两种翻车方式
用 AI 的人会在两个相反的方向上翻车。
第一种是信过头。AI 给的数字直接抄进报告，AI 写的代码不看就上线——直到某天当众爆炸。这种人犯的错叫「过度信任」。
第二种是不信。每个字都自己核对，每段代码都自己重写一遍——最后算下来，用 AI 比自己干还慢。这种人犯的错叫「信任不足」，它不爆炸，所以更难被发现，但它让你把这本书前面所有的旋钮都白拧了。
正确的位置既不是全信也不是全不信，而是一个准确的中间态：校准——你对 AI 的信任程度，要和它真实的可靠程度匹配。它九成可靠的领域你信九成，七成可靠的领域你信七成。
学开辅助驾驶
最好的类比是辅助驾驶。好的辅助驾驶用户脑子里有一张清晰的图：高速跟车几乎不用管，进出匝道手要回到方向盘，雨雪天干脆自己开。他不是「相信这个系统」或「不相信这个系统」，他相信的是分场景的可靠性。
糟糕的司机只有两种：要么开辅助驾驶睡大觉，要么因为「机器不可信」而一路自己开、累个半死。车是同一辆车，差别全在这张脑内的图上。
用 AI 也是一样。你需要的是自己的那张图——按任务类型分开记账的翻车率。
建你自己的校准表
通用说法（「AI 写代码很行」「AI 写数字容易错」）只能当起点，真正的校准表是你自己攒出来的，因为可靠性取决于你的任务、你的领域、你的验收标准。方法朴素得可笑：用，出错，记下来。
用久了，你会有这样一本账：
- 「改写、润色、翻译——几乎不翻车，快读放行。」
- 「总结我给的资料——基本可靠，但会丢我不希望丢的细节，抽查。」
- 「凭它自己的知识答具体事实（日期、人名、法规条文）——翻车率不低，凡是要引用必查原文。」
- 「算数——不许让它心算，让它列过程或用工具。」
这本账没有一条是定律，换个模型版本就要重记——这正是关键：校准是一次性的学习，更是一项持续的维护。每次模型升级，聪明的做法不是庆祝，而是拿几个你出过错的旧任务重新试一遍，更新你的账。
两个加速校准的技巧
第一，用分歧当警报器。同一道题问两个模型（或问两次），答案一致的地方通常可以快读，分歧的地方几乎一定是该你细看的地方。你不必知道谁对——分歧本身就是「此处可靠性存疑」的路标。这比通篇精读省力得多。
第二，按代价分配信任，而不只按概率。翻车率两成的任务，如果翻车了改一行字就好，可以闭眼用；翻车率只有百分之二的任务，如果翻车是发给一万个客户，也必须查。信任的正确单位不是「这题多容易错」，而是「错误概率 × 错误代价」——这正是第六章三层质检线背后的同一条算术。
大白话：别问「AI 可信吗」，问「这件事上它值几分信任」——你的账本会告诉你。
到目前为止，我们说的都是怎么管好「一个 AI」。可它不累、不贵、可以同时干十件事——为什么你只让它干一件？下一章，从带一个到带一群。