一个 AI 项目如果在合同里只写了「实现智能识别」「提升效率」,那么它几乎注定会有争议:做完了甲方觉得没用,乙方觉得功能都实现了。问题出在验收指标。
典型一:只写功能,不写效果
「支持缺陷检测」是功能,「在现有产线节拍下,漏检率低于约定值、误检率低于约定值」才是效果。功能描述适合写方案,效果描述才能写进验收条款。改写方法:为每个功能补一句「在什么条件下,达到什么水平」。
典型二:指标无法测量
「提升客户满意度」无法直接测。要么换成可测量的代理指标(如首次响应时间、一次解决率、追问次数),要么明确测量方法(抽样问卷、样本量、统计周期)。测不出来的指标,等于没有指标。
典型三:指标与业务无关
模型准确率很高,但业务关心的是「能不能减少人工复核」。技术指标要翻译成业务指标:识别准确率对应复核工作量,响应时延对应客户等待时长。两个都要写,且以业务指标为主。
典型四:没有对比基线
没有上线前的数据,「提升了多少」就无法证明。项目启动时先采两周基线数据——人工处理时长、错误率、处理量,这些是后续对比的唯一依据。基线没采,验收就只能靠感觉。
一份可用的验收条款长什么样
- 场景边界:哪些产线、哪些单据、哪些时段纳入范围;
- 指标定义与算法:每个指标怎么算、数据从哪来;
- 基线数据:上线前的实测值,谁采集、何时采;
- 验收方法:抽样比例、统计周期、判定阈值;
- 不达标怎么办:整改轮次、时限、退出条件。
把这些写清楚,甲乙双方都会更轻松:乙方知道边界在哪,甲方知道钱花在哪。