凌晨十一点半，你还在改PPT，第二天一早要用。你的AI助手就安静地待在那儿，像个尽职尽责的客服，等你打字、等你提问、等你把需求一个字一个字敲出来。它不会主动说"我看你明天九点有会，要不要我先把大纲理一理"，也不会说"你上周说的那个数据缺口，我查到资料了，要看看吗"。
它有的是时间，有的是算力，它就是不会自己动。
这不是科幻场景，这是现在几乎所有AI智能体的真实状态。KAIST和明尼苏达大学的一组研究者就在琢磨这件事：既然AI越来越聪明,越来越能干,为什么它还得等你开口才肯干活？他们写了一篇论文，把这个问题从头到尾掰开揉碎讲了一遍，还顺带搭了一个专门用来测试"主动性"的实验场。
这篇论文的核心判断特别直接：主动干活这件事本身不难，难的是干得恰到好处。
一、问题到底难在哪
先说一个容易被忽略的事实:做得多不等于帮得多。
论文里举了个很扎心的例子。假如你的AI助手半夜偷偷帮你写了份报告，内容还挺对，但它选错了时间——你第二天一早正忙着别的急事,结果发现还得先审这份报告,反而耽误了你。这份"正确"的工作,反倒成了负担。
论文管这种情况叫"净效用为负的主动性"：对的事情，用错了方式去做，结果比什么都不做还糟。
这就引出了这篇论文最核心的框架，三个英文首字母缩写（论文里叫3T）：
任务能力（Task Capability，缩写TC）*：指AI能不能猜准你需要什么，并且把活干对、干好。
时间分配（Temporal Allocation，缩写TA）*：指AI知不知道什么时候该动手、什么时候该等着、什么时候该把活儿挪到你休息的时候再干。
信任（Trust，缩写TR）*：指用户对这个AI的信心，以及愿不愿意让它自己拿主意。
过去几乎所有研究主动式AI的工作，都只盯着TC这一项——能不能猜对你的需求、干得好不好。可论文指出，这远远不够。一个任务做得100分，但选错了时机、越过了用户设定的边界，照样会把事情搞砸。
这三者不是三个孤立的打分项，而是互相牵制的整体。打个比方，公司里新来一个特别能干的实习生，专业能力满分，但他总是在老板开会的时候插话汇报进度，还动不动就自己拍板该找谁对接客户——哪怕拍板拍对了，老板的信任也会一点点被消耗掉。能力强，不代表懂得分寸。AI也是一样的道理。
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"什么时候该主动、主动到什么程度"这件事，细化成了五个具体的设计选择，研究者管它叫"设计空间"。
第一个维度是任务范围：AI主动帮的这件事，是你当前正在做的事情的延伸（叫"任务内"），还是完全另开一摊的别的事情（叫"任务外"）？比如你正在改代码，AI顺手修了同一个流程里的另一个bug，这是任务内；但如果AI突然去帮你查明天会议该准备什么材料，这就是任务外了。
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），还是得过了今天才会用到（跨交互）？
第三个维度是触发方式：是用户直接提了要求才触发（用户触发），还是外部事件触发的（比如日历提醒弹出来了），还是AI自己主动巡视发现的（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*：交互时间是指用户正活跃、正在用AI的那段时间，这时候AI干活会跟用户抢资源（比如抢GPU、抢你的注意力）；休眠时间是用户不在、暂时用不上AI的那段空闲期（比如你睡觉的时候），AI这时候干活不会打扰任何人。
这个区分特别像公司里值夜班的运维同事。白天系统繁忙，谁都不想让维护脚本占着服务器资源跑；可到了凌晨三点，没人在用系统，正是跑批量任务、做数据备份的黄金时间。如果AI分不清"现在是白天还是夜里"，非要在你开会抢着资源的时候去跑一个耗时的分析任务，哪怕分析结果再准确，你当时的体验也是被打断、被拖慢。反过来，如果AI能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，这里论文借用了一个叫"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。
这三档对应着不同的信任水位。一个刚认识没多久的新同事，你大概率只信任他做"准备"工作，比如帮你搜集一下资料；合作久了，你可能愿意让他直接给你"建议"方案；等彻底磨合明白了，你才会放心让他"执行"——直接帮你把事情办了。AI和用户之间的信任，也得经过这样一个台阶一个台阶往上走的过程，不能一上来就指望用户全盘放权。
三、PROACTIVITY-GYM：一个专门用来"压力测试"主动性的虚拟世界
光有理论不够，研究者搭了一个叫PROACTIVITY-GYM的测试场，专门拿来考验各种AI模型在真实场景里到底能不能把"主动性"这件事做好。
这个测试场有点像一个微缩版的真实生活模拟器。里面包含十个横跨不同领域的多日场景，覆盖科研、旅行、搬家、饮食、求职、商业、学习、理财、购物、医疗十个方向，每个场景跨越七到十个模拟天，里面塞满了带时间戳的事件、任务、工具调用，还有一个会说话、会反馈、会记仇（会累积信任变化）的模拟用户。
这个模拟用户不是随便聊两句就完事的，它背后设定了三种不同性格的用户画像:一种叫"审阅者"，什么都要先过目才能动手；一种叫"规划者"，允许AI先把方案准备好，但动手之前还得问一声；还有一种叫"操作者"，对特定的事情直接放权让AI去办。同一个任务，碰上不同性格的用户，AI该给出的干预深度是不一样的。
研究团队用这个测试场，跑了23种不同的模型加框架组合，包括GPT系列、Claude系列、Qwen系列、Gemma系列这些主流模型，配上OpenClaw、Claude Code、Codex三种不同的运行环境（论文里叫"harness"）。
智能体框架（Harness）*：指承载大模型运行、负责调度工具调用、管理权限和记忆的外部系统，相当于给AI大脑配了一套手脚和神经系统。
结果非常打脸。就算是表现最好的Claude Opus 5，在任务能力这一项（满分100）能拿到65.1分，可一到时间分配这一项，瞬间掉到51.7%；干预深度匹配度也只有52.4%。换句话说，哪怕是目前最强的模型，也差不多有一半的时候，在该等的时候冲上去了，或者在该主动的时候傻等着。
而其余所有模型在时间分配这项上，全部不到20%。这意味着绝大多数AI，压根不具备"把不急的事情挪到合适时间段再处理"的能力，它们要么一股脑全都立刻去做，要么干脆啥都不管。
四、更扎心的发现：AI评委和人类评委的判断根本对不上
这篇论文还做了一件很有意思的事：他们同时用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）和真人评委（找了30个真实参与者做调研），看看两边对同一个场景的判断是否一致。
结果差异之大，超出了研究者的预期。
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）。也就是说，只要AI把事情做对了，AI评委就倾向于给它打高信任分，哪怕这个AI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地去问。
但人类评委完全不是这么想的。
参与调研的30个人里，在内容质量完全一样的两个方案之间，有88.3%的人选择了那个遵守了用户干预深度偏好的AI，哪怕它的内容质量稍微差一点。有个参与者的原话特别直白："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，你再三叮嘱"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——不是因为这件事本身错了，而是因为她越界了，而越界这件事,比对不对本身更让人不安。
五、信任这东西，垮得比建起来快得多
人类调研里还有一个特别值得单独拎出来说的发现，关于信任随时间变化的曲线。
研究者给参与者看了四段模拟一周的交互记录，分别对应AI"一直靠谱"、"反复不靠谱"，以及中间穿插反复的几种情况。参与者在第2天、第4天、第7天分别打分，评估自己对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，也会让信任评分平均下降1.86分（满分5分制）；而反过来，从不匹配回到匹配，信任只能回升1.27分。涨得慢、跌得快，这个不对称性非常明显。
更扎心的是，就算后面AI又连续表现得规规矩矩，信任也很难完全恢复到最初的水平。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，仍然差了整整一分，哪怕参与者对最后一次的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了，你心里那个"他上次破过例"的印象也不会轻易消失，你还是会多留个心眼。这不是理性计算出来的，是人之常情，而这篇论文用数据把这种"人之常情"实实在在地测量了出来。
六、时间分配，一个经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。
研究者设计了这样一个对比：同一份AI的辅助工作，一种是立刻给你，但得占用你正在用的资源、打断你手头的事；另一种是放到你休息的时间段去做，第二天早上你再看，哪怕内容还有点瑕疵需要你花点时间修正。
结果，参与者对"立刻给但会打扰"这种方案的接受率只有26.7%，而对"放到休息时间处理，哪怕需要修正"的方案，接受率飙到了97.8%，涨了整整71.1个百分点。
更有意思的是，哪怕立刻处理这件事根本不会占用参与者的资源、也不会耽误任何截止日期，只需要花十分钟审核一下，仍然有64.4%的人更倾向于把工作挪到休息时间去做。有个参与者说得很实在："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。"
这个发现其实在提醒我们一件容易被忽略的事：很多时候，用户纠结的根本不是"这件事值不值得打断我"，而是"这件事能不能完全不打断我"。这正是论文反复强调的时间分配维度的价值所在，一份工作哪怕暂时不够完美，只要被安排在了对的时间出现，它给用户带来的体验，可能比一份完美但时机错误的工作要好得多。
七、这篇论文留下的空白
论文最后也坦诚承认了局限。目前这个测试场里的资源约束和用户建模都还比较简化，比如任务时长是固定的，没有考虑算力预算随时间波动这种更复杂的情况。未来如果能把任务时长变得可变、让AI学会在算力紧张时重新排优先级，测试场会更贴近真实世界。
另外，现在的评估还是在模拟环境里跑的，真实部署中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，这还需要更长周期、真实场景下的观察才能说清楚。
写在后面
读完这篇论文，我印象最深的其实不是那些具体的技术设计，而是一个特别反直觉的现象：AI评委和人类评委,在同一批测试样本上,得出的判断居然差这么多。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，这说明现在用AI给AI打分的那套评测体系，可能一直在悄悄忽略一个人类极其在意的维度,就是"你有没有越界"。
这事儿让我想到一个问题：我们现在用来衡量AI好不好用的那些自动化评测指标，到底有多少是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、但未必是用户最在意的东西？如果连专门设计来评估主动性的AI评委，都会系统性地忽略干预深度这件事，那在更日常、更不经意的产品评测场景里，这种偏差会不会被放得更大？
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，而且跌了之后很难完全回到原点。这不只是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"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"，读起来像是在说AI,其实说的也是人与人之间信任建立的普遍规律。
这篇论文没有回答的问题是：如果AI真的要学会判断"什么时候该主动、主动到什么程度"，它需要积累多少次和具体某个用户的真实互动，才能摸清这个人独特的边界感？这件事恐怕没有一个通用答案，每个人对"被打扰"和"被越界"的容忍度都不一样，而这恰恰是现在所有通用型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）。论文认为过去的研究只关注TC，忽略了TA和TR同样重要，三者需要联合优化才能让AI的主动帮助真正有价值。
Q2：PROACTIVITY-GYM是用来做什么的？
A：它是论文搭建的一个模拟测试场，包含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地判断该不该主动、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？
A：因为用户在意的不只是结果对不对，还在意AI有没有按照约定好的干预方式来做事。调研显示，一次干预深度不匹配会让信任平均下降1.86分（满分5分），哪怕任务结果完全正确，而且信任很难靠后续表现完全恢复到原来的水平。
