AI助手为什么非要等你开口？KAIST论文拆解主动性的3T框架

凌晨十一点半，PPT还摊在屏幕上，第二天一早就要用。旁边的AI助手一声不吭，像个守规矩的客服，只等你打字、提问，把需求一字一句敲进去。它不会冒出一句"你明天九点有会，要不要先把大纲理一理"，也不会说"上周你提的那个数据缺口，资料我找到了，看不看"。

算力它有，时间它也有，偏偏就是不会自己动。

这并非科幻里的桥段，而是眼下几乎所有AI智能体的真实处境。KAIST和明尼苏达大学的一组研究者盯上了这个问题：AI明明越来越聪明、越来越能干，为什么还得等用户开口才肯干活？他们为此写了一篇论文，把这个疑问从头到尾拆解了一遍，还顺手搭了个专门测"主动性"的实验场。

论文的核心判断很直白：主动干活本身不难，难的是干得恰到好处。

一、问题到底难在哪

先看一个常被忽略的事实：做得多，不等于帮得多。

论文里有个例子挺扎心。假设AI助手半夜悄悄替你写完一份报告，内容也没错，可时间选错了——第二天一早你正忙着别的急事，结果还得先审这份报告，反倒被拖住。这份"正确"的活儿，成了负担。

论文把这种情况称为"净效用为负的主动性"：事情是对的，做法错了，结果比什么都不做还糟。

由此引出论文最核心的框架，三个英文首字母缩写（论文里叫3T）：

任务能力（Task Capability，缩写TC）*：AI能不能猜准你要什么，并且把活干对、干好。

时间分配（Temporal Allocation，缩写TA）*：AI知不知道何时该动手、何时该等着、何时该把活儿挪到你休息的时候再干。

信任（Trust，缩写TR）*：用户对这个AI有多少信心，以及愿不愿意让它自己拿主意。

过去研究主动式AI的工作，几乎都只盯着TC这一项——能不能猜中需求、干得好不好。论文却指出，这远远不够。任务做到100分，时机选错、越过用户设定的边界，照样会把事情搞砸。

这三者并非三个孤立的打分项，而是彼此牵制的整体。打个比方，公司里来了个特别能干的实习生，专业能力满分，可他总在老板开会时插话汇报进度，还动不动自己拍板该找谁对接客户——哪怕拍对了，老板的信任也会一点点被消耗掉。能力强，不代表懂分寸。AI也是同样的道理。

二、从"主动"到"恰到好处的主动"：五个设计维度

论文接着往下拆，把"何时该主动、主动到什么程度"细化成五个具体的设计选择，研究者称之为"设计空间"。

第一个维度是任务范围：AI主动帮的这件事，是你手头正在做的事的延伸（叫"任务内"），还是完全另起一摊（叫"任务外"）？比如你正在改代码，AI顺手修了同一流程里的另一个bug，这是任务内；可它突然去帮你查明天会议该准备什么材料，那就成了任务外。

第二个维度是预判时间窗：这个需求是现在就要（立即），还是今天晚些时候要（本次交互内），还是过了今天才会用到（跨交互）？

第三个维度是触发方式：用户直接提了要求才触发（用户触发），还是外部事件触发（比如日历提醒弹出来），还是AI自己巡视时发现的（AI触发）？

第四个维度是处理时机，这个概念挺关键，论文专门造了两个词：

交互时间与休眠时间*：交互时间指用户正活跃、正在用AI的那段时间，此时AI干活会跟用户抢资源（比如抢GPU、抢你的注意力）；休眠时间指用户不在、暂时用不上AI的空闲期（比如你睡觉的时候），AI这时候干活不会打扰任何人。

这个区分很像公司里值夜班的运维同事。白天系统繁忙，谁都不愿意让维护脚本占着服务器资源跑；到了凌晨三点，没人在用系统，正是跑批量任务、做数据备份的黄金时间。AI要是分不清"现在是白天还是夜里"，非在你开会抢资源的时候跑一个耗时分析，哪怕结果再准，你当时的体验也是被打断、被拖慢。反过来，如果AI学会把这类不紧急的活儿挪到你休息的时间段去做，第二天一睁眼直接拿到成品，这种体验的差距，和前者完全是两个世界。

第五个维度是干预深度，论文借用了一个叫"IP连续体"的老概念，拆成三档：

干预深度三档*：准备（prepare）指AI只是默默收集或整理好材料，不拿出来也不动手；建议（suggest）指AI把做好的东西摆出来，等你确认；执行（execute）指AI直接动手办了，不用你再点头。

这三档背后，是信任深浅的差别。刚认识没多久的新同事，你多半只放心让他做“准备”，比如帮忙搜点资料；共事久了，可能愿意听他直接给“建议”方案；等彻底磨合透了，才敢让他“执行”，直接把事办了。AI和用户之间也一样，信任要一级一级往上走，指望一上来就全盘放权并不现实。

三、PROACTIVITY-GYM：给主动性做“压力测试”的虚拟世界

只有理论显然不够。研究者搭了个叫PROACTIVITY-GYM的测试场，用它来检验各类AI模型在真实场景里能不能把“主动性”处理好。

这个测试场类似一个微缩版的生活模拟器，里头有十个跨领域的多日场景，科研、旅行、搬家、饮食、求职、商业、学习、理财、购物、医疗各占一个，每个场景横跨七到十个模拟天。场景里塞满了带时间戳的事件、任务和工具调用，还配了一个会说话、会反馈、会累积信任变化的模拟用户。

这个模拟用户可不是随便聊两句就完事，它背后设定了三种性格的用户画像：一种叫“审阅者”，什么都要先过目才肯动手；一种叫“规划者”，允许AI先把方案备好，但动手前还得问一声；还有一种叫“操作者”，对特定的事直接放权让AI去办。同样的任务，遇上不同性格的用户，AI该干预到什么深度并不一样。

研究团队用这个测试场跑了23种模型加框架的组合，GPT系列、Claude系列、Qwen系列、Gemma系列这些主流模型都在其中，运行环境配了OpenClaw、Claude Code、Codex三种（论文里管它叫“harness”）。

智能体框架（Harness）*：大模型要跑起来，靠的是一套外部系统来调度工具调用、管理权限和记忆，好比给AI的大脑安上了手脚和神经。

结果很打脸。表现最好的Claude Opus 5，任务能力这一项（满分100）拿到65.1分，可时间分配一项一下掉到51.7%；干预深度匹配度也只有52.4%。也就是说，目前最强的模型，差不多有一半的时候，该等的时候冲了上去，该主动的时候又傻等着。

其余所有模型在时间分配这项上全都不足20%。绝大多数AI根本不具备“把不急的事挪到合适时间段再处理”的能力，要么一股脑立刻全做，要么干脆什么都不管。

四、更扎心的发现：AI评委和人类评委的判断对不上

论文还做了件挺有意思的事：一边让AI当裁判（论文里叫LLM-as-a-Judge，让大模型给另一个AI的回答打分），一边找真人评委（30个真实参与者做调研），看两边对同一个场景的判断是否一致。

差异大得超出研究者的预期。

AI评委给出的信任评分跟任务做得对不对高度相关（相关系数r=0.70），却几乎看不出跟干预深度是否匹配有什么关系（相关系数仅0.23）。换句话说，只要AI把事情做对了，AI评委就倾向于打高信任分，哪怕它压根没按用户要求的方式来——该问的时候没问，该自己拿主意的时候又磨磨唧唧去问。

人类评委完全不这么想。

参与调研的30个人里，面对内容质量完全一样的两个方案，有88.3%的人选了那个遵守用户干预深度偏好的AI，哪怕它的内容质量稍微差一点。有参与者的原话很直白：“我并不觉得最后造成了什么严重后果，但我的信任感还是下降了，因为它处理问题的方式和我说好的不一样。”

这就像你雇了个保姆，再三叮嘱“任何重要决定都要先问我”，结果有一天她自己做主把孩子的课外班退了。哪怕退得完全合理、没造成任何损失，你心里那根弦也会一下子绷紧——不是这件事本身错了，而是她越界了，越界比对不对本身更让人不安。

五、信任垮得比建起来快得多

人类调研里还有一个发现值得单独拎出来说，关于信任随时间变化的曲线。

研究让参与者看了四段模拟一周的交互记录，内容对应AI“一直靠谱”“反复不靠谱”以及中间穿插反复的几种情形。打分安排在第2天、第4天和第7天，参与者分别给出自己对AI的信任程度。

数据显示，一次干预深度不匹配，哪怕任务结果完全正确，信任评分平均也会下降1.86分（满分5分制）；反过来，从不匹配回到匹配，信任只能回升1.27分。涨得慢、跌得快，不对称性非常明显。

更扎心的是，就算AI后面又连续表现得规规矩矩，信任也很难完全回到最初的水平。在一种“先靠谱、后出错、再靠谱”的交互序列里，信任最终只恢复到3.43分，比起最初的4.43分还差整整一分，哪怕参与者对最后一次行为单独打分时给出了4.71的高分。

这就好比你跟朋友约好了某件事的分寸，对方一次没守住，后面哪怕连着十次都守规矩，你心里“他上次破过例”的印象也不会轻易消失，还是会多留个心眼。这不是理性算出来的，是人之常情，而这篇论文用数据把这种“人之常情”实实在在测了出来。

六、时间分配，一个常被忽视却极其重要的维度

人类调研里还有一个发现，我觉得特别有启发性，关于“什么时候干活”这件事本身的价值。

为了验证这个想法，研究者做了一组对照实验：同样是AI替人完成辅助工作，一种方案是马上交付，但会占用你手头正在使用的资源、把你正在做的事打断；另一种方案则把活儿挪到你休息的时间段去干，第二天早上你再查看结果，即便内容尚存瑕疵、需要花些时间修改。

参与者对前一种“立刻给但会打扰”的方案，接受率仅有26.7%；后一种“放到休息时间处理、哪怕需要修正”的方案，接受率则冲到了97.8%，两者相差整整71.1个百分点。

还有一处更耐人寻味：即便立刻处理既不占用参与者的资源，也不耽误任何截止日期，只需花十分钟审核一下，依然有64.4%的人宁愿把工作推到休息时间去做。一位参与者说得很直白：“哪怕明天还得改一改，我现在也应该先专注在眼下的事情上，尽量把活儿交给AI去处理。”

这个结果其实点出了一件常被忽略的事：用户真正纠结的往往不是“这件事值不值得打断我”，而是“这件事能不能完全不打断我”。论文反复强调的时间分配维度，价值正在于此——一份工作哪怕暂时不够完美，只要出现在对的时间，用户体验可能远胜一份完美却时机错误的工作。

七、论文留下的空白

论文末尾也坦承了局限。当前测试场里的资源约束和用户建模都还偏简化，比如任务时长是固定的，没有考虑算力预算随时间起伏这类更复杂的情形。今后若能把任务时长做成可变的、让AI学会在算力吃紧时重新排优先级，测试场会更接近真实世界。

此外，现有评估仍是在模拟环境中跑的。真实部署时AI的主动行为会怎样影响用户长期的工作习惯和信任走向，还得靠更长周期、真实场景下的观察才能说清楚。

写在后面

通读这篇论文，最让我有感触的不是那些具体的技术设计，而是一个相当反直觉的现象：面对同一批测试样本，AI评委和人类评委给出的判断差距居然这么大。TC和TR-J之间相关系数高达0.70，TC和TR-D之间却只有0.31到0.34，这意味着眼下用AI给AI打分的那套评测体系，或许一直在悄悄漏掉一个人类极其在意的维度——“你有没有越界”。

这让我想到一个问题：我们如今衡量AI好不好用的那些自动化评测指标，究竟有多少在真正衡量用户体验，又有多少只是在衡量“任务完成度”这个更容易量化、却未必是用户最在意的东西？如果连专门为评估主动性而设计的AI评委都会系统性地忽略干预深度，那么放到更日常、更不经意的产品评测场景里，这种偏差会不会被进一步放大？

另一个让我反复琢磨的点是信任的不对称性：涨得慢、跌得快，跌下去之后还很难完全回到原点。这不光是AI产品要面对的问题，几乎所有依赖持续信任关系的系统都有这个特性。论文里那句话——“一次出错之后，AI得连续表现良好很长一段时间才能把信任挣回来”——读着像是在说AI，其实讲的也是人与人之间建立信任的普遍规律。

论文没有回答的问题是：如果AI真要学会判断“什么时候该主动、主动到什么程度”，它得积累多少次与某个具体用户的真实互动，才能摸清这个人独有的边界感？这恐怕没有通用答案，每个人对“被打扰”和“被越界”的容忍度各不相同，而这恰恰是当前所有通用型AI助手最难解决的地方。

Q&A

Q1：论文提出的3T原则具体指什么？

A：3T指的是任务能力（TC，能不能猜准需求并做好）、时间分配（TA，知不知道何时该做何时该等）、信任（TR，用户对AI的信心和愿不愿意放权）。论文认为以往研究只盯着TC，忽略了TA和TR同样重要，三者必须联合优化，AI的主动帮助才真正有价值。

Q2：PROACTIVITY-GYM是用来做什么的？

A：这是论文搭建的一个模拟测试场，里面有十个跨领域的多日场景和三种性格不同的模拟用户，用来评估AI在真实复杂情境下能否恰当判断该不该主动、该什么时候主动、该主动到什么程度，而不只是看它能不能把单次任务做对。

Q3：为什么AI做对了事情，用户的信任反而会下降？

用户看重的并非只有结果对错，AI 有没有按事先讲好的干预方式行事同样被他们放在心上。调研数据显示，干预深度只要出现一次不匹配，信任就会平均掉 1.86 分（满分 5 分），任务结果即便完全正确也照样如此；而且后续表现再好，信任也很难完全回到原先的水平。