一、引言
随着人工智能系统从简单的决策支持工具演进为能够自主执行复杂任务的智能体，人类与AI之间的协作模式已成为系统设计中的核心议题。在人机交互研究中，学界与业界逐渐形成了一套用以描述人类参与程度的概念框架，其三个基本锚点分别为：Human-in-the-Loop（HITL，人在回路）、Human-on-the-Loop（HOTL，人在环上）与Human-out-of-the-Loop（HOOTL，人在环外）。这三种范式构成了一个从高度人工控制到完全自主运行的连续光谱。
二、概念界定
2.1 Human-in-the-Loop（HITL，人在回路）
HITL指人类在AI系统的决策流程中直接且持续地参与，AI的输出须经人类审批方可执行。在这一模式下，人类不仅参与模型训练阶段的数据标注与参数调优，更在推理阶段对每一次关键输出进行审核与确认。系统可以半自主运行，但在关键节点必须等待人类的输入或批准。
典型的HITL应用场景包括：金融领域的信贷审批------AI生成风险评估报告后须由信贷员复核方可出具有效报价；医疗领域的诊断辅助------AI提供影像分析建议，须经医生确认后方可纳入诊断结论；以及法律文书审查等对准确性要求极高的领域。
HITL的核心特征可以概括为：人类审批在前，AI执行在后。人类的判断构成决策因果链中的必要环节。
2.2 Human-on-the-Loop（HOTL，人在环上）
HOTL指AI系统在预设边界内自主运行，人类不介入每一次具体决策，而是以监督者的身份持续监控系统的整体表现，并在异常发生时介入干预。
在这一模式下，AI的决策结果直接呈现给最终用户，人类仅在事后介入修正错误，并将修正结果反馈回系统用于后续的模型优化。与HITL不同，HOTL中人类的角色是纠正性的 而非构成性的------人类干预位于决策主因果链之外，其功能在于防止或修正不当输出。
典型场景包括：AIOps平台自动修复常规基础设施告警，站点可靠性工程师（SRE）监控仪表盘，仅在阈值被突破时介入；或客服场景中AI助手自动处理常规咨询，人工仅处理升级上来的复杂案件。
HOTL的核心特征可以概括为：AI自主执行，人类监督干预。
2.3 Human-out-of-the-Loop（HOOTL，人在环外）
HOOTL指AI系统完全自主运行，在决策与执行过程中无需任何人类干预。系统基于训练数据和预设规则独立做出判断并采取行动。
需要明确的是，HOOTL并不意味着人类在整个系统生命周期中完全缺席。人类仍然参与系统设计、参数设定、内容配置等前期工作，且系统中通常内嵌了在必要时升级至人工处理的机制。但在系统的运行时阶段，决策链中不存在人类的环节。
典型的HOOTL应用场景集中于低风险、高重复性、结构化的任务：如密码重置类聊天机器人、电商订单追踪与退换货处理、银行账户余额与交易记录查询等。这些场景的特点是任务边界清晰、失败后果可控、处理流程高度标准化。
HOOTL的核心特征可以概括为：系统自主决策，人类事后验收。
三、三者对比速查表
| 对比维度 | HITL（人在回路） | HOTL（人在环上） | HOOTL（人在环外） |
|---|---|---|---|
| 人类角色 | 审批者/决策者 | 监督者/空中交通管制员 | 设计者/验收者 |
| 人类参与方式 | 主动、直接干预 | 被动监控，异常时介入 | 不参与运行时操作 |
| 人类参与时机 | 每次决策前 | 阈值触发或异常发生时 | 系统设计阶段与事后验收 |
| AI自主程度 | 低（半自主） | 中（条件自主） | 高（完全自主） |
| 决策延迟 | 高 | 中 | 低 |
| 资源消耗 | 高（人力资源密集） | 中 | 低 |
| 适用场景 | 高风险、不可逆决策 | 规模化运营+安全需求 | 低风险、高容量任务 |
| 典型示例 | 信贷审批、医疗诊断 | AIOps监控、客服升级 | 密码重置、订单查询 |
四、为什么当前大部分AI项目仍采用HITL
4.1 实证数据
多项行业调研与市场数据表明，HITL在当前AI项目中占据主导地位。Deloitte的《2026年企业AI现状》报告显示，74%的企业计划在两年内部署AI智能体。另有行业分析指出，HITL系统目前占全部运营活动的42%。
从市场规模来看，全球HITL AI系统市场在2025年的估值已达24亿美元，预计到2033年将增长至99亿美元，年复合增长率达19.4%。另有研究机构估算，2025年HITL AI市场为54亿美元，预计2030年将增长至164亿美元。
在认知层面，81%的受访者认为人机协同非常重要或极其重要，97%的受访者认为人机协同式评估对AI模型的准确性至关重要。这些数据共同指向一个事实：HITL不仅是当前的主流实践，也是业界公认的必要保障机制。
4.2 根本原因分析
HITL占据主导地位并非偶然，而是由以下几个结构性因素共同决定的。
第一，AI系统的可靠性尚不足以支撑全自主运行。 大语言模型固有的幻觉问题、操作层面的脆弱性，以及面对边缘案例时的不可预测性，构成了制约AI自主运行的持久挑战。在模型准确率尚未达到可接受阈值之前，将人类纳入决策回路是最直接的风险控制手段。
第二，高风险场景对人工审核构成刚性需求。 在金融、医疗、法律等受监管行业，错误的决策可能带来严重的财务损失、人身伤害或法律责任。欧盟AI法案等监管框架明确要求高风险AI系统必须实施人类监督。在这些场景中，HITL不仅是技术选择，更是合规要求。
第三，HITL是大多数企业AI实践的起点。 行业观察表明，大多数组织从关键系统的HITL开始，在稳定性和可解释性得到验证后才逐步向HOTL过渡。这是一种自然的渐进路径------在缺乏对AI系统行为充分理解的情况下，保守的治理策略是理性的选择。
第四，HITL提供了明确的责任归属。 当AI系统的决策产生负面后果时，HITL架构使得责任可以追溯至具体的人工审批节点。这在法律和伦理层面具有重要意义------完全自主的系统一旦出错，责任归属将变得模糊不清。
第五，HITL支持持续的系统改进。 人类在审核过程中产生的反馈可以直接用于模型的再训练和优化，形成"人机共同进化"的良性循环。这种持续学习机制在AI系统尚不成熟的阶段尤为宝贵。
4.3 需要警惕的误区
值得注意的是，当前大量标榜"HITL"的系统实际上并未实现真正的人在回路。有批评指出，"人在回路"已成为许多AI厂商的"营销话术"------真正的HITL需要明确的审批门控、详尽的审计追踪以及在行动进行中中断或覆盖的能力，而许多所谓HITL系统仅仅提供了一个"理论上可以检查"的仪表盘。这种"治理幻觉"比没有治理更具欺骗性。
五、范式的演进趋势
尽管HITL目前占据主导，但行业共识正朝着更高自主权的方向演进。有分析认为，AI集成的战略方向正从"人在回路"（直接协助）转向"人在环上"（监督），最终目标是实现"人在环外"的完全自主系统。在HITL流程中的投资将为未来的HOTL和HOOTL系统演进奠定基础。
然而，这种演进并非线性的，也不意味着HITL将被淘汰。现实中的复杂AI系统往往在不同模块或不同流程中混合使用这三种模式。选择的依据并非某种模式的"先进性"，而是任务的关键性、AI的准确性、风险的可承受性以及组织的治理成熟度等情境因素。
六、结语
HITL、HOTL与HOOTL构成了理解人机协作程度的三个基本锚点。当前大多数AI项目采用HITL，根本原因在于AI系统的可靠性尚未达到可完全自主运行的水平，而高风险场景对人工监督提出了刚性需求。这一格局随着AI技术的成熟和治理体系的完善将逐步改变，但HITL作为安全底线和演进起点，在可预见的未来仍将是大多数AI项目的基本配置。