「AI替代人工标注」是行业多年的期待，但真实情况远比想象复杂。我们综合了多家头部数据标注企业的实测数据，试图回答一个核心问题：AI辅助标注到底能降本多少？
**图像分类与2D框标注：AI降本30%-60%**。在图像分类、目标检测（2D bounding box）等基础任务上，AI预标注模型已经相当成熟。以常见的车辆、行人检测为例，主流预标注模型的mAP可达85%-95%，人工只需要修正少数漏检和误检，整体效率提升2-3倍。
**语义分割：效果参差不齐，降本20%-40%**。语义分割需要像素级精度，AI预标注的边界精度往往不够，尤其是在物体边缘、遮挡区域。对于常见类别（道路、天空、建筑），AI可以处理70%-80%的像素；但对于罕见类别或精细边缘，人工修正的时间可能反而增加。
**3D点云标注：AI价值最大，但门槛也最高**。3D点云标注是人工效率最低的任务类型（单帧标注耗时可达数十分钟），也是AI辅助价值最大的场景。通过AI预检测+人工修正，3D点云标注效率可提升3-5倍。但难点在于：3D标注工具链复杂、模型训练成本高、对标注员的空间理解能力要求高。
**主动学习（Active Learning）：从「全量标注」到「精准标注」**。主动学习是另一个被低估的效率工具。核心思路是：让模型先自动筛选出「最不确定」的样本（如边界样本、难例），只让人工标注这些高价值样本，而不是均匀采样。实测数据显示，主动学习可以在保持模型精度不变的前提下，减少40%-60%的标注量。
**人机协同（HITL）：50%-70%的项目已经采用**。行业共识是：纯人工太慢，纯AI不可靠，人机协同才是当下最优解。根据多家头部企业的数据，人机协同模式（AI预标注 + 人工质检修正 + 模型迭代）已经覆盖50%-70%的标注项目，成为行业主流生产方式。
**需要警惕的陷阱：错误传播（Error Propagation）**。AI辅助标注不是万能的。一个常见的问题是「错误传播」：如果AI预标注模型本身有系统性偏差（比如对某类物体总是漏检），人工修正时可能因为依赖AI而忽略这些错误，最终导致训练数据质量下降，进而影响下游模型效果。因此，独立的质检环节和持续的模型监控必不可少。
**未来趋势：从「标注工具」到「数据工程平台」**。行业正在从单一的「标注工具+人力」模式，向「数据工程平台」升级。这包括数据清洗、数据增强、主动学习、自动质检、版本管理、模型反馈闭环等一整套能力。对于企业来说，选择数据服务供应商时，不应只看人力成本，更要看平台的技术能力和工程化水平。