最容易高估的是模型能力，最容易低估的是交付稳定性

88% 和 14%。

据埃森哲《2026 中国企业数字化转型指数》（2026 年 7 月 17 日发布，样本为八个行业的 160 家中国企业），跨过先进 AI 应用试点阶段的受访中国企业占比「从去年的 46% 跃升至 88%」，而「实现生产效率、收入和利润提升等显著成果的企业仅从去年的 9% 升至 14%」。

这两个数不要相减。 原文没有说后者是前者的子集，相减得出的那个「74 个百分点」是假的。两个数各自成立就够用了：用起来的很多，拿到结果的很少。

要买你交付的那个人，就是从这个池子里出来的。他不缺见识过惊艳演示的经历——他缺的是一次不出错的交付。

一、分数和演示衡量的是上界，客户按下界付钱

先说交付方自己最容易犯的那个错。

你给客户看的那次演示，通常是你跑了几遍里最好的一次。这不是不诚实，这是人的默认动作——谁都会把最好的那次拿出来。问题在于，你自己也会把那一次当成它的水平。

模型分数是同一类东西的放大版。

据 UC Berkeley RDI 于 2026 年 4 月发布的研究，研究者做了一个自动扫描代理，去审计八个最主流的 AI Agent 基准。原文写着：这个代理在这些基准上拿到了「near-perfect scores」——具体区间是 73% 到 100%——而它「without solving a single task」，一道任务都没有真正解决。

这里要划一条自己的边界：坊间流传的「头部分数虚高 5 到 15 分」这个说法，本文写作时在该页原文上没有核到，所以本文不使用那个数字。 上面这两句引文是页面上写着的，就用这两句。

这项研究常被拿去讨论「选型该不该信榜单」，那是采购侧的话题（同系列另有一篇专门讲）。对交付方来说，它说明的是另一件事：一个漂亮的分数，和「每一次都能把事做成」之间，可以完全没有关系。

分数测的是能力的上界——它最好能到哪里。你的演示也是上界。

所以下面四个指标，量的全是下界：最差的那些次有多差、隔多久出现一次、出现的时候有没有人接住。

在给指标之前，先给一条统一的定线原则，它比四个指标本身更重要：

四条及格线都不要去抄行业基准。先量出你自己的第一条基线，及格线就等于这条基线。

稳定性的目标是「别掉下去」，不是「比别人高」。一条从外面抄来的及格线，要么你一开始就达不到（于是很快放弃），要么你一开始就远远超过（于是它永远不会报警）。两种都没用。

二、四个可量化的交付稳定性指标

指标一：一次通过率。

• →怎么量。 分母 = 这一期所有交付批次；分子 = 客户没有提出任何需要改动的批次。按批次计，不按条计——一个批次里错三条和错一条，对客户来说是同一件事：这批不能直接用。
• →量多久。 连续 4 周，并且至少 30 个批次。不足 30 个，就把窗口往后拉到攒够为止，不要用 12 个批次得出的数去做决定。
• →及格线怎么定。 先量两周，得到一个数 X。及格线就是 X，往后 4 周不低于 X。
• →一个陷阱。 客户懒得提意见，不等于通过。要在验收环节写一句「没问题请回复确认」，没有收到确认的批次不计入分子。不加这一条，这个指标会一路虚高，直到某天客户不声不响换了人。

指标二：同题复跑一致率。

• →怎么量。 固定 20 条真实样本输入，每周同一天连跑 3 遍。一致的定义是：三遍在你的合格 / 不合格判定上结论相同，并且关键字段相同（金额、日期、数量、对方名称这类）。语气不同不算不一致，金额差一位算。
• →量多久。 每周 1 次，先连续 8 周，之后长期保留。为什么是 8 周：供应商侧的变化不会通知你——版本、路由、限流策略都可能在你不知情的时候改，8 周大致能覆盖到一次这样的变化。
• →及格线怎么定。 20 条里允许不一致的上限是 1 条。出现 2 条，把不一致的那一类输入从自动通路里摘出来转人工，不要先去调提示词碰运气——调提示词的问题是你无法证明它改好了，除非再跑满 8 周。
• →一个陷阱。 样本要从真实历史里抽，并且要按真实比例留下难缠的那些。全抽典型样本，三遍一定一致，这个指标就永远是满分。

这个指标是四个里唯一只在 AI 交付上成立的，所以要多说两句。

传统交付里，同一份输入跑两遍必然一样：脚本一样、模板一样、人照着同一份操作说明做。所以没人量一致率，也不需要量。

模型不是这样。同一份输入、同一份提示词、同一天，可以给出两个都「看起来对」的结果，而其中一个把金额抄错了一位。更麻烦的是它的不一致不是缓慢漂移——不是像人那样越来越累、质量慢慢滑下去——而是同一分钟内的两个答案。你没法靠「感觉它变差了」来发现，因为它从来没有变差，它一直是这样。

这就是为什么指标一不够用：一次通过率量的是「这一次对不对」，同题复跑一致率量的是「它下一次还对不对」。客户买的是后者。

指标三：漏兜率。

• →定义。 本该转人工却没转的条数 ÷ 这一期的总条数。它的镜像是兜底触发率（该转的真的转了）。触发率高不是坏事，漏兜率不为零才是。
• →怎么量。 上线后前 4 周人工 100% 抽检，第 5 周起每周抽 10%。抽到的每一条都问一句：这一条它本来是不是就不该自己答。
• →量多久。 长期，不停。
• →及格线怎么定。 红线是 0 条/周。 出现 1 条，当周就改规则，不要攒够三条再一起改。理由很直接：漏兜的每一条都已经发出去了，改规则救不回已经发出去的那条，只能决定还会不会有下一条。
• →一个陷阱。 漏兜率是四个指标里唯一不会自己报警的。一次通过率会被客户的意见暴露，一致率会被复跑暴露，时延会被时钟暴露；漏兜只有人去看才看得见。 所以抽检比例可以往下降，但不能降到 0。

指标四：交付时延的 P90，不看平均值。

• →怎么量。 从「客户提交」到「交付物送达」的时长，取第 90 百分位。算法：把这一期 N 次的时长从小到大排，取第 ceil(0.9 × N) 个。举例：30 单，ceil(0.9 × 30) = 27，排在第 27 位的那一单的时长就是 P90。这个算式是本文自行给出的口径，读者可以按同样的方法复算。
• →量多久。 滚动 30 天。
• →及格线怎么定。 P90 ≤ 你对外承诺的时长。
• →一个陷阱，也是四个里最贵的一条。 按平均值定承诺，等于承诺相当一部分单子会超时。 平均值天生就有一批单落在它上方，而落在上方的那些，恰恰是最容易吵架的那些。承诺要按 P90 定，不按平均定。另外，P90 和平均值不是同一个东西，不能互相换算，也不能拿别人的平均值跟你的 P90 比大小。

四个放在一起：

表里除了两条引文之外的所有数字（30 个批次、20 条样本、8 周、1 条、10%、0 条、90 百分位），都是本文给出的建议值，不是任何调研结论。

三、兜底设计：四条，各配一个指标

指标只负责告诉你出了问题。兜底负责让出问题的那次不至于变成事故。四条，一一对应。

第 1 条（配一次通过率）：内部截止 = 对外承诺 − 20%，省下的那段时间就是返工预算。

没有这段预算，一次通过率的每一次下降都会直接变成一次逾期——因为你根本没有留出重做一遍的时间。20% 是建议值，关键是这段时间要事先扣掉，而不是「万一有问题再说」。

第 2 条（配同题复跑一致率）：那 20 条验收集每周自动跑一次，不一致超阈值时你先知道，客户后知道。

这一条的全部价值就在「谁先知道」这五个字上。同样一个问题，你先发现是一次主动说明，客户先发现是一次事故。

第 3 条（配漏兜率）：每一条自动通路都要配一条「慢但一定对」的人工通路，并且事先测过它一天能顶多少单。

没测过产能上限的降级路径等于没有。 真出事那天你会发现人工通路一天只能处理 8 单，而积压的是 40 单——这时候「有兜底」这件事在账上是零。

第 4 条（配 P90）：在跑的任务数超过人工通路的日产能时，停止接新单，或者明确告知新交期。

这一条最难执行，因为它要求你在生意好的时候主动关一次门。但四个指标里最先崩的永远是 P90，而 P90 一崩，另外三个会在两周内跟着崩——赶工的时候，人会先放弃抽检。

还有一条统管四个的：四个指标每周固定同一天量一次，条件不变才有可比性。 换了模型、换了提示词版本、换了客户结构的那一周，要单独标出来，不要混进趋势线里。混进去之后，你会花两周去解释一个其实是自己造成的波动。

四、代价，和什么时候不该做这套

时间成本。 建第一条基线 4~6 小时，主要花在攒那 20 条样本和把「什么算通过」定义清楚上；之后每周 40~60 分钟。这是本文的估算值。

不适用的第一种情况：单量太少。

每周交付批次不足 5 个的时候，这四个指标在统计上量不出东西——一次通过率会在 0 和 1 之间来回跳，看着像剧烈波动，其实只是样本太少。这个阶段正确的做法是逐单复盘：每一单出的问题记一条，攒够 30 单再开始做指标。

不适用的第二种情况：单笔毛利低于人工处理一单的成本。

这时候正确的动作不是「先做自动化，再加兜底」，而是根本不做这个自动化——它的兜底成本比它省下来的还高。这句话得说在前面：不是所有能自动化的事情都值得自动化。

第三条代价，也是必须先接受的：这套东西会让你的对外承诺变保守很多。

按 P90 定承诺、内部截止再扣 20%，两条加起来，你报出去的交期会比原来长。这是真实的竞争力损失——你会在一些比价的单子上，输给报得更短的那家。

要接受它的理由只有一条：报得更短的那家，赢下来之后得在交付里还回去，而你不用还。这个差别在第一单上看不出来，在第三单上才开始显形。

第四条，说得再直白一点：这四个指标不会让模型变好。

它们只做一件事——让你比客户更早知道它什么时候不好。这是整套东西的全部作用，也是它值得做的全部理由。

最后回到开头那份指数里的第三个数：据埃森哲同一份《2026 中国企业数字化转型指数》，「只有 18% 的企业着手进行运营和业务的系统性重构」。

对交付方来说，这个 18% 不是坏消息，是一个交付条件：你交出去的东西，大概率要在客户一段没改过的流程里跑。 而在一段没改过的流程里，最先暴露出来的从来不是能力不够，是同一件事这次这样、下次那样。

这就是为什么客户不为「有时很惊艳」买单，只为「每次都不出错」买单。

同系列里另有一篇讲怎么用你自己的 50 条真实样本代替榜单做选型的，那篇管选型，这篇管选完之后。