arXiv 上挂了一篇被 NGEN-AI 2026 收了的论文，搞了个叫 CoPlan 的多智能体系统，专门做居家养老的护理规划。学术上这套设计确实漂亮——不直接甩个 AI 护理方案，而是搞几个专门化的 agent，有的负责给建议，有的负责提反对意见，搞出个"可争议的论点图"，让人类护理规划者在这个图上接受、拒绝、修改，最后再生成计划。
故事讲得真好，账本上不这么写。
先算笔账。CoPlan 这套逻辑，AI 生成候选干预措施，生成支持性论点，生成质疑性论点，然后让人类专家来拍板。这背后是什么？是多次 LLM 调用，是多个 agent 之间的协调开销，以及——最要命的——一个能看懂这些论点、有能力逐条判断接受还是拒绝的人类专家。你以为 agent 替你省了人力？不，它对专家时间的消耗，可能比让专家从头写一份计划还大。我以前算过一次类似的账，当时漏算了一项：人类专家在"审查 AI 输出"和"从零自己做"之间的时间成本差。审查往往更慢——你得读它写的、判断对不对、改不对的地方，这个认知负荷比你自己写一份还重。这笔账我一开始算错了，后来才发现。
谁买单？居家养老这个场景，利润本来就薄得像刀片。你跟机构说"我给你部署一套多智能体系统"，他第一句话不是问可争议性，是问一个月多少钱。你在"护理规划"这个环节上叠一层 AI，省下来的那点管理时间，能不能覆盖系统的部署成本、维护成本、以及培训那帮人用这套系统的成本？
账算不过来。说句扫兴的，医疗和养老场景里的 AI 项目，死法都差不多：demo 跑得无比丝滑，落地的时候发现，真正的成本不在算法，在那个"人"身上。
每次看到论文里写"调度智能体进行实际后续跟进"，我就想笑。你知道实际养老场景里的"后续跟进"是什么吗？是护理员今天拉肚子没去成，是老人家属临时改了主意，是护工公司这周换了三批人。你让一个 agent 去跟进这些事？最后还是得打电话，还是得人在群里扯皮。agent 在这里能干的，顶多是个提醒功能——那我要这套多智能体系统干嘛？设个闹钟就行了。
那怎么办？你要真想在养老护理里用 agent 赚钱，别碰"护理规划"——那是机构管理层的活，人少，收不上来钱。去碰"家属沟通"和"护理记录的结构化提取"。家属沟通是高频痛点，每个护理员每天要跟五六个家属汇报情况，用 AI 做摘要和结构化，ROI 立刻就算得过来。护理记录结构化也是——一堆手写的东西，喂给模型提取，省的是后端保险和合规的人力。这两条路，都是脏活累活，没人给你发顶会论文，但账本上记得住。
本期认知税：以为"技术越复杂、场景越严肃，就越能收上来钱"。在养老这个场景里，严肃是免死金牌的反面——它意味着合规成本、信任成本、和人打交道的无穷无尽的摩擦。
这笔账，你自己算。咱下篇见。