另出一张按接管时间统计的接管量报表，与接管率分开使用。
某个流程刚上线，统计周期内AI执行实例很少甚至为零，接管率怎么写？
分母为零时接管率标记为“不适用”，不写0%。0%会被读成执行质量良好，而实际情况是没有样本。实例数很少时，建议同时给出分子分母的绝对数和样本量提示，例如“接管率20%（1/5）”，让读者判断这个比率的可信度。样本量过小时，可以合并多个周期统计，或等实例积累到一定数量后再纳入趋势分析。
接管率下降能不能直接说明AI能力变好了？
需要看类型拆分和配套指标。异常中断接管下降通常指向模型或规则改善；结果驳回重做下降可能来自评审标准放宽；主动人工改派下降可能与排班或人员习惯变化有关。建议同时观察任务完成时长、返工率和一次通过率：接管率下降但返工率上升，说明人少接手了，产出质量未必改善。类型结构不变而总量下降，才更可能反映能力变化。口径调整过的周期，还要先排除口径因素再下结论。
