🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
过去普通人要跟政府打交道，往往得先读懂一大堆看不明白的规定，再填一沓不知道从何下手的表格。
公共管理学里给这些麻烦起了个名字，叫「行政负担」。它通常被拆成三种：学习成本（搞清楚规则到底是什么）、合规成本（把材料凑齐、把表填对）、心理成本（一次次被踢皮球、被当成号码牌对待的那种憋屈）。很长时间里，这三道坎其实悄悄替政府挡住了一部分申请——不是因为那些人不够格，而是因为他们扛不住麻烦，索性放弃了。
现在能帮你写公文、读法条、盯截止日期的智能助手出现了，这三道坎一下子被削平了不少。对老百姓当然是好事：该拿的补助能拿到，该说的意见能说出口。可是对政府来说，问题来了——过去那些「被麻烦劝退」的申请，现在一股脑全涌进来了，而受理窗口的人手和预算却还是老样子。
这不是空想。澳大利亚政府因为一波疑似机器生成的信息公开申请，开始考虑重新收费；德国部分社会法院把二〇二五年案件量同比暴涨五成半的原因，主要归到了机器代写的诉状上；美国联邦法院里自己打官司不请律师的案子，比例和篇幅从二〇二二年起都出现了「戏剧性上升」。
② 研究问题（要回答什么？）
这篇论文想回答三个问题：由人工智能带来的政务申请激增是否真的正在发生、它的风险有多大、以及政府能够怎么应对。
作者先给这个现象起了个名字，叫「智能体洪流」。它的定义有两个必要条件，缺一不可：第一，政府服务收到的请求在数量或复杂度上出现激增，并因此把受理能力撑到吃紧；第二，这个激增是因为智能助手降低了办事成本才发生的。
作者还把洪流分成两种：申请件数变多叫「量的洪流」，每一件申请变长变复杂叫「质的洪流」。这两种要分开看，因为对付它们的办法不一样——比如给网站加个「每人每天只能提交几次」的限制，能压住件数，却完全治不了一封信写到四千多页这种事。
顺着这三个问题，论文分别做了三件事：清点现实中的案例、给出一张判断哪些服务最危险的风险矩阵、以及把政府所有可能的应对手段摊开来比较利弊。
③ 研究方法（怎么做的？）
怎么证明「这事正在发生」？作者用了一个很克制的办法：不自己下判断，只收集别人已经公开认定过的案子。
扫描范围是十二个国家（澳大利亚、巴西、丹麦、爱沙尼亚、法国、德国、日本、荷兰、新加坡、韩国、英国、美国），每个国家都查同样的十三类政务领域。这十三类是把英国、美国、法国三国官方办事网站的一级栏目对照出来的——十类是公共服务（社保、医疗、教育、税务、司法……），另外三类不算服务但同样会被灌爆：公众参与、监管投诉举报、信息公开。
一个案子要进数据集，必须同时过三关，缺一不可。具体如下：
- 第一关 · 机制说得通：得能讲清楚人工智能具体是怎么帮人省掉成本的，比如「它帮你写投诉信，你再网上一交」。
- 第二关 · 确有变化：官方声明或官方动作里能看到需求真的变了，而且变的样子和第一关说的机制对得上。光看数字曲线在涨不算数。
- 第三关 · 有人明确归因：必须由政府部门自己，或者一家靠谱的第三方（主流媒体、法律行业刊物、同行评议论文）公开说「这是人工智能造成的」。
找案子的过程是「人机接力」：先让带联网搜索的大模型按「国家＋领域」组合海选候选服务，再让另一个模型反复补资料、自我审稿，最后由真人拍板收不收。为了防止模型瞎编，作者做了三道保险：所有案子人工复核、所有输出强制走结构化格式好逐项核对、以及所有网址都从接口返回的搜索元数据里直接抠出来，不让模型自己写网址。
④ 结果（发现了什么？）
研究团队在十二个国家扫描后，最终确认了八十四个疑似案例，横跨十一个辖区和十三类政务领域。
这个数字来得很不容易：海选阶段一共冒出 2288 个候选服务（每国约 190 个），最后能同时过三关的不到二十分之一。卡人最狠的是第三关——要有人公开把锅甩给人工智能。
11 个辖区 · 13 类领域
靠大模型生成文本
两者兼有 50%
由政府自己认定
几个最值得记住的发现：
- 手法惊人地单一。87% 的案例都是同一招——让大模型便宜地写出一篇像模像样的法律文书，剩下的提交步骤还是人手动点。真正「智能体式」的自动浏览网页、自动填表，目前一个都没看到。
- 「变复杂」比「变多」更普遍。质的洪流占 90%（76 例），量的洪流占 60%（50 例），两样都占的有 50%（42 例）。德国社会法院某些案子的诉状，篇幅一度超过四千页。
- 司法口最受伤。占比最高的是司法与法律服务 23%（19 例），其次是监管投诉 12%（10 例）、社会保障 11%（9 例）。公共服务与司法类合计 73%，公众参与和信息公开这类非服务渠道占 27%。
- 绝大多数是好人。多数案例是普通人善意办事；少数是个人恶意牟利（巴西有人拿机器伪造的病历去骗病假津贴）；极少数是有组织的对抗性行动（大批量信息公开申请、美国的选民资格集体质疑）。
- 眼下的冲击其实不算大。能看到公务员加班、部门喊着要加预算、要求修改法定答复义务，但和历史上那种大规模灌水评论运动相比，压力还算温和；政府一旦出手，效果也不错。
⑤ 讨论（这些发现说明什么？）
这件事最容易被误解的地方是：它不是黑客攻击。
网络上那种把服务器打瘫的攻击，流量本身是假的、非法的，掐掉就完了。智能体洪流恰恰相反——每一份申请单独看都完全合法，甚至政府还负有法定义务必须逐份处理。这才是它真正棘手的原因：你没法「拦截」，只能要么让大家更难提交，要么让自己处理得更快。
作者把政府所有可能的招数摊开摆成两条路。第一条路叫「压需求」：收费、身份核验、每人限提交几次、直接封掉机器人、甚至削减待遇或收紧资格。这条路最大的好处是快——有支付系统就能马上收费，日本某次意见征集直接按 IP 封堵，几乎不需要改造什么。
但代价很实在：门槛一加，被挡在外面的从来不是有钱有闲的人，而是更穷、更不会用数码工具、更弱势的那一群。这就制造了「程序性不平等」；如果涉及的是打官司，那损害的直接是「接近正义」的权利。而且办事体验一差，老百姓对政府的信任也跟着往下掉。更讽刺的是，智能助手本来是来提升可及性的，加摩擦等于把这份好处又亲手关了回去。
第二条路叫「扩容」：加人、重新设计服务流程、或者政府自己也用上智能体来处理案件。这条路没有公平性代价，甚至能顺带把政务数字化这件拖了几十年的事往前推一把。问题是它太慢——要跨部门协调、要立法、要真金白银先投进去，动辄几年十几年，等洪水来了再动手根本来不及。
于是作者担心的剧本是：每次真出事，政府发现手边唯一来得及用的只有加摩擦，于是一次又一次地选它。这正是林德布洛姆半个多世纪前说的「摸着石头凑合过」——短期、被动、组织是保住了，但公众的利益没被优化。
⑥ 结论（最终结论 + 启示）
作者的总体判断是，智能体洪流确实已经在很多国家的政务服务里发生，但目前还不至于把政府压垮。
真正值得警惕的不是「系统崩溃」，而是预算被迫调整和办事体验变差，尤其是当政府为了挡住洪水而重新加上门槛的时候。
论文最实用的部分是最后三条建议，它们的价值不依赖于你能不能预测人工智能下一步走到哪——所以现在就可以做。具体如下：
- 做一次体检：按风险矩阵把本国所有服务过一遍，排出「谁最容易被灌爆」的优先级清单。
- 推数字身份：有了可靠的身份核验，才能做到「每人限提交几次」这种精准限流，同时还能自动预填资料、反过来降低老实人的办事成本。全球已有一百多个辖区建了数字身份，但成熟度差得很远。
- 把法律问题问清楚：收费、限流、封渠道、用机器审案，到底哪些在现行法下合法？这个问题不提前搞清楚，真出事时政府反而会因为不敢动而错过窗口。
换个角度看，这场洪水其实也是个机会：数字政务学界呼吁了几十年的结构性改革，这次终于有了一个足够迫切的理由去做。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
本文处理的是一个由生成式人工智能扩散所催生的公共行政新问题：当智能体大幅削减公民与政府交互的交易成本时，长期依赖「摩擦」维持供需平衡的公共服务将面临何种冲击。作者将该现象命名为政府服务的智能体洪流（agentic flooding of government services）。
议题源流。行政负担（administrative burden）文献长期关注的是交易成本如何抑制应得者的申领（Moynihan et al. 2015；Halling and Baekgaard 2024；Madsen et al. 2022 对 sludge / red tape / ordeals 诸概念的综述）；部分政府甚至刻意维持负担以压低 take-up（Peeters and Widlak 2023；Zeckhauser 2019）。本文正是把这一文献反向使用：若负担被智能体系统性抹平，被压抑的潜在需求将被释放为对受理端的压力。Iscenko et al. (2026) 估计约 1% 的 Gemini 请求与政务交互相关，提示该冲击已具规模基础。
文献空白。既有研究要么测量智能体对政务界面的可及性（Jordan et al. 2026 的 RADAR；Majithia et al. 2026 的 CitizenQuery 基准；Yun et al. 2024），要么在理论层面推演（Piedrahita et al. 2026 的「拥塞式官僚制」；Shahidi et al. 2025；Brynjolfsson and Hitzig 2025），均缺少跨辖区的经验刻画。Shah and Levy (2026) 提供了单一场域（美国联邦法院）的证据。
三项贡献。(1) 提出并界定 agentic flooding 概念，区分「量的」与「质的」两类；(2) 基于 11 个辖区、84 个案例的原创数据集刻画其现状与机制；(3) 提出风险矩阵与政府回应分类学，并给出三项近期可执行建议。数据集与全部提示词、编码模式、编排代码公开于 github.com/CLSchmitz/flooding-dataset。
I. Theoretical Framework & Hypotheses（理论框架与假设）
本文为概念化 + 经验刻画型研究，不设可证伪假设，而以三个研究问题组织全文，并明确将新概念与既有相邻概念作边界切割。
| 编号 | 研究问题 / 命题 | 对应理论资源 |
|---|---|---|
| RQ1 (§4) | 智能体洪流是否正在发生，以何种形态发生 | 行政负担三分法（Moynihan et al. 2015）；负担下降推高需求的先例（O'Brien et al. 2016；Garnett 2022） |
| RQ2 (§5) | 风险有多大，哪些服务最暴露 | 风险矩阵（Kaplan and Garrick 1981）；surge capacity（Hick et al. 2009；Bonnett et al. 2007）；组织冗余 slack（O'Toole and Meier 2010；Hendrick 2006） |
| RQ3 (§6–7) | 政府可如何回应，各自代价为何 | ordeal / screening 机制（Nichols and Zeckhauser 1982）；服务体验→政府信任（Van De Walle and Bouckaert 2003）；渐进主义 muddling through（Lindblom 1959） |
核心定义。智能体洪流＝政府服务所收请求在数量或复杂度上的激增，且须同时满足：(1) 该激增使其受理能力吃紧；(2) 该激增由智能体降低交互成本所促成。「智能体」取 LLM 驱动、具一定自主性与工具接入的系统（Kasirzadeh and Gabriel 2025），涵盖已集成搜索的消费级 LLM；「政府服务」作宽泛解，兼含公共服务与公众参与、司法程序、信息公开等非服务型交互渠道（Osborne 2018）。
与相邻概念的区别。与 DDoS 相比：洪流的每一份提交单独合法，且政府常负法定处理义务，无法以「拦截非法流量」的逻辑处置；与大规模灌水评论（Balla et al. 2022 的 mass, computer-generated and malattributed comments）相比：洪流以分散的、真实身份的、善意的个体申领为主，而非有组织的冒名运动，且作者明确指出目前压力小于该历史先例；与行政负担相比：后者是加诸公民的成本，洪流则是该成本被技术抹平后回流至国家能力端的镜像效应。作者称其工作验证并扩展了 Piedrahita et al. (2026) 的「拥塞式官僚制」框架。
机制推导。依理性行动者模型（Nichols and Zeckhauser 1982），个体在预期收益超过提交成本时申领；个体层面常偏离（Currie 2004；Bhargava and Manoli 2015），但总量层面近似成立（van Oorschot 1991）。故成本下降应推高请求量。Table 1 将智能体能力逐一映射至三类负担：长上下文 LLM 对应学习成本，浏览器工具与多模态文档解析对应合规成本，记忆与外部通信工具对应心理成本。供给侧亦有激励：索赔管理公司类中介长期以模板化批量提交分成牟利，已有厂商以 AI 为卖点（DoNotPay 2026）。
M. Materials & Methods（材料与方法）
- 识别策略：非因果设计。本文采用跨辖区目的性抽样 + 结构化案例编码（质性内容分析），作者明确声明该方法「不支持关于洪流普遍程度或智能体作用的因果、定量或统计推断」。无 DiD / RDD / IV / 实验设计，无回归模型，无系数与 p 值。
- 抽样框 · 国家：12 国——澳大利亚、巴西、丹麦、爱沙尼亚、法国、德国、日本、荷兰、新加坡、韩国、英国、美国。按两维度做变异抽样：(a) OECD 数字政府指数——含最高五名中的 3 国（韩国、澳大利亚、英国）、得分 >0.8 的 3 国（爱沙尼亚、丹麦、法国）、<0.8 的 3 国（巴西、日本、荷兰）、无 OECD 数据的 3 国（美国、德国、新加坡）；其中 4 国（爱沙尼亚、丹麦、新加坡、韩国）设有强制性数字身份。(b) 行政传统（Painter and Peters 2010）——盎格鲁-美利坚、拿破仑、日耳曼、斯堪的纳维亚、东亚、拉美、后苏联七系，普通法与大陆法近乎各半。
- 抽样框 · 领域：每国扫描同一份 13 类清单，由 GOV.UK、USA.gov、Service-Public.fr 三国门户一级栏目取交集得 10 类公共服务，再依定义补入 3 类非服务渠道（公众参与、监管投诉与举报、信息公开与透明）。
- 纳入标准（三条须全部为真）：(1) 机制——存在可信且具体的 AI 降本路径，由作者依服务设计自行判断；(2) 需求变化证据——见于官方声明或官方行动（或其他高质量来源），且与 (1) 的机制相容，有原始量数据时须体现，单凭量数据趋势不构成满足；(3) 外部归因——由政府来源（新闻稿、官方通讯、政策更新）或权威第三方（主流媒体、法律/行政专业刊物、同行评议成果）明确将该变化归因于公众的 AI 使用。
- 编码模式（Table 5）：每案为一份 JSON 文档，字段分七组——识别（case_id / service_name / country / jurisdiction_detail / government_body / include / tldr / analysis）；洪流类型（
flooding.qualitative、flooding.quantitative两布尔值）；机制（含mechanism.primary_is_text_generation、interface_description）；证据；归因（含来源与描述）；年度量数据volume.annual.{2018..2025}及逐年来源注记；政府回应（action_explicitly_for_ai、action_for_general_surge、categories[]）；来源清单与管线元数据。三条纳入标准各自带一个meets_inclusion_criteria布尔值，三者皆真方可入库。 - LLM 辅助编码管线（Ye et al. 2024；Dunivin 2025），三阶段：
· 发现：以「国家＋领域」为提示，联网搜索模型返回候选服务（正文称 20–30 个），共得 2288 个候选（每国约 190 个），人工审查后放行 2210 个（96%）进入迭代；
· 迭代：无人介入，在「精修调用」与「审查调用」间循环，精修调用返回 JSON Patch 操作、推荐动作与后续步骤，由 harness 确定性地套用；审查调用作怀疑式评估并返回 finalize / remove / iterate 与字段级质疑，最多 5 轮；
· 定稿：由第一作者经极简网页界面逐案裁定（收录 / 剔除 / 带书面意见退回迭代）。 - 编码信度：作者明确声明未做评分者间信度（no inter-rater coding），亦未以人工基准对 LLM 做性能评测，仅报告人机一致率：发现阶段人工采纳 2210/2288＝96%；定稿阶段对 2210 案中的 2182 案（98%）采纳了模型推荐动作，且模型最常推荐的动作是剔除（占 95%）。故本文不存在 Cohen κ 一类系数。
- 防幻觉三重保险：(1) 迭代前与定稿前两次人工核验全部案例；(2) 强制结构化输出 + 标准化 JSON，使机构名称、案件数等关键字段可确定性校验，迭代计数与审查意见亦被追踪传递；(3) 网址不由模型生成，而从 LLM API 响应的联网搜索 grounding 元数据中确定性抽取，作者再逐一访问核对关键数字。
- 模型与成本：发现与审查调用用
Gemini-3.1-Pro-Preview，迭代调用用Gemini-3.1-Flash-Lite；发现与迭代开启搜索 grounding，审查关闭；temperature = 0；产出最终数据集的 token 成本约 200 美元。作者承认模型与搜索组件均不保证确定性，重跑未必复现同一数据集。
R. Results（结果）
- 筛选漏斗：2288 候选 → 2210 进入迭代（96%）→ 最终收录 84 例，覆盖 11 个辖区与 13 类服务领域，通过率不足 1/20（约 3.7%）。作者指出最大的卡点是纳入标准 (3) 的外部归因要求。注意：扫描 12 国而收录仅覆盖 11 辖区，即有一国未产出任何合格案例（论文未指明）。
| 维度 | 取值 | 数量 / 占比 |
|---|---|---|
| 归因来源 | 政府官方认定（含第三方佐证） | N=58 · 69% |
| 仅第三方来源认定 | N=26 · 31% | |
| 渠道类型 | 公共服务与司法类 | 73% |
| 非服务型交互渠道（参与 / 透明） | 27% | |
| 领域 Top3 | 司法与法律服务 | N=19 · 23% |
| 监管投诉与举报 | N=10 · 12% | |
| 社会保障与福利 | N=9 · 11% | |
| 洪流类型 | 质的洪流（复杂度↑） | N=76 · 90% |
| 量的洪流（件数↑） | N=50 · 60% | |
| 两者兼具 | N=42 · 50% | |
| 使能能力 | LLM 廉价生成法律文书 | 87% |
| 数据完备度 | 具备年度量时序数据的案例 | N=25 / 84 |
- 机制高度单一：87% 的案例为「LLM 生成文本 + 人工手动完成其余流程」。自主浏览器导航等更成熟的智能体用法尚无证据。作者给出两种解释：一是文本生成较浏览器导航更成熟可及（Zhou et al. 2024 的 WebArena）；二是抽样偏误——案例多因官员察觉提交内容异常而进入数据集（69%，N=58），而受限于短字段或结构化表单的智能体提交在外观上与人类无异，其影响只能经「件数」观察，而件数又受诸多混杂因素影响（Siciliani et al. 2013），官员较少将其归因于 AI。
- 10 个示例案例（Table 2）：A 澳大利亚联邦信息公开申请（量）；B 德国社会法院诉讼（质＋量）；C 德国环境影响评价 UVP 公众意见（质＋量）；D 巴西 INSS 临时伤病津贴（质）；E 英国网上小额钱债索赔 MCOL / OCMC（质＋量）；F 英国地方规划 Reg 18/19 咨询（质＋量）；G 日本能源基本计划公众意见征集（质＋量）；H 韩国民事电子诉讼督促程序（质）；I 荷兰市政 WOZ 房产估值异议（质＋量）；J 美国选民资格质疑与名册清理提交（质＋量）。
- 善意 / 恶意分布：多数为善意普通用户；少数为个人牟利型恶意（D 案以 AI 生成的医疗证明骗取伤病津贴）；少量为有组织对抗性行动（批量 FOI 申请、J 案选民名册质疑）。
- 影响强度：整体温和。可见公务员超负荷、追加预算呼声、要求改革法定答复义务（E 案）；极端个案如 B 案单份诉状逾 4000 页；德国社会法院将 2025 年案件量同比 +55% 主要归因于 AI 代写。但与大规模灌水评论运动的历史先例相比压力较小，且政府已有回应（A 案恢复 FOI 收费、C/G 案批量驳回意见）看来有效。
- 高危服务画像：数据集内较高严重度的案例（I 税务估值异议、B 社会法院诉讼、E/H 民事索赔）共享两项属性——(1) 单次成功提交个体后果重大（对申请人具财务价值，或触发法定处理义务）；(2) 其韧性历来源于摩擦而非设计（缺乏结构性的篇幅或件数上限，历史上由提交复杂度与所需法律/专业知识充当守门人）。据此推断近期风险最高者为税务征管与法院系统。
- 风险矩阵（Figure 3，共 13 项因子）——可能性侧 5 项：F1 智能体能力进展、F2 相关能力的可及广度（文本生成已免费普及，但最强智能体仍需付费，可能使洪流局限于较富裕用户，Humlum and Vestergaard 2025；Sharp et al. 2025）、F3 服务界面设计（复杂登录流、重 JavaScript 前端、线下到场要求可阻挡智能体）、F4 提交所需努力（努力越高被压抑的真实需求越多；但「每人每年一份报税表」式硬性上限可封顶）、F5 提交的预期收益。严重度侧 8 项：F6–F9 既有服务的效率与弹性即 surge capacity（结构化标准化数据可实现直通式处理；数字身份可省去人格确认）、F10 刚性预算与待遇政策、F11 法定处理义务（答复要求、解释权立法）、F12 预算按远低于充分申领的 take-up 编制导致 slack 低、F13 单次成功提交的下游成本高。
- 政府回应的实际分布：56% 的案例中政府作出了明确回应，但多为范围狭窄或不具约束力者（如发布 AI 使用指引）。按类别：加摩擦 14 例（17%）；服务重设计 13 例（15%），且清一色是小改动（如 H 案新增案件编号真伪核验服务），无结构性改革；在处理端部署 AI 工具 21 例（25%）（如 F 案对海量意见做情感分析、D 案提升 AI 伪造医疗证明的检出率），且绝大多数是只承担单一环节的有界工具，与公共部门 AI 缓慢零散扩散的既有规律一致（Neumann et al. 2024）。
a / D. Discussion & Conclusion（讨论与结论）
- 核心论断：证据面广，但不支持洪流已对政府构成严重运营风险的判断。参照以往技术变迁引发的需求激增（Verhoeven 2024；Balla et al. 2022），加摩擦类措施很可能足以缓解其运营冲击。
- 关键权衡（本文的规范性主张）：压需求路径快但不公——摩擦对更贫困、数字素养更低、更弱势者的劝退效应不成比例，实际上在筛选谁能使用公共服务（Peeters and Widlak 2023），造成程序性不平等，在法律服务领域直接削弱「接近正义」，并经服务体验侵蚀政府信任（Van De Walle and Bouckaert 2003；Christensen and Laegreid 2005），还会抵消智能体本可带来的可及性收益。扩容路径无此代价但太慢：需提前投资、跨部门协调乃至立法，大型项目动辄数年至数十年，在激增已发生后基本不可用。
- 理论意义：作者由此预判一条「压需求再度成为默认回应」的路径——不是因为它更优，而是因为事到临头它是唯一来得及部署的干预。这被明确诊断为 Lindblom (1959) 的「摸着石头过河」：迭代、短期、被动的适应，能维持组织运转但通常不优化公众结果。此外，加摩擦还面临三重实务约束：部分摩擦随能力提升而失效（CAPTCHA 已不可靠，Plesner et al. 2024）；部分在法律上被禁止（多辖区禁止对福利申请收费，SSA 2026）；且对对抗性行为者与质的洪流基本无效。
- 三项近期建议（§7.1，其价值不依赖对 AI 进展的预测）：(1) 审计暴露度——用风险矩阵对服务组合排序，产出优先级清单及各自适用的回应类别；(2) 制定数字身份策略——强身份核验可实现按人自动限流、抬高对抗性洪流门槛，并支持已知数据预填、同时降低应得者的申领成本与政府的处理成本；全球已有逾 100 个辖区具备数字身份基础设施，但成熟度差异极大（Metz et al. 2024），应优先整合进最暴露的服务；(3) 建立法律确定性——就每一类回应手段委托内部法律审查，厘清何种形式在现行法下可行；作者强调法律模糊本身就是预防性行动的障碍。
- 局限 · 方法论：管线只收集阳性实例，不测量每辖区被评估服务的覆盖比例，故 §4–§6 的统计量不可外推至研究国家之内或之外，亦不作国别比较。其他偏误来源包括国家与领域清单的选择、发现阶段候选服务的选择、各国公开讨论行政事务的传统差异，以及 LLM 在不同语言上的性能差异（全部提示词均为英语）。
- 局限 · 推断强度：要求显式第三方归因虽提升置信度，但很可能漏掉大量符合定义的案例，也可能误纳少数；未强制要求时序量数据，仅 25 例具备，故连相关性层面的定量主张亦无法作出。尽管多轮人工复核，仍无法排除 LLM 幻觉风险，且仅有人机一致率、无评分者间信度、无人工基准对照。
- 局限 · 概念部分：§5 与 §6 的风险因子与回应分类学主要基于先例与理论而非本文数据；作者未将自有数据置入风险矩阵，未评估任何政府回应的成效，回应分类学也抽象掉了各辖区具体的法律约束。
- 未来研究：对特定服务的洪流相对普遍程度作更严格分析（量时序的定量分析、公民 AI 使用调查、智能体使用数据分析）；检验数字政府成熟度（尤其数字身份）对风险与严重度的作用；在单一辖区内实证验证各风险因子的预测力；实证测量各类政府回应的有效性与外部性。
- 资助与出处：Schmitz 由 Dieter Schwarz 基金会经 Hertie School 资助，部分工作完成于 GovAI 季节性访学期间。论文已被 AAAI AIES 2026（第 9 届 AI、伦理与社会大会，2026 年 10 月 12–14 日）接收；数据集、提示词、编码模式与编排代码公开于 github.com/CLSchmitz/flooding-dataset。
🧠 IRMaD 思维导图
mindmap
root((政府服务智能体洪流))
I 引言
代理帮公众办政务
行政负担被抹平
德国社会法院增五成半
澳洲拟恢复 FOI 收费
可及性提升反噬受理端
R 问题
洪流是否正在发生
以何种形态发生
哪些服务最易受冲击
政府可如何回应
各类回应代价为何
M 方法
12 国 13 类领域扫描
三条纳入标准须全真
结构化案例编码模式
LLM 辅助质性管线
2288 候选筛至 84
人机一致率 96 与 98
无评分者间信度
R 结果
84 例横跨 11 辖区
87% 靠文本生成
质 90% 量 60%
司法法律占 23%
官方认定占 69%
仅 25 例有时序数据
政府回应率 56%
a 讨论
每份提交单独合法
故不同于 DDoS
摩擦见效却损公平
扩容无代价但太慢
恐退回摸石头过河
D 结论
尚不至压垮政府
审计服务脆弱性
推数字身份整合
厘清措施合法性
不必预测 AI 进度
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。