用一页立项表约束AI试点范围

AI 试点最容易卡住的，往往不是模型选错，而是跑完之后没人说得清：到底有没有变好，值不值得继续投入。作者给出一份只有一页的启动简报，用 13 个字段，把业务范围、验收指标、数据权限和退出条件提前写明。

它的结论很直接：先约定怎样判断成败，再开始试点。这不是经过对照实验验证的方法，而是一套项目约束模板。对要把 AI 接进实际流程的程序员，它能帮助团队把演示效果变成可验收的任务。

一页纸要解决的是范围失控

作者认为，如果试点简报需要写十页，范围可能还没有缩小到适合试点的程度。一页不是排版要求，而是逼团队做选择。

首先只能选一个流程，并用一句话交代输入和输出。「改善客户体验」太宽，无法确定系统到底负责什么。接着写清不做什么，避免到了第 3 周，试点已经被不断追加的需求拖成正式项目。

负责人也只能有一个，而且这个人必须有权说「验收通过」。使用者是谁、有多少人，同样要提前明确，因为输出最后要有人每天接着用。

下面这份原始模板，把启动前需要回答的问题集中到一起：

AI PILOT BRIEF

1. Process        One process, named in a sentence.
2. Owner          One person who can say "accepted".
3. Users          Who uses the output, how many.
4. Baseline       Volume per month; minutes per item; error rate today
                  (measured on a sample of N = ___ items, date ___).
5. Target         Number(s) that mean success, per metric, with the
                  measurement method.
6. Data           Source, format, who owns it, personal data? (Y/N),
                  can it go to an external service? (Y/N, who decided).
7. Golden set     Size, who labels it, where it lives, frozen on ___.
8. Human path     What goes to a person, who handles it, time limit.
9. Out of scope   What we are explicitly not doing.
10. Timeline      Start, checkpoint, decision date. Length: 2 to 6 weeks.
11. Cost          Pilot budget, expected running cost per month.
12. Risks         Top three and what we do about each.
13. Decision      What happens at the end: scale, change, or stop,
                  and the rule that picks between them.

尤其要看第 4 行：基线必须附带样本量和测量日期。实在不知道，可以填「未知，第 1 周测量」，但不能留空。

成功标准必须先于模型结果

没测过人工处理耗时，试点结束就很难证明节省了时间。只看 AI 输出得快，也无法回答整体流程是否改善。

因此，作者要求基线至少包含每月处理量、每条耗时和当前错误率；目标则要写成数字，并附上测量方法。

原文给出的示例是：至少 70% 的条目无需人工处理，这部分条目的准确率至少达到 97%，并同时在黄金集和一周真实流量上测量。这里的黄金集（Golden set），就是提前确定、完成标注并固定下来的评估样本。模板还要求记录它的规模、标注人、存放位置和冻结日期。

自动处理比例和准确率必须一起看。

否则，系统可以通过少接任务来维持准确率，也可能为了提高自动处理比例，把不确定的结果直接交出去。这里的 70% 和 97% 都是目标示例，不是作者已经取得的成绩。

人工接手和停止规则也属于交付内容

作者给试点的定位是：AI 处理有把握的部分，其余交给人。简报必须写清哪些情况转人工、由谁处理、多久处理完，否则疑难条目只会越积越多。

数据权限同样需要落实到人。是否包含个人数据，是否允许发往外部服务，都要明确回答，并记录谁作出了决定。

整个试点建议持续 2 到 6 周，列出开始时间、检查点和决策日期，同时填写试点预算与预期每月运行成本。风险先抓最主要的三项，例如数据质量不及预期、审核人员过载、目标定得过高或过低，再分别写出应对动作。

结束时怎么办，也要提前约定。作者的示例是：

• 黄金集和真实流量都达标，就扩展到下一个流程。
• 只有黄金集达标，就延长两周。
• 其余情况停止。

这能减少看完结果以后再修改验收口径的空间。

我的判断

我认可把基线、目标、人工接手和停止规则放在启动之前。相比先做出一个演示再寻找使用场景，这套模板更容易回答「继续投入的依据是什么」。

但它仍是经验建议。原文没有提供实际项目的前后数据，也没有证明一页简报、2 到 6 周周期一定优于其他安排。一页适合统一决策，复杂的数据权限说明和评估细则，仍可能需要附件。

还有一个缺口：作者说 AI 处理「有把握」的内容，却没有解释怎样判断有把握，也没说明准确率如何计算、黄金集是否覆盖复杂情况。程序员不能直接把模型自报的信心当作转人工标准。这些规则需要在具体流程里补齐。

能拿来做什么

• 给现有 AI 功能补一份简报，用一句话写清输入和输出，再列出明确不做的事情，让前端、Node 服务和验收负责人对齐范围。
• 在接入模型前，抽样记录人工耗时、错误率和样本量；暂时没有数据，就把测量安排进第 1 周。
• 在接口和操作界面中落实人工接手流程，明确什么情况转交、谁来处理，以及处理时限。
• 在试点开始前写好继续、延长和停止的条件，并分别用固定评估样本与真实流量验证结果。