摘要：人工干预是保障算法行政合法性的关键理论方法，在实践中却未能实现预期的治理效果，存在失灵现象。究其原因，为既有目标仅满足于人重新回到算法行政的形式性作用，而忽视其监督、控制算法的实质性能力。为解决人工干预失灵问题，推进人工干预从形式性迈向实质性，应修正人工干预的目标，优化其法律机制。首先应在风险防控、权利保障、效果提升的三元目标框架内将人工干预的既有目标修正为最小化算法权力异化风险、最大化行政执法者的自主性以及推进算法行政的人机协同。同时，在修正目标指引下，人工干预机制需在风险识别、干预触发、精准干预及决策反馈四个关键阶段进行系统性优化。具体而言，应引入以损益结果为基准的风险警报阈值，拓展“法定义务—程序裁量权—人工干预请求权”的三阶触发框架，明确人工干预主体的责任激励与权力边界，以及构建类型化的干预决策反馈机制。
关键词：算法行政；人工干预；人工智能安全监管；人机协同
一、引言
2025年起，中国多地政府在政务外网与政务系统中全面部署了DeepSeek大模型，推动了算法行政向“智能化”的深度转型，也为该领域的行政合法性控制带来新挑战。除却算法黑箱问题，算法思维因缺乏对人的同理心，易于在复杂多变的案件中忽视个案特殊性并陷入机械判断，而导致个案正义缺失，加剧了行政合法性的危机。现有研究表明，算法透明理论，即构建算法公开制度与算法解释制度，可以化解算法黑箱困境，但其无法有效解决个案正义缺失问题。为解决这一问题，学界提出引入人工干预的理论方法，即由人来监督和控制算法决策，以此确保决策结果的价值对齐，从而实现行政合法性。该理论方法在算法行政中的运用，不仅有助于规避技术异化风险，长远而言，也有助于推动公共行政向人机协同模式的深化发展。
目前，我国在立法条文中已尝试嵌入人工干预理论，用于防范算法行政风险。例如《中华人民共和国个人信息保护法》第24条第3款规定，个人有权拒绝个人信息处理者仅通过自动化决策的方式作出决定；《中华人民共和国行政处罚法》第41条第1款要求利用电子技术认定的事实应当经过人工审核。然而，实践中人工干预并未发挥预期的治理效果，存在失灵现象。如在“何友庆诉珠海市公安局交通警察支队香洲大队行政处罚案件”中，香洲大队在意识到算法给予相对人顶格处罚不当的情况下，并未予以干预修正，同时辩称省级平台已将此类违法行为的罚款数额设定为500元，其没有权限对罚款额度进行调整。此类问题屡见不鲜。近年来，失灵现象为人工干预带来了诸多质疑，认为人无法有效履行监督算法的职责，甚至会影响算法决策质量。因此，如何扭转人工干预的失灵状态，是当前保障算法行政合法性亟须解决的问题。基于此，本文将深度剖析人工干预在算法行政中失灵的原因，进而修正人工干预的目标，优化其机制内容，以期推进人工干预的有效实施。
二、算法行政中人工干预的失灵及原因
人工干预失灵的判定主要源于其在实践应用中未能达成理论预设的目标。然而，这种失灵并不意味着人工干预的理论方法无效，主要是由于目标设计本身存在问题。在发展过程中，人工干预的目标继承了自动化决策拒绝权的目标定位，旨在保障人的尊严，防止人的权利完全受算法支配。然而，以此为基础构建的人工干预目标仅仅满足于人在算法行政中的形式在场，而未能充分考量人工干预的实质性作用，从而导致人工干预的失灵。
（一）失灵判定：人工干预目标的实现效果不佳
人工干预在被引入算法行政后，逐渐形成了风险防控、权利保障、效果提升三个层面的具体目标。
第一，风险防控：防止技术专制。最初人工干预是作为一种风险治理方法被引入的。人工智能时代，算法不仅提升了行政执法效率，还可以有效替代人类执法以防止权力恣意，实现同案同判的理性司法，是理想法治的重要工具。因此，理论上曾提出全自动化行政、完全算法决策的发展观点。然而，任何技术都是兼顾利益与风险的。算法行政的风险在于，算法是一种超越人类能力的技术，其黑箱特性让决策思维不再透明，甚至存在被训练后的歧视思维；而且其效率性的操作流程在一定程度上削弱了程序正义对行政相对人可能提供的底线保护，使算法黑箱与歧视可以任意地影响行政相对人的合法权益，造成技术专制的局面。为了避免此类算法决策风险的发生，在人工智能技术不断演进并普及的当下，理论上希望以人工干预将人重新引回算法行政中，以防止算法普及后造成前述算法决策风险的泛化。
第二，权利保障：确保人的尊严。在算法歧视与黑箱等风险之外，学界进一步洞见到一个根本隐忧：即便技术本身臻于完善，人工智能的广泛应用仍可能因其极致便利而诱发人的认知惰性，催生对算法的过度依赖，这种技术依赖不仅侵蚀着人的自主性，更违反了宪法对人的尊严的基本保障要求。人的自主性丧失是一种“去技能化”（de-skilling）的表现。人越来越习惯于利用工具来节省脑力和精力，在惰性中思考能力、语言组织能力不断退化，并习惯于求助机器进行案例分析、文书写作，丧失了挑战、创新的勇气和能力；而且人在过度推崇技术的“一致性”价值下逐渐习惯于伦理上的主流见解或标准答案，不再去为道德进行争辩和说理，并习惯于机器的道德答案，从而放弃人作为道德主体的地位。久而久之，人无法识别算法错误，并放任算法歧视及其不合理性对人的决断，使人在算法面前丧失自主的基本能力。同时，人在公共行政中的地位形同虚设，人在社会中的贡献、愿望、潜力被忽视，并成为一种多余的存在。这些自主性丧失的表现，构成了对人的尊严的侵犯。因此，理论上希望可以通过人工干预恢复人的自主性思考，以此确保人的尊严。
第三，效果提升：实现算法决策的可接受性。效果提升层面之目标，最初源于公共管理等其他社会科学研究的实证调查质疑。实证研究发现，人对独立算法决策的感知合法性要低于人机协同决策。技术的发展本以延展人类能力为初衷，旨在借由智能系统实现对人的赋能。然而，算法的演进轨迹已渐次溢出传统可控边界，其不仅可能隐匿地承载并复现社会既有偏见，更能借由黑箱特性逃避监督，且难以被问责。此类失控风险增加了行政相对人对行政决定的不安与质疑，从而降低了感知合法性。在行政法视角下，行政相对人感知合法性的降低是一个更深层的问题—结果的不可接受性。即便算法决策结果是理性的，但其过程的不透明与逻辑的不可阐释性，仍可能阻碍行政相对人对算法决策结果的理解与内在认同。而且，这种接受度的缺损，不仅削弱了行政决定的法律效果，更在一定程度上增加了法律争议，推高行政复议与诉讼数量，进而消耗更多的行政与司法资源。因此，理论上希望通过人工干预改变行政相对人在心理上的不安状态。人工干预意味着行政决定是在人的控制这一传统、熟悉环境下作出的，且干预主体可以成为算法决策结果的被追责主体，由此增加算法决策结果的可接受性。
然而，在“何友庆诉珠海市公安局交通警察支队香洲大队行政处罚案件”中可以清晰地观察到人工干预的失灵状态。行政决定作出过程中虽然有人工干预的程序性设计，但决策结果实质上依然是算法独立作出的。在此期间，即使算法存在错误，也并未获得执法者的自主性否定。而这种配备人工干预过程的算法决策结果，也未能使行政相对人信服。
（二）失灵原因：目标侧重“人”的形式存在而忽视“干预”的实质能力
此类失灵并非人工干预的理论方法存在问题，而是既有目标将人工干预的作用形式化，使其无法发挥实质性能力。追根究底，这种目标设计上的偏差与学界对人工干预的理论定位有着密切的关联性。初始，学界在对人工干预方法的引入适用时并未作独立探讨，而是将其放在自动化决策拒绝权的概念下纳入讨论的。自动化决策拒绝权是指“在个人信息处理者通过自动化决策方式作出对个人权益有重大影响的决定时，个人要求其说明、拒绝仅通过自动化决策作出决定，以及要求进行人工参与的二次决策的权利”。之所以将人工干预与自动化决策拒绝权纳入讨论，是因为理论上认为，在算法规制谱系下行政相对人被赋予的是一种“权利束”。这个“权利束”包括自动化决策拒绝权和人工干预请求权，且人工干预请求权是自动化决策拒绝权启动后的衍生效应。也有学者将二者的关联度解释为权利与权能的关系，即自动化决策拒绝权是一个独立的实体性权利，人工干预是自动化决策拒绝权的权能之一。无论何种解释，人工干预都不是一个独立的权利或权能，它附属于自动化决策拒绝权。这种非独立性使人工干预承袭了自动化决策拒绝权的目标设定思路，导致人工干预的目标过度侧重于“拒绝”层面的考量，而忽略了“干预”层面的能力，使人工干预展现为将“人”重新引回算法行政中的形式性作用，无法充分发挥人类监督、控制算法的实质性能力，此为人工干预失灵的根本原因。具体而言：
第一，既有目标虚化了人工干预的实际功能。在防止技术专制的目标视角下，人工干预可以令算法行政重新引入人的参与，使决策过程存在算法和人之二元主体，从而避免行政决策完全由算法作出。然而，这一目标设计在逻辑上存在一定偏颇。算法行政所面临的合法性困境，究竟应归因于决策是由算法独立作出的，还是算法存在能力局限？实质上，后者才是关键所在。合法性困境的根源在于算法思维在特定情形下难以灵活回应个案正义的需求，因此有必要通过人工干预来弥补算法在具体情境中的能力不足，从而保障决策的合理性与公正性。然而，在防止技术专制的目标设定下，人工干预的实际功能被淡化，这也是其失灵的原因之一。在既有目标下，人工干预只需要保持“人”的形式性在场，无须进行实质性的干预行为，就可以满足防止技术专制的目标。该目标将人工干预简化为一种形式化的象征，其功能仅限于防范“技术专制”，而非实质性地实现“技术控制”，“干预”仅等同于“存在”。这一目标设计的深层影响在于，现有立法只需在制度中为行政相对人增设人工干预的程序性权利，就可以满足理论目标的要求，如何“干预”这一重要层面的机制设计反而被忽视，加剧了算法行政中人工干预的失灵。
第二，既有目标模糊了人工干预的赋能对象。确保人的尊严作为人工干预的目标，在理论表述上具有宽泛的包容性，似乎涵盖所有“人”的自主性。然而，既有研究在对该目标进行具体阐释与制度转化时，却暴露出其内在的视角偏颇。在语义上，“人”这一概念的泛指性，易使其在实践中与“行政相对人”紧密绑定，而非指向作为行政主体的执法者，从而导致制度关怀过度聚焦于提升行政相对人的自主性。现有制度实践清晰地体现了这一倾向：其核心举措在于为行政相对人构建程序性对抗通道，通过赋予“拒绝权”与“请求权”以抵御技术对权利的侵蚀。然而，这种对尊严保障的理解未能准确识别算法行政中人的自主性失落的真实场域。事实上，人的尊严保障之关键，不在于行政相对人是否敢于抗争，而在于作为协同决策者的执法者是否具备有效干预的意愿与能力。相较于拥有程序武器的行政相对人，恰恰是身处系统内部、直接操作技术的行政执法人员更早丧失了对算法的反驳能力。尽管赋予相对人权利可以在间接层面促使执法者干预算法决策的主动性，但前文案例同样表明，已有制度并未为执法者配置充分的干预权限；相反，为防范人为恣意，执法者本已有限的自主性在制度框架中被进一步压制。这造成了一种矛盾的现象：公民虽然具备和算法抗争的程序性权利，但其请求无法触发实质性的人工审查与判断。人工干预仅能在形式上完成听取异议的程序正义，却无法在实践中作出回应以实现结果正义，这也是人工干预陷入失灵的重要原因。
第三，既有目标弱化了人工干预的应用价值。在算法行政中引入人工干预，旨在应对算法决策所引发的公众信任危机。研究表明，尽管算法决策的理性程度要高于人类决策，但由于公众对算法的不信任，其作出的决定更易引发质疑，进而降低了行政决定的可接受性。因此，学界期望通过人工干预构建一种可信任的算法决策模式。在这一模式下，人的介入和监督能够缓解行政相对人的不信任感，提升其对算法决策结果的可接受性。然而，这种目标设计实际上削弱了人工干预的应用价值。个案正义是现有算法透明理论无法解决的算法行政难题，也是人工干预能够解决的核心问题。如果人工干预仅用于满足行政相对人的心理需求，那么其引入的价值将大打折扣。此外，人工干预的重新引入会在一定程度上降低行政效率，从成本效益角度考量，其价值应当能够抵消这种利益损失。如果人工干预的价值仅仅体现在提高公民信任度上，那么随着技术能力的不断提升，人对技术的信任感势必不断增强；相反，人工干预的价值将相应地削弱，并最终导致其存在的必要性不复存在，进而走向完全失灵。
三、算法行政中人工干预失灵的纠正：从形式性迈向实质性
为解决人工干预失灵问题，应推动人工干预从形式性转向实质性。现阶段人工干预的形式性体现为，人工干预只是一种程序性的权利，其启动旨在避免行政决定是算法独立作出的，以人工干预造就人存在于行政过程中的表象，从而缓和行政相对人的不安。在制度设计的理想逻辑中，人的“回归”，即意味着“有效干预”的附带发生。然而，由于缺乏相应的权限配置与责任激励，干预主体的权能难以得到有效激活，使其在实践中呈现为一种形式化的存在。相对而言，人工干预的实质性旨在避免人的象征性作用，推动人工干预真正发挥监督、控制算法决策的能力。这种“实质性”可通过对人工干预目标及其法律机制的优化予以实现。但是，由于既有目标的错误引导，理论上对人工干预机制的设计尚不成熟；实践中也只有碎片化的机制探索，缺乏体系化建构。为此，本文将从理论层面对人工干预的目标及其实现路径进行调整与明确，进而为人工干预机制的优化提供框架性指引。
（一）人工干预的目标修正
第一，风险防控：最小化算法权力异化风险。在风险防控层面，人工干预不仅旨在实现防止技术专制的形式性目标，更应在实质层面实现对算法权力的有效制约，从而防控其异化风险。基于防控的应然要求，理应将所有存在算法权力异化风险的行政行为都纳入人工干预的范畴。但在实然层面，基于人工干预主体的客观能力，这种防控的程度需依据现实作出合理化的设定。风险社会不在于绝对消灭风险。欧盟《人工智能法案》亦规定，“人类监督应旨在防止或最小化高风险人工智能系统在使用时可能对健康、安全或基本权利造成的风险”。算法权力异化是人在有限理性下不易感知和发现的，具有不确定性的特性，使人无法在前期进行估测、准备，或是对所有风险都能有成熟的、经验性的解决方案。如若要求人在每个案件中精准地识别出风险，这样的人工干预过分理想化且不具有可实践性。是故，在防范算法权力异化风险的程度性要求上，人工干预的目标应立足于风险的最小化，而非将其完全消除。
第二，权利保障：最大化行政执法者的自主性。在权利保障层面，将保障人的尊严作为人工干预的直接目标虽在价值层面具有正当性，却在制度实践中模糊了其应然的赋能对象。这一抽象目标驱使研究者与立法者将目光聚焦于作为权利主体的行政相对人，而忽略了执法者才是将权利保障从程序宣告转化为实质结果的关键行动者。若执法者自身缺乏干预的意愿、能力与权限，那么相对人享有的程序性权利终将因系统内部的响应失灵而落空。因此，为实现实质有效的权利保障，必须对人工干预的直接目标进行正位与调适，将保障人的尊严的实践重心转向执法者自主性的提升。在执法者自主性提升的同时，行政相对人已有的拒绝权或请求权非但不会被削弱，反而因其行使能够有效触发执法者的专业判断，从而被赋予更强的现实效力，并最终从根本上实现人的尊严保障。然而，执法者自主性的实现面临着三重制约：其一，权限缺失，基层执法者缺乏实质性干预的法定权力；其二，能力不足，执法者受限于人类认知的天然边界，难以理解日益复杂的算法逻辑并有效识别其错误，甚至可能因算法的自主性幻觉而丧失批判性质疑的能力；其三，意愿消极，研究发现，人在决策时面对算法决策结果的差异，会形成不自信心理。因此，在僵化的问责体系下，具有避责倾向的执法者会更倾向于将算法视为更安全的决策路径，从而主动回避干预。第一重制约源于制度环境对执法者行为的外部限制，可通过制度调整予以直接破除。然而，第二重与第三重制约分别关涉执法者的认知能力与行为心理，属于难以从内部根本改变的主观性要素，无法通过对执法者自身的改造予以全面克服，只能在一定程度上通过外部制度设计，对其认知与行为施加间接引导。基于此，对执法者自主性的提升需要在“最大化”的范畴内予以理解：它并非追求一种全面、绝对的实现，而是在尊重人类能力有限性与行为复杂性的前提下，通过制度赋能将执法者自主性激发至现实条件下的最优水平。
第三，效果提升：推进算法行政的人机协同。人工干预最初作为一种技术治理方法，是为了抗衡算法演化的不可控性，成为算法的有力制衡者。但是在被引入算法行政领域后形成的目标，弱化了其应有的价值，变为算法决策获得认可的心理安慰剂。虽然人的存在在一定程度上能够变相地提高算法决策结果的可接受度，但这不是法律效果提升的本意。法律效果的提升应当根植于决策结果的合法性与合理性。人工干预当为算法决策结果的合法性最优化提供助力。实然层面，人工干预的确可以发挥这一作用。算法虽具有能力优势，但算法的过度理性会让行政决定偏离个案正义价值，因此需要人工干预予以适度补充，以人的智慧平衡法益选择。是故，人工干预的目标应该是推进算法行政的人机协同决策，以人机各自优势实现决策最优化，而非仅为确保算法决策的可接受性。当然，这里的“协同”有两个基础性要求：一是人始终享有算法行政的关键控制权。即便是人机协同决策，作为干预主体的人类仍应始终主导并规约决策过程。这种主导权在不同类型行政事务中体现为程度与方式各异的控制形态。在税务计算等简单的数据驱动型事务中，算法决策的工作比重可以高于人类决策以保障数值计算的客观性与正确性，但是人工干预始终把握着最终审查与确认的决策权；在处罚裁量、低保认定等价值判断型事务中，决策应当由人工主导完成，算法主要承担筛查等辅助性工作，从而确保决策与社会价值、伦理规范及个案正义相契合。二是人与算法不仅相互制衡，还应相互促进。算法的应用需能够约束人为恣意，人工干预也应有效防控算法决策风险。在此之上，人不仅要主动利用算法提高行政决策的科学性与效率性，也要发挥人在价值决策方面的先天优势，促进算法思维与人类价值观的协同对齐。
（二）人工干预新目标的实现路径
第一，高敏感的风险识别能力。就最小化算法权力异化风险而言，首先应强化人工干预的风险识别能力。一般而言，风险的识别方式主要有算法决策系统自动警报和人为发现两种类型。前者的风险识别能力在于人工设定的警报阈值，即在哪些情况下系统会自动停止决策，并将案件转向人工干预；后者则是由案件相关人根据自身权益的影响感知决定。然而，当前立法对是否构成“影响”的判定标准相对模糊。《个人信息保护法》第24条第3款虽然规定了“对个人权益有重大影响”的判定标准，但什么是“重大影响”、“重大”的程度标准是什么，法律尚未给予明确的规定。相对而言，实践尝试确立了三种警报阈值，以便于风险识别：一是对个人权益具有高风险的情形。此类情形主要指决策内容涉及个人生命权、人身自由等基本权利的价值裁量。由于此类裁量一旦出现错误，往往造成不可逆转或影响深远的后果，因而在法律实践中通常禁止采用全自动化决策方式。二是涉及侵益行政行为作出的情形。《中华人民共和国行政处罚法》第41条规定，行政主体利用电子技术监控设备收集、固定违法事实的，应当经过法制和技术审核。该条规定不仅是人工干预理论在现行立法中的实定化体现，更明确了以行政处罚为代表的侵益行政行为均需受到人工干预的刚性约束。其法理逻辑在于，侵益行政行为本身即具有减损相对人权益的属性，若完全交由算法自主决策，一旦出现偏差，将进一步扩大侵害风险，因此应当叠加人工干预的二次审核，强化对算法权力的制约和监督。三是算法本身出现决策不能的情形，即一旦出现事项填写不全、显示错误或者出现历史数据未训练过的新案件等算法不能独立处理的情形时，将自动触发人工干预机制。此类情况常见于行政审批、行政给付等数字化场景，因相关行为具备授益属性与较低侵权风险，实践中往往允许在一定范围内采用“秒批”等全自动化处理模式，人工干预仅在算法无法继续时作为补充机制启动。然而，既有风险识别标准主要聚焦于对生命健康安全等重大法益，以及对行政处罚等侵益行政行为中的显性风险进行规制，对授益行政行为中潜在的、非即时显现的决策风险则警惕不足，致使诸多隐患难以被及时察觉。特别是仅以“决策不能”作为授益行政行为中触发人工干预的条件，客观上可能削弱风险识别的整体敏感度。是故，在最小化算法权力异化风险的目标定位下，应当进一步确立人工干预机制的高敏感的风险识别能力。
这里使用了“高敏感”的词语表达。所谓“高敏感”，强调风险判定标准须具备高度的警觉性与宽泛的覆盖力，不遗漏任何微小的风险可能。此外，这里使用的是“高敏感”而非“精准”，在词语使用上有特定意涵。算法权力异化风险常具有不确定性与隐蔽性，难以被完全预见与精确界定。若追求“精准”，则意味着要求提前明确识别所有风险，既不现实，也可能因识别滞后而延误干预；相反，“高敏感”通过设定相对宽泛的风险警报标准，使系统在察觉潜在风险迹象时即主动触发人工审查，从而增强干预的及时性与灵活性，更契合风险预防的逻辑。
第二，多元化的人工干预触发方式。就最大化行政执法者的自主性而言，最直接的目标实现路径是增加人工干预的触发方式。当前，执法者自主性面临的三重制约中，“权限缺失”源于制度未提供执法人员充分的干预通道，“能力不足”则在很大程度上源于外部辅助的缺位。但是实践中，现有的人工干预触发方式仅存在两种情况：一是系统自行触发。前期在系统中设置转人工程序，一旦出现前述算法权力异化风险，即自动转入人工干预。二是以行政复议或行政诉讼的形式，在事后予以人工救济。随着司法的智能化同步发展，后期的救济可能依然是算法决策，缺乏人工干预的触发机会。易言之，人工干预主要由机器判定的外部辅助予以触发，这种设计压制了积极执法者的自主空间，使其无法基于专业判断主动发起干预，也为消极怠惰者提供了制度借口。是故，基于最大化执法者的自主性的目标定位，人工干预机制应配备多元化的人工干预触发方式。
这里使用了“多元化”的词语表达。所谓“多元化”，是指在程序设计上应该用多重方式触发人工干预，扩充发现者与发现渠道。通常而言，为确保程序节点设置的全面性，应当充分考虑在事前、事中、事后三个阶段设置人工干预触发节点。然而若行政行为尚未启动，算法权力异化风险亦不会存在。是故，人工干预的触发节点应设置在事初、事中、事后三个阶段，以保障在行政行为的各阶段都能够及时发现并控制算法权力异化风险。同时，人工干预的触发主体应包括算法决策系统、行政主体、行政相对人三方。组合配置上可分为三种形式：首先，可以在事初通过程序设置，要求算法决策系统一旦识别超越预警阈值的算法决策结果，即转入人工干预程序，以此避免执法者对算法错误的视而不见，防止行政惰性。其次，在事中的程序设计上保留行政主体触发人工干预的权能。这一设计可以有效化解权限缺失困境。此外，某些偏离正常人类价值观的错误决定可能是随着机器学习产生自主性思维后形成的，被算法视为正确答案，无法被系统识别而转向人工干预。若保留执法者的触发权能，则能够在事中及时发现并纠正此类算法决策错误。最后，事后应赋予行政相对人人工干预的触发权利。从人的自主性保障上而言，人有权拒绝其自身权益是由算法全自动化决策来评判的。若算法决策系统或人工均未识别出算法权力异化风险，则可以由行政相对人根据其权益受损感知，提出人工干预请求。从最大化执法者的自主性之目标角度来看，这种设计有助于克服执法者能力不足的制约，从外部辅助提高执法者的发现能力。
第三，符合比例原则的人工干预程度。在最大化执法者自主性的目标下，为应对其“意愿消极”的实践困境，还可借由确立人工干预行为的程度性要求予以破解。当然，程度性要求的深层价值远不止于此，其核心功能在于为被激活的执法者之自主性设置理性边界，防止执法者从消极回避滑向过度干预的另一个极端。通过对干预范围与强度的合理限定，可以在保障执法者能动性的同时，确保算法功能不被任意削弱，从而推动算法行政中人机协同目标的进一步实现。但实践中往往存在一种认知误区，即简单地将“人工干预”等同于“算法纠偏”，从而忽略了人工干预程度的重要性。如果不予以明确人工干预的程度性要求，即使提高并拓展了人工干预的能力与路径，也无法真正实现人工干预的目标效果。因为若人工干预不足，决策由算法主导，则结果可能被算法歧视所影响；而若人工干预过度，就可能退回到人工恣意行政的状态，使算法赋能成为空谈。是故，在最大化行政执法者的自主性和推动算法行政的人机协同的双重目标要求下，应在人工干预机制中确立“符合比例原则”的标准阈值，以此平衡人工能动与算法效能，实现算法行政结果的最优性。
这里使用了“符合比例原则”的词语表达。所谓“符合比例原则”，是指人工干预应当遵循及时响应与适度介入的准则，既要防止因干预不足而产生的消极怠惰，也要避免因干预过度而妨碍算法效能的正常发挥。在避免执法者怠惰干预方面，应当确立行政主体的注意义务和合理的问责机制。在意愿消极问题上，其实践通常表现为避责行为，即为了防止多做多错，从而以不作为的形式逃避被问责的可能。实证研究发现，适当的责任激励可以激发公务员的担当行为。当然，这种“责任激励”的效应建立在适当、合理的范围要求之上，因为过度的责任激励同样对避责行为具有正向影响。在以往人类执法中，当行政主体的行政行为侵犯行政相对人的合法权益时，除法定赔偿外，“对直接负责的主管人员和其他直接责任人员依法给予处分”，“情节严重构成犯罪的，依法追究刑事责任”。此类规定在法理上通过法定义务和责任的确立督促行政执法者依法履职。但若将公权力的行使者从人类执法者转变为算法，法条的威慑效力将瞬间降低，“处分”“追究刑事责任”对算法而言没有任何实质性影响。因此，需通过“威慑转向”（deterrence turn）的思路方法，确立行政主体在使用算法工具时的“注意义务”。若行政主体及其执法者未有效履行技术使用的“注意义务”，则应当承担法律责任。在责任逆向助推下，人类决策者会更加谨慎地对待算法决策结果，使人类控制发挥实质性的效用。这种责任设计是为了促使“在整个过程中总是有个人有能力并且有动力采取积极的步骤来防止不必要的结果发生”。需要注意的是，责任激励也可能反向加剧避责行为。因此，对责任的设计应表现为一种“弱激励”形式，即减少负向激励并辅助增加正向激励。具体而言，以与权限相对应的有限责任为载体，提供适度的容错纠错机制，防止过度的责任设定影响基层执法者的干预意愿。同时，可以对积极干预并弥补过错的行为予以绩效考核上的肯定式倾斜，以正向激励执法者的干预意愿。不过，正向激励在一定程度上也可能引发基层执法者的过度干预。为避免过度干预，还需明确人工干预行为的法律限制，通过启动条件与程序规则的限制性设计，避免执法者不当启用人工干预或不当干预算法的正常决策，以防止人工干预弱化技术效率和决策质量。
第四，配套性的人工干预决策反馈。就推动算法行政的人机协同目标而言，决策反馈同样是重要的实现路径之一。所谓人机协同，不仅单纯指向算法对人的赋能，还包括人对算法的优化，从而真正推动人的判断与算法输出之间形成互补。在该路径下，人工干预不再是为了避免削弱算法决策优势而抑制干预力度；相反，人工干预应充分发挥人类在批判性分析、价值判断和道德考量等方面的独特优势，以推动算法的持续改进与优化。这种以人为导向的干预策略旨在通过激发人的潜能，实现人机协同的深度融合。目前，算法行政的人工干预实践缺乏类似的配套机制，人工干预的经验难以沉淀为普遍规则，存在算法重复犯错的问题。
这里对应使用了“配套性”的词语表达。所谓“配套性”，有两个层面的意涵：一是决策反馈是人工干预整体性框架中不可或缺的一部分，并非附带性、次要的内容。控制论认为，“反馈”是控制的核心，反馈机制有助于控制系统的稳定性与有效性，实现越干预越智能的正向循环。二是决策反馈不是零散性、临时性的错误纠正机制，而是一种系统性、常规性的反馈。通过这种机制，每一次的人工干预都会成为系统进步的教学时刻，最终推动算法行政从人工纠错到自主改进的可持续性转化。同时，决策反馈实际上是将人的价值观及其动态变化及时反哺给算法，以此实现算法行政中以人为本的人机深度融合。当然，还需要注意到，人工干预所解决的问题可能是普遍的，也可能是个案独有的。为确保反馈机制的有效性，应精准剖析导致算法决策错误的具体成因，并依据不同情形差异化设定反馈形式。通过这种精细化的分类反馈策略，能够切实保障反馈的精准性与及时性。
四、算法行政中人工干预机制的因应优化
基于人工干预目标及其实现路径指引，可从四个方面对人工干预机制进行优化：一是在风险识别阶段，通过增设以损益结果为标准的风险警报阈值，提升风险识别的敏感性，确保潜在风险被及时捕捉；二是在干预触发阶段，赋予基层执法者适当的人工干预裁量权，构建三阶触发框架，以此满足干预触发的多元化需求；三是在精准干预阶段，借助责任激励保障人工干预的适当性，同时以法定限制确保干预的必要性，从而契合干预的比例性要求；四是在决策反馈阶段，针对政策更新、算法模型精准度不足以及复杂特殊情况等各类情形，分别设置对应的反馈机制，以满足决策反馈的配套性要求。
（一）新增以损益结果为标准的风险警报阈值
首先，人工干预机制中风险识别的高敏感性主要依赖于算法决策系统的主动预警功能。若仅依靠人工审核或相对人主观感知，则受限于人的能力与理性边界，大量潜在风险可能无法被及时捕捉与识别。
其次，高敏感性的实现关键在于算法决策系统中风险警报阈值的科学设置。可以构建高、中、低三级风险识别标准体系，并据此设定差异化的风险触发阈值。通过这种分层、精细的阈值管理，系统能够实现对算法运行中各类风险的全覆盖监测，确保风险无处藏匿。一旦任意层级的风险阈值被触发，系统即应自动启动预设的人工干预程序，确保算法风险能够被及时识别并得到有效控制。
最后，高、中、低三级风险警报阈值的具体设置如下：一是以超出预设权限为警报阈值。这一重风险警报阈值，是《中华人民共和国个人信息保护法》中“重大权益影响”的映射之一。由于算法权力异化风险的不确定性，若将重要权益下放给算法任意裁决，一旦出错将可能造成不可逆损害。因此，若涉及生命健康安全、公共利益、国家安全等重大事项的案件，全自动化决策应被明确禁止，由人工掌握关键决策权。虽然实践中可以通过法律保留的形式严格禁止此类案件由算法决策，但可能存在特殊情形，即个案中所涉重大权益并未被人工直观发现，因此需在算法系统中设计该重警报阈值。一旦有案件涉及此类问题，系统应激发警报效应，暂停决策，转入人工。二是以输入数据异常为警报阈值，例如录入数据缺失、超出训练范围或者录入数据存在逻辑异常等问题。三是以损益结果为警报阈值。例如，欧盟在边境管控中所使用的欧洲旅行信息与授权系统（The European Travel Information and Authorisation System，ETIAS）在算法筛选规则中设置，若自动化处理作出了肯定性的入境审核决定，则可以完全自动化决策；但若判定存在不允许入境的情形，则转向人工。
以“损益结果”而非“侵益行为”作为标准，将进一步降低风险警报阈值标准，并同时扩大风险预警范围。在行政法传统中，侵益行政行为所受约束往往高于授益行政行为，也是因为其直接涉及对公民权利的限制或剥夺，具有更高的侵权风险与后果严重性，需要通过更严密的法律控制以保障相对人的合法权益。同理而言，若行政主体拒绝行政相对人的授益申请，该“损益结果”同样对相对人的权益存在侵害风险。是故，从最小化算法权力异化风险的角度出发，此类决定在程序上应受到人工干预约束，以此降低风险发生的可能性。
（二）拓展“法定义务—程序裁量权—人工干预请求权”的三阶触发框架
人工干预的触发可以拓展为三种形式，并在程序设计上予以递进补充。
首先，以法定义务对行政主体课以人工干预的强制性要求。为避免全自动化系统的技术风险与权利侵害，人应始终存在于算法决策中，以确保算法决策的稳定性。方式上，应当以强制性义务保证执法人员主动干预算法决策。当然，强制性义务要求下的人工干预有形式与实质之区分。所谓形式性人工干预，体现为一种“人在回路上”形式，即执法人员主要作为一个旁观者监督算法进行决策，但不对决策结果提供任何主观意见。所谓实质性人工干预，体现为一种“人在回路内”形式，执法人员参与并主导决策结果的生成。在此基础上，一方面，形式性人工干预随着案件的决策启动自行激发，但此时的干预是有限制的，该阶段只是侧重要求执法者始终坚持人的自主性，在决策过程中保持专注力，以及时纠正显而易见的错误。另一方面，一旦系统识别出算法权力异化风险，则转入实质性人工干预程序。此时，执法人员没有任何拒绝的权利，须即刻履行人工干预义务。
其次，预留行政主体的人工干预裁量权。若算法决策系统未能识别出隐性的决策风险，应当适度保留行政主体是否进行人工干预的程序裁量权，使其在系统不能识别风险的情形下得以主动介入。同时，在权限配置上，基层执法者应当获得适度的人工干预裁量权，不应将对算法决策系统的调整与控制权力全部收归省级。在《中华人民共和国行政处罚法》修改前，为避免基层滥用职权，将行政处罚权主要集中在县级以上行政机关，导致乡镇人民政府和街道办事处虽然是最早发现违法行为的主体，却无处理权限。这种制度设计在一定程度上造成了“看得见的管不着”“管得着的看不见”的实践问题。在人工干预权的配置上，同样需要警惕此类情形，提高算法权力异化风险防控的及时性。
最后，赋予行政相对人人工干预请求权。若在前两个阶段人工均未主动进行干预，且决策结果是算法独立作出的，在说明理由阶段，行政主体除明确告知行政行为的事实认定、法律依据等内容外，还需明示全自动化决策情形，并告知行政相对人请求人工干预的权利与路径。
（三）明确人工干预主体的责任激励与权力边界
在应对执法者“意愿消极”问题上，责任激励的引入需以平衡为导向，既要激发干预主动性，又须避免过度问责带来的行为扭曲。为此，应建立一种弱激励导向的问责机制。一方面，在问责标准上，应立足于执法者的客观能力设定底线要求，以负面清单形式明确必须干预的情形。例如，将对存在明显错误的算法决策结果未履行干预职责，或对系统发出的预警信号超期未作响应等行为纳入问责范围，以此树立基本的履职标尺。另一方面，在激励导向上，应将人工干预的效能指标纳入绩效考核体系，通过设置肯定性评价标准引导积极履职。具体可将主动干预次数与准确率、通过人工干预发现的系统漏洞数量、从预警触发到处理完成的平均时效等作为正向评价依据，形成对依法有效干预行为的常态化激励。
当然，在责任激励下，执法者可能会从怠惰走向过度的反向不利局面，因此需要同步设置法律限制，防控人工干预主体滥用职权，影响算法的正常决策。法律限制可以从三个方面予以设置：其一，为避免执法者随意干预算法决策，造成不利影响，需对人工干预裁量权的启动设定限制条件。例如，南京市在环保领域辅助裁量系统的使用要求中规定，裁量结果变更幅度在30%—50%以内的，需要小组集体审议；变更幅度在50%以上的须经局长办公会审议批准。其二，当行政相对人提出人工干预申请时，负责二次审核的人员不应与自动化决策过程中的监督和审查人员重合。在算法行政实践中，一个常见的问题是执法人员的“自动化偏倚”，即过度依赖并盲目肯定算法决策结果。因此，如果事中的执法人员未能发现算法决策的瑕疵，那么将案件再次交由其进行评判，也会形成相似的结论，此时的人工干预实际上是一种程序空转。其三，人工干预须完整记录干预过程，并要求执法人员详细说明干预的具体理由和依据。通过这种系统化的记录机制，不仅能够确保干预过程的透明性与可追溯性，还能够为后续的审查与评估提供可靠依据，从而提升人工干预的整体效能与公信力。
（四）构建类型化的干预决策反馈机制
算法决策错误通常有三种原因：政策更新、算法模型不够精准以及复杂特殊情况。对应而言，人工干预的决策反馈机制可细化为三种类型。
第一，在政策更新的情形下，由于算法模型是依据过去的政策要求和历史数据进行的设计，新政策带来的变化颠覆了旧算法模型的运算逻辑，必然出现算法决策错误。例如，如果政府为鼓励特定产业发展出台新的税收优惠政策，基于以往旧税收政策数据训练的税务审核算法，在对相关税务企业进行评估时就可能会误判企业纳税额度。此时，人工干预后应根据政策文件的新内容第一时间修改算法模型，并在政策实施后的一段时间内，不断收集实践数据供新的算法模型巩固学习，以适应新政策的变化要求。
第二，在算法模型不够精准的情形下，由于行政事务的复杂性，诸多因素难以被直接量化，而且文字与算法并不能形成精准的对应关系，一些概念也会在实践发展中不断形成新的表现形式。例如，“因病致贫”通常可被量化为家庭收入低于正常标准，家里有重大疾病就医记录；但也可能存在家庭收入略超过标准，后续的医疗支出极高的致贫情况。针对此类情形，人工干预后应及时调整模型权重参数，促进算法对不确定性法律概念的理解，丰富算法的训练数据，使算法决策在应对复杂多变的社会事务时更具准确性。
第三，在个案特殊情况下，部分案件中存在非常规性、普遍性的个案特殊要素，而这种要素的出现，可能导致基于形式化训练的算法无法作出适应上下文的决断。例如，为送临产孕妇去医院而闯红灯。此类案件属于个案中极其特殊的情形，不具有普遍性，无法通过简单地改变或调整算法模型来解决。因此，在人工干预后，应将其作为例外案例加入算法训练数据库中，为后续相近案件的算法决策提供特定指引。
