这两年,企业买 AI 的流程越来越规范,招标文件却常常没跟上。一个常见的偏差是:需求书把"我需要什么能力"写成了"我要什么配置",把"效果怎么算合格"写成了"功能清单是否齐全"。AI 采购和买服务器不是一回事——服务器买回来,性能是确定的;模型买回来,效果是不确定的,还会随数据、场景和版本变化。需求书里最容易埋下后患的,是三个地方。

第一,把模型名字写进需求书,等于提前交出了选择权

"须采用某厂商某版本大模型"这类条款看着明确,实际是把未来半年的技术迭代锁死了。模型能力按季度在变,同一价位上能打的模型,半年后可能已经换了一批。更稳的写法是写能力边界,而不是品牌型号:在给定测试集上的任务准确率下限、首字响应时延、并发与吞吐、上下文长度,以及是否支持标准接口以便后续替换。这些可以验收,型号不能。

另一层影响常被忽略:写死型号,等于把议价权交给唯一能满足条款的那家供应商。技术条款越"具体",能参与竞争的供应商就越少。

第二,"满足业务需要"不是验收标准,能测的数字才是

评审场合最常见的争议,是甲乙双方对"基本满足"这四个字的理解不同。解法其实不复杂:签约前从自己的真实业务里抽两三百条样本,做成一个小型评测集,双方共同确认通过线——比如关键字段抽取准确率不低于某个阈值、人工复核返工率低于一成——再把这个附件写进合同。成本大概是两周人力,换来的是把验收从"谈判"变成"测量"。

评测集不必一次做全,先覆盖最容易出错的高频任务就够:合同要素抽取、工单分类、售后问答,一类三十条,三类不到一百条,比一份四十页的功能清单更能说明问题。

评测集还有一个副作用:它会逼着业务方在项目开始前就想清楚"什么叫作对了"。很多 AI 项目做不下去,根子在需求阶段就已经模糊,只是到验收时才暴露。

第三,最贵的条款在合同末尾:退出的时候怎么办

AI 项目和传统软件最大的差别,是资产有一半不在机房里,而在数据、提示词和调用记录里。合同如果没写清三件事,换供应商时就会很被动:一是业务数据的归属与导出格式;二是知识库、提示词、评测集的移交方式;三是模型切换期内的并行运行安排。

可以设想一个并不罕见的局面:合同到期想换一家,才发现三年的对话记录只存在对方后台,导出属于增值服务,按条计费。这不是技术问题,是条款问题。签字那天没人在意,分手那天全是成本。

还有一件常被漏掉的事:版本变更的通知义务。供应商悄悄换了底座模型,你的效果会漂移,而合同里往往没有对应条款,出了问题只能靠"感觉不如以前"来争论。

写在最后

AI 采购买的不是一件产品,而是一段可持续演进的能力。所以需求书的重心,应该从"配置清单"移到三个问题:能不能测、能不能换、走了以后留下什么。这三件事写清楚,比多写二十页功能描述有用。

技术会过时,写清楚的边界不会。


——文/吴佳文,广东省人工智能与机器人学会副秘书长,长期关注AI产业落地与人工智能人才培养。

Logo

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐