如果AI的准确率能做到90%，剩下的10%，谁签字？
上周末我参加了一场沙龙，创小融和「财AI客厅」办的「AI非共识实验室」，主题就很反AI大会：AI进入脏活累活之后，到底还有什么机会？
一下午聊下来，我把现场的讨论和自己做项目踩过的坑合在一起，整理出了一张检查清单。我管它叫《FDE场景准入四问》——一个AI想法，如果回答不了这四个问题，就建议先别上。
先说现场聊到的几点启发。
90%准确率,老板为什么还是不敢用？
这个话题来自对AI处理数据准确率的讨论。现场有人展示了AI参与审计和数据处理的想法。随后一位嘉宾提到：
以前的财务软件虽然复杂，但计算逻辑固化对了，后面可以一直按同样的规则跑。而AI每次都有可能错。就算准确率到90%，企业敢用吗？剩下的10%谁检查？AI做完还要加一个人复核，省下的工时还剩多少？一旦出错，谁签字，谁担责？
讲到这儿，话题开始从技术讨论，变成了企业经营问题。
这是真干过的人才能提出的问题。很多企业看演示时很容易被数字打动：准确率90%，速度提升一倍，几分钟干完过去几小时的活。听起来很唬人。
可一旦把AI放进财务、审计、合同审核、供应链这类业务，老板要问的还有后半句：那10%的错误会出在哪里？
如果只是内部参考，错一处改掉就行。可如果算错一笔账、漏掉一条合同风险、给错一次补货建议，损失可能远超省下的工时。
现场有句话让我很有共鸣：企业里只要结果需要签字，就一定要有人对它负责。
我做知识库项目时也一样。搭完问答智能体只是开始，还要整理真实业务问题、做评测集、检查答案来源，确认哪些问题允许模型直接答，哪些必须由业务人员复核。
我现在评估企业的AI场景需求，除了确认实现逻辑，还会追问三件事：允许错多少？错一次的代价有多大？人准备在哪个节点复核？
这三个问题不清楚，90%只是一个好看的平均数。
尾款难收，是前面欠的债
活动中有人聊到AI项目尾款难收。这个话题一出来，在场做交付的人都无奈苦笑。
大企业的回款流程其实很正规，只要里程碑完成，钱总会往下走。难点在于：AI项目的里程碑怎么写？
客户说想做个知识助手，合同里也写"完成一个知识助手"。可做到什么程度算完成？能创建出来算吗？能回答几个问题算吗？业务人员真用过才算吗？试用后提的新需求，多少算原来的范围？
我自己就吃过这个亏。
有个项目沟通交付了很多轮，到了结项阶段，我们还在重新翻会议记录、文档、反馈，对着工时一条一条跟客户解释：哪些工作做了，哪些变化超出了最初的约定。那个下午我一边整理一边想，这些事要是签合同那天就谈清楚，双方就都不用这么折腾了。
现在回头看，尾款只是最后显出来的结果。前面真正缺的，是一套双方都认的验收办法。
知识助手要提前约定：用哪些真实问题测试、答案准到什么程度、出处能不能点回原文、资料里没答案时怎么处理、谁试用、谁有权确认通过。
开发前把这些谈清楚，项目启动会慢一点。但后面少改几轮、少争几次，时间很快就省回来了。
有些步骤，真的不需要AI
现场一位长期做供应链软件的嘉宾，分享了一条我很认同的实施原则：
底层能确定的流程和规则，先固定住，不能都让AI来猜。大模型更适合处理异常、理解不标准的表达，以及在多个方案之间做判断。
比如算税额、校验字段、执行固定审批条件，这些有明确公式和规则的事，用代码、工作流去做反而更稳。
AI更合适的位置是：员工说"来瓶可乐"、"补一点货"时，能识别这种随口的话背后对应哪个商品、哪个仓库、多少数量。这种表达太随意，规则列不完，正好让模型理解意图、提取参数，剩下的计算交给代码。
我在现场也补了一句：如果一项数据测算从头到尾都有模型参与，即使任务拆成很多层，也没法保证每次结果完全一样。真要上线，得拆开——能写死的逻辑写死，需要理解判断的地方用模型，后面留一道复测或人工确认。
我见过不少项目，为了显得"AI Native"，恨不得每一步都塞一个Agent。看起来很NB，背后则是随机性、调用成本和排查难度一起等着和你算账呢。
我的判断是：FDE进入企业后的第一个关键决策，是把AI从几个不该出现的节点上拿掉。
新问题如果比原来的问题更贵，这套方案就没有创造价值。
AI来了，才想起补三十年前的课
有位做了30年财务的嘉宾，梳理了企业从信息化、标准化、数字化走向AI的几个阶段。他的观点是：信息如果还留在口头、纸面或少数人的电脑里，各部门对同一个数据没有统一口径，AI就没有可以稳定使用的基础。
后半场聊到项目时，这个问题又冒出来一次。
有人吐槽：客户总觉得自己的数据没问题，只差一个架构师。架构搭好了，AI自然就能跑。而真正做过交付的人只是笑笑——我们花掉的大部分时间，还是在帮企业做数据治理。
我也不例外。
最近一个知识库项目，客户给了上百份文档，看上去资料很齐。真正处理时，重复版本、失效文件、错位表格、识别不出的图片、丢失的页码，一个一个全跑出来了。有些文件名里还带着"最终版""最终确认版""最终肯定不改版"。
结果呢？哪个版本有效，得有人确认。图片缺了，得补说明。表格切错了，得人工修。最后入库的每一份资料，都得有人对它负责。
很多AI项目还要对接客户内部系统，坑更多。一个合同审核助手单独能跑通，只说明它有审核能力。但客户要的是它进自己的OA审批流：能对比新旧合同、修改意见能回写、原来的审批人还能继续签字。
这时候FDE做的，是和客户约定接口格式、数据交互逻辑——全是AI之外的活。
数据治理、流程梳理、接口对接、权限配置、业务试用、问题整改、评测验收，这些大家口中的脏活累活，才是AI能不能跑通的根基。
企业主看到的只是个对话框，FDE看到的，是它背后有没有一条完整的业务链。
四个问题，回答不了就先别上AI
活动结束，我把讨论和自己的项目经验合在一起，整理成四个问题：
第一，这个场景想改变什么业务结果？谁会每天用它？
第二，哪些步骤可以固化成规则？哪些步骤确实需要AI判断？
第三，AI出错会造成什么损失？谁复核？谁负责？
第四，准备用哪些真实样本测试？做到什么程度才继续往下投钱？
如果你现在回答不了这四个问题，我的建议是：先把想法收缩到一个岗位、一个任务、一批真实样本，把数据、流程、责任和验收跑通，再来重新评估。
FDE这个角色的要求，不只是懂模型、知识库、工作流和Agent。更要进入业务现场，把老板的一句话需求拆开，找到真正值得做的任务；和业务专家定规则，跟技术人员确认接口和边界，再找到愿意试用、愿意确认结果的人。
FDE做的，常常就是这些不太好展示的工作。
而项目最后能不能用、钱能不能收回来，偏偏由这些工作决定。
最后，我把这四问扩充成了一张《FDE场景准入四问检查表》，每条下面都会带具体的追问示例。
建议先收藏这篇文章，对照你手上的项目一条条过。需要检查表原件的，后台留言：准入四问
我是申悦，企业AI顾问，解决方案型FDE。提供企业AI培训、AI落地方案咨询、AI智能体设计和运营陪跑服务。服务过东风集团、海亮集团等世界500强企业。如果你的公司正在AI转型、知识库建设和智能体落地，点击文末左下“阅读原文”查看合作方式，加V详聊：s2dongman
热门跟贴