一句话定义：信任校准（Trust Calibration）是指人对 AI 的信任程度，与这个 AI 在某个具体任务上真实可靠程度之间的吻合度。
信任不是开关，它更像一个旋钮。同一个模型，写会议纪要比较可靠，算数字就可能出错，回答冷门法规时还可能一本正经地编造。可大多数人只调过一次旋钮就不愿意再调：要么全信，要么全不信。
校准这件事，人在生活里天天做。天气预报说“降水概率 70%”，你就带伞；几次都没下雨，下次就不带了。因为有反馈，所以你心里的刻度会自动调整。AI 的麻烦在于反馈被拿掉了：它的输出永远流畅、自信、格式漂亮，看起来就是对的；出错的地方往往要过几天，才在别处暴露出来。这种“看起来对”会系统性地推高人的信任。自动化偏见（Automation Bias）和流畅性错觉（Fluency Illusion）都在把人往同一个方向推。
因此，校准需要人为补上三件事：
| 信任档位 | 典型表现 | 后果 |
|---|---|---|
| 过度信任 | 生成的报告直接对外发送，代码不审就上生产 | 错误被规模化复制，也没人复核 |
| 校准良好 | 按任务分档，高风险输出逐条核对 | 效率与安全兼顾 |
| 信任不足 | 买了工具只在写周报时用，核心流程不碰 | 投入白花，团队看不到价值 |
第一，做任务分层。把日常任务摊开，标注“可直接用、抽查、必须逐条核对、不要用”。事实、数字、引用、法条、对外承诺属于后两档。国外公开报道过律师把 AI 编造的判例提交法庭并因此受罚，这就是没有分档的结果。
第二，让错误可见。要求给出信息来源、让结论可以追溯、保留原始材料，人才核对得动。
第三，记录出错情况。记下出过错的地方，定期看错误集中在哪类任务上，而不是凭印象调整。
它和几个近义词不是一回事：AI 素养（AI Literacy）讲会不会用，校准讲知不知道该在哪儿收手；人机协同（Human-in-the-loop）是机制设计，校准是这套机制要达成的状态；过度依赖是校准失败的一个具体方向，而不是它的同义词。
对个人来说，最实用的一句话是：把 AI 当成一个能力很不均匀的同事，他出活快，但会自信地记错数字。你不会因为他靠谱就让他签合同，也不会因为他错过一次就不用他。
对团队来说，校准几乎不是“培训一次”能解决的，它是一个需要被管理的指标：哪些环节允许直用，出错谁来复核，多久回看一次错误分布。绝大多数团队从没做过这件事，原因在于从未做过衡量：他们对 AI 的态度未必是信或不信，只是没有刻度。