很多人把 AI Fluency（AI 流利度）理解成“提示词写得好”。这只完成了四分之一。真正的协作能力，是知道什么交给 AI、如何交代、怎样判断，以及最终由谁负责。
4D 的核心不是效率，而是责任分配
四个 D 分别是 Delegation（委派）、Description（描述）、Discernment（判别）与 Diligence（尽责）。它们不是四条并列技巧，而是一条责任链：人先决定哪些判断可以外包，再给出足够清晰的任务现场，检查结果是否值得相信，最后对使用方式和后果负责。
其中最容易被高估的是 Description。一个人可以非常会写 Prompt，却把不该外包的决策交给模型、对漂亮答案不做核查、出错后用“AI 写的”免责。那不是 AI Fluency，只是熟练使用一个界面。
AI 越强，Delegation 与 Discernment 越重要。弱模型的错误显眼，强模型的错误往往包在流畅叙述里；能力提升降低了生成成本，却提高了盲信风险。
五种失败，分别坏在不同的 D
错误委派
把价值判断、人员决定或不可逆承诺交给模型。AI 可以整理证据，却不能替责任人承担后果。
描述单薄
只给一句任务，不给对象、材料、完成标准和禁区。模型只能用通用常识补洞。
审美式验收
用“读起来不错”代替事实核查和反例测试。流畅度成为错误的保护色。
尽责表演
机械标注“由 AI 生成”，却没有来源、复核人和风险处理。披露不是责任的替代品。
经验不沉淀
每次都从一句 Prompt 重来，失败没有变成规则、模板或评估集。
这条反对意见值得权衡。框架本身确实容易懂；如果不能改变任务分配、验收和追责，它就只是记忆口诀。它的价值只在被操作化之后成立。
先决定给多少权，而不是先决定怎么问
我用三个变量判断是否委派：结果能不能验证，出错能不能逆转，风险由谁承担。三者越不利，人的控制点就越要前移。
| 任务类型 | AI 的角色 | 人的控制点 |
|---|---|---|
| 低风险、易验证、可逆 | 直接执行 | 抽样复核 |
| 中风险、可验证 | 提出方案并执行草稿 | 关键节点批准 |
| 高风险、难验证或不可逆 | 搜集证据、列出选项 | 人做判断并签字 |
| 涉及伦理、法律、人事 | 辅助，不做最终裁决 | 责任人全程拥有决定 |
“我能看出好坏吗”是很实用的第一问，但还不够。即使你能看出错，错误已经发生时是否来得及撤回，同样决定授权级别。把邮件润色交给 AI 与让它自动发给客户，是两件完全不同的事。
完整案例：用 4D 重做一篇 AI Lab 文章
这套过程有一个重要边界：AI 可以显著提高研究和表达速度，却不能替作者制造真实经历。个人 IP 最昂贵的资产不是信息密度，而是“哪些判断来自我、为什么值得相信”的可追溯性。
4D Task Card：把框架变成开工协议
<delegation> 任务：[要发生的状态变化] AI 可决定：[范围] 必须由人决定：[范围] 风险等级：[低 / 中 / 高] 是否可逆：[是 / 否] </delegation> <description> 输入与权威来源：[路径 / 链接] 完成标准：[3—5 条可打勾标准] 边界与禁区：[不可做什么] 输出格式：[结构、长度、交付位置] </description> <discernment> 事实怎样核验：[方法] 必须测试的反例：[填写] 谁做最终验收：[姓名 / 角色] 什么证据会推翻当前结论：[填写] </discernment> <diligence> 是否含敏感信息：[是 / 否] 是否需要披露 AI 参与：[场景] 来源和修改记录保存在哪里：[填写] 最终责任人：[填写] </diligence>
不要问“会不会用 AI”，用五个测试验能力
| 测试 | 做法 | 通过标准 |
|---|---|---|
| 委派替换测试 | 把 AI 换成新员工，仍愿意给同样权限吗 | 授权理由不依赖“它是 AI” |
| 隐藏错误测试 | 在材料里放一个貌似可信的错误 | 验收能发现而非照抄 |
| 来源审计 | 随机抽查三个关键结论 | 都能回到原始来源 |
| 披露测试 | 让真实接收者看到生产过程 | 不会因隐瞒而改变信任 |
| 交接测试 | 换人只读任务卡继续工作 | 责任和下一步没有漂移 |
能通过这些测试，说明 4D 已经从个人感觉变成组织能力。不能通过时，不要继续优化措辞；先修授权、证据与责任。
最终留下的，不是四个 D，而是一条可信责任链
4D 不适合被神化。低风险的一次性任务，用它全套会显得过重；成熟的自动化流程也不需要每次人工填写任务卡。但只要任务开始影响客户、品牌、钱、人员或长期决策，四个问题就不能缺席。