L2-L4跃迁诊断
L2-L4 Cognitive Diagnosis
L2（AI辅助/人主导）→L3（人机协同/易混乱）→L4（AI主导/人审核），诊断人机协作成熟度并设计跃迁路径。
解决什么问题
没有这个方法时，人们评估AI落地只问"用了没有"，不问"用到了什么程度"。结果：
- 卡在L2：AI只是提效工具，投入产出比递减
- 困在L3：人机权责不清，效率反而下降，团队开始怀疑AI
- 跳过L3：直接追求L4但基础不牢，系统不可靠
这个方法帮你精确定位当前层级、识别卡点、设计跃迁路径。
核心框架
| 层级 | 名称 | 人机关系 | 典型状态 |
|---|---|---|---|
| L2 | AI辅助 | AI做工具，人做决策 | "用ChatGPT写初稿，我来改" |
| L3 | 人机协同 | 人机共同决策，边界模糊 | "有时候AI比我判断准，有时候很离谱，我不知道该不该信" |
| L4 | AI主导 | AI做决策，人做审核 | "AI自动处理，异常才转人工" |
| L5 | AI自治 | AI独立运行，人只监控 | "全自动，人只看仪表盘"（极少场景达到） |
L3是最危险的阶段——权责不清、效率反降、信任崩溃。大量"用了AI但没提效"的案例都卡在这里。
怎么用
Step 1：定位当前层级
对目标业务/流程/团队，判断当前人机协作方式：
| 判断标准 | 当前层级 |
|---|---|
| AI产出是"草稿"，人必须大幅修改才能用 | L2 |
| AI和人有时意见一致有时冲突，无明确谁说了算 | L3 |
| AI产出直接用，人只在异常时介入 | L4 |
Step 2：如果是L3，诊断L3陷阱
L3有三种典型卡点：
| 陷阱类型 | 表现 | 根因 |
|---|---|---|
| 权责真空 | 出了问题不知道算AI的错还是人的错 | 没有定义"什么情况下谁做主" |
| 效率悖论 | 人机互相等待，比纯人或纯AI都慢 | 协同流程设计不合理 |
| 信任两极化 | 一部分人过度信任AI，一部分人完全不信 | 缺乏统一的信任校准机制 |
Step 3：设计跃迁策略
L2→L3跃迁：关键是建立"人机协作协议"
- 定义哪些决策AI可以自主做，哪些必须人审核
- 建立反馈循环：人的修改如何回流到AI
L3→L4跃迁：关键是"信任积累+边界清晰化"
- 从单一场景开始验证AI主导的可靠性
- 逐步扩大AI自主决策的范围
- 建立异常处理机制（AI不确定时如何优雅转人工）
诊断分级
| 等级 | 特征 |
|---|---|
| S级 | 精确到具体流程环节的层级诊断（不是笼统说"我们在L3"），L3陷阱被显式识别，跃迁路径有明确里程碑和时间线 |
| A级 | 层级定位准确，L3陷阱有识别，跃迁策略有方向但缺细节 |
| B级 | 只做了层级定位，没有深入诊断L3陷阱 |
| C级 | 笼统判断"我们在用AI"，没有区分层级 |
案例
场景：某教育公司的AI课程设计流程
| 环节 | 当前层级 | 状态 |
|---|---|---|
| 课程大纲生成 | L3 | AI出大纲，教研团队有时采纳有时推翻，标准不统一 |
| 教学内容撰写 | L2 | AI写初稿，老师大幅修改，修改量>50% |
| 学员评估 | L4 | AI自动评分+生成反馈，老师只审核异常 |
L3陷阱诊断（大纲生成环节）：权责真空——"AI出了大纲，教研说不行但说不出为什么不行"，原因是没有定义"好大纲"的标准。
跃迁策略：先把"好大纲"的评估标准结构化（课程目标对齐度、知识递进逻辑、时长合理度），让AI按标准生成+自检，教研只需确认标准是否对齐→从L3升到L4。
常见陷阱
- 层级虚高：自称"L4"但实际在L3——人工审核比例很高但没被统计。纠偏：统计"AI产出最终需要人修改的比例"，>30%就是L3。
- 跳过L3直奔L4：基础不牢，AI主导后错误率飙升。纠偏：L3阶段的核心任务是"积累信任数据"，不能跳过。
- 全公司一刀切：不是所有环节都需要L4。纠偏：按环节逐一诊断，有些环节L2就够了。
方法关系
- 前置：CG01 AI认知五阶模型（先判断组织整体AI认知水平）
- 后续：ST10 流程三阶进化论（定位后设计流程重构路径）、EV02 数据场景飞轮（L4需要数据闭环支撑）
- 并行：ST09 双轨人才体系（L3→L4需要人才策略配合）
用过此方法的案例
50人教育公司AI转型中，课程大纲生成环节卡在L3的典型案例——AI出大纲，教研团队标准不统一，权责真空
case-00750人教育公司启动AI转型——专家轨道+全员轨道双轨并行，3个月产出3个AI提效项目
case-008造物云IP设计流程从4-6周压缩到3-5天——不是每个环节快了30%，是整体快了10倍
case-012某 300 人科技公司 AI 推广失败：工具买了没人用，原因不是技术问题而是三层组织阻力
case-014150 人互联网公司推 OKR 8 个月，Q3 全员达标 96% 但业绩下滑 15%——真正的问题是管理层用 L2 认知在运营一个 L4 工具。
case-018B2B SaaS 销售团队精细化绩效方案上线半年，3 名高绩效销售离职，中等销售越来越「安全分」——根本问题不是方案复杂，而是用 L2 管控逻辑设计了一个需要 L4 主动性才能跑通的岗位。
case-023某 200 人电子精密零件制造商花 80 万采购 5 套 AI 工具（智能排产、视觉质检、销售 CRM、客服机器人、财务报表），一年后工厂还在按原来方式运行，总经理找不到问题在哪里。根本原因：把「工具采购」当成了「AI 转型」——5 套工具都在原有流程旁边运行，没有一套真正取代了任何一个决策环节。
case-027某三线城市连锁 K12 教培机构（6 个校区，600 名在读学生，主做初中数学/英语），花 30 万购入 AI 出题系统（号称「千人千面自适应练习」），使用半年后：学生平均分提升 2.3 分（对照组提升 1.8 分），差异不显著；老师普遍反映「出的题太简单」；家长问「学了 AI 以后有什么不同」，说不出来。根本问题：把「工具采购」当成了「教育模式升级」——AI 出题系统装进了原有的「课堂讲课 + 课后刷题」流程，没有改变任何教学决策节点。
case-030消费金融 App 最常见的增长幻觉：注册用户多但月活低，原来是用户质量分层的问题
case-034餐饮数字化最普遍的陷阱：「全面上系统」不等于「解决了约束」，买了 12 个工具但没有改变一个核心流程
用「L2-L4跃迁诊断」推演你的问题
描述你正面临的难题，InnoLab 会用这套方法当场跑一次结构化推演。
免费推演一次