接了单不敢交付：AI 服务的质量兜底怎么设计

一个单子做完了，定金也收了，可就是不敢发那条"已完成"。

理由通常说不清楚。你自己试了几十遍，都对；你拿给朋友试，也对。但你心里知道一件事：你验的是"它这几十遍都对"，客户要的是"它以后每一遍都对"，这两件事之间没有桥。

绝大多数人在这个位置的反应是再多检查几遍。多检查几遍不解决问题，因为它增加的是你的样本数，而客户面对的是无限多的真实输入。兜底不是把错误率压低，是提前定义好"什么情况必须停下来喊人"，并且把这条线写进交付文件里，让客户在签字之前就同意它。

一、不敢交，是因为你和客户验收的不是同一件事

先把这个落差说清楚，因为后面所有的动作都从这里长出来。

你的验收标准是通过率：一百条里对了九十七条。客户的验收标准是事故：那三条里有没有一条是当着他客户的面说错的。这两个标准在数学上不冲突，在生意上是两回事——九十七条对的不会有人提，那三条会全部变成微信消息发到你手机上。

所以第一件要放弃的幻想是：用一个更高的分数去换客户的安心。 这条路已经被堵死了，而且有出处。

据加州大学伯克利分校 RDI 实验室 2026 年 4 月公布的研究，研究者用一套自动扫描的方法，把当时八大主流 Agent 基准全部攻破——不是靠把任务做对，而是靠 reward hacking，也就是找到评分机制本身的漏洞。原文写的是「every single one can be exploited to achieve near-perfect scores without solving a single task」，一道任务都不解也能拿到近满分，具体落在 73% 到 100% 这个区间（Terminal-Bench 100%、SWE-bench Verified 100%、WebArena 约 100%、FieldWorkArena 100%、GAIA 约 98%、OSWorld 73%）。

这条结论对接单的人意味着什么，很具体：行业通行的那套分数，不能拿来当你对客户的质量承诺。 你说"它在某某评测上排第几"，客户信了；出事之后这句话不能保护你，因为它本来就证明不了它在客户的活上表现如何。

那用什么？用客户自己的样本。这是本文第三节那张表的全部来由。

还有一层落差要一并说掉：你交付的东西是会自己变的。 据月之暗面官方模型文档，Kimi K2 本体已于 2026 年 5 月 25 日下线。一个被写进交付物、被客户每天用着的名字，可以在某一天不再存在。传统外包交付的软件不会有这个性质——它跑得好好的，不会因为供应商那边的一次公告而停。这是 AI 服务交付独有的一种失效，也是所有兜底条款里最容易被漏掉的一条。

二、兜底的三个部件

兜底不是一个动作，是三个部件。三个缺一个，另外两个都会失效。

部件一：一条接管阈值。 它必须满足一个苛刻的条件——不需要专业判断就能判定。"回答质量不佳时转人工"不是阈值，因为质量不佳由谁认定说不清。"涉及金额时转人工"是阈值，因为一句话里有没有金额，是个是非题。阈值的写法在第三节。

部件二：一句提前说好的告知。 这一件很多人当成礼貌问题，它其实是硬要求，而且已经有罚则。

据市场监管总局令第 117 号《直播电商监督管理办法》（2026 年 1 月 7 日发布，2026 年 2 月 1 日施行）第三十七条，使用人工智能人物图像开展直播的，应当予以标识并持续提示；违法情形的责任由直播间运营者承担，罚则为 1 万元至 10 万元。这一条对做交付的人有两个含义：其一，告知不是可选项；其二，承担责任的是那个用它的商家，不是做出来的你——但你如果没告诉客户这件事，客户被罚之后第一个找的还是你。

另有一条要提前判一次。据国家互联网信息办公室 2026 年 4 月 10 日发布的《人工智能拟人化互动服务管理暂行办法》，该办法将于 2026 年 7 月 15 日施行，适用对象是提供"持续性情感互动"的服务；原文同时明确写了不适用的情形——智能客服、知识问答、工作助手、学习教育、科学研究等不涉及持续性情感互动的服务不适用。你交付的东西落在哪一边，要在接单的时候判，不是在施行日之后判。判完把结论写进交付文件的第一页。

部件三：一条写进合同的赔付边界。 这一条是三个里最难谈、也最保命的。它要写清三件事：什么算事故、单次事故的赔付上限、以及超过多少次事故客户可以终止。

为什么必须写：据中央电视台 2026 年 1 月 14 日的报道，杭州互联网法院审结了全国首例涉 AI"幻觉"侵权案，判决生效，确立的是过错责任加三层注意义务。这起案子的裁判规则另有一篇专门拆过，本篇只取一个结论：责任的分配看的是各方尽没尽到注意义务，而"尽到了什么"这件事，事后靠回忆是说不清的，只能靠交付时留下的文件。你那份写着阈值和告知的交付文件，就是你的注意义务留痕。

三个部件的关系是这样的：阈值决定它什么时候停，告知决定停下来之后终端用户知道发生了什么，赔付边界决定万一没停住时钱怎么算。只做第一件的人最多，而只做第一件等于没做——因为它停了，没人知道该谁接手。

三、四类必须停下来的情况，和一张 14 天联合验收表

先给四类阈值。它们是本文给出的最小集，四条都是是非题，不需要专业判断：

第 1 类，涉及金额。 报价、折扣、退款、赔付，任何一句话里出现了钱的数额，停下来转人工。这一类的代价最直观，一个数字错了就是真金白银。

第 2 类，涉及承诺。 交期、效果、"一定""保证""包"这类词一旦出现，停。承诺造成的损失不是当场发生的，是几周之后发生的，所以更贵。

第 3 类，涉及个人信息或凭证。 对方开始报手机号、身份证号、订单号、地址，停。这一类停的不是错误，是风险。

第 4 类，它自己说不确定。 输出里出现"可能""建议您联系""我不太确定"这类表述，直接转人工。这一类是四类里最容易实现、也最被忽略的——它不需要你判断内容对不对，只需要判断它有没有露怯。

四类之外的一切，都不该由你来兜底，而应该在合同里明确划到"正常波动"里去。兜底范围写得越宽，这单越亏。

接下来是验收。下面这张表用来替代"我再多测几遍"这个动作，一共五步，14 天。

第 1 步（第 0 天）。向客户要 50 条真实历史输入。 不是他编的，是他业务里真实发生过的——过去的咨询记录、过去的工单、过去的邮件。这一步做不到就别往下走：拿不到真实样本，说明客户方没有人真的在管这件事，后面四步都会空转。

第 2 步（第 0 天）。这 50 条里，让客户自己标出他认为"绝对不能出错"的那 10 条。 标注这个动作必须由客户做，不能由你替他做。这 10 条就是这单的验收线，其余 40 条是参考。

第 3 步（第 1 到 7 天）。全量人工过一遍。 这七天里每一条输出你都看，不抽样。看的时候只记两样：命中了四类阈值中的哪一类、以及有没有该停没停。

第 4 步（第 8 到 14 天）。降到三成抽检，并且开始记转人工率。 转人工率是这单毛利的直接因子——它是你后面所有报价的依据。

第 5 步（第 14 天）。和客户一起过那 10 条。 全对，交付；有一条不对，不要改提示词就重来，先问一句：这一条属于四类阈值里的哪一类？ 如果不属于任何一类，说明阈值集少了一条，补上再跑七天。如果属于，说明是阈值没生效，那是实现问题不是设计问题。

这五步之所以能替代"多测几遍"，是因为它把"对不对"这个说不清的问题，换成了两个说得清的问题：该停的有没有停、客户圈的那 10 条有没有过。

关于上线之前该写哪两张清单（它必须会的、它不许答的），另有一篇专门写过，那一篇是本篇的上游动作；本篇讲的是清单写完之后，怎么把它变成对客户的承诺。

四、把转人工率算进报价，否则兜底就是白做

兜底会吃毛利，这件事必须在报价的时候就算进去，不能等交付完了再心疼。

算法只有一句话：转人工率乘以你每次接管要花的分钟数，就是这单的隐藏工时。 第三节第 4 步记下来的那个转人工率，就是分子。

这里有一个公开锚点可以帮你把预期放正。据 MIT NANDA 发布的《The GenAI Divide》报告原文，其给出的漏斗是 60% 的组织在评估、20% 进入试点、5% 进入生产——进入试点的项目里大约四分之一走到了生产。该报告封面自标"Preliminary Findings"，样本为 52 场访谈加 153 份行业会议现场问卷，报告自陈"六个月观察期可能不足，可能低估了成功率"，这些限制要一起看。它不能当你的返工率用，但它说明的那件事对报价很实在：从跑通到真的在用，中间的损耗不小，而这段损耗默认落在乙方身上。

另一个方向的锚点在需求侧。据澎湃 2026 年 5 月 19 日发布的报道，长江商学院对全国 2016 家规模以上工业企业的实测显示，尚未采用 AI 的企业里，79.2% 的核心阻碍是"场景不适用"。这个数字翻译成接单的语言是：你的客户很可能自己也说不清这件事该做到什么程度。说不清的时候，验收标准就会在交付之后被临时发明出来——而第三节那 10 条，就是用来在交付之前把它钉死的。

所以报价的顺序是：先跑第三节的五步，拿到转人工率，再报第二期的价；第一期的价永远是试的价，不是这门生意的真实价。 我的建议是第一单直接告诉客户这是试的价，比事后涨价体面得多，也容易得多。

五、什么时候不该这么做

第一种：客户方没有一个能接管的人。 四类阈值全都指向同一个动作——转人工。转给谁？客户那边没有这个人的时候，阈值触发之后消息就悬在半空，而终端用户会认为是你没做好。这种单子要么加钱把接管也承包下来，要么不接。 承包接管意味着你的一个人要长期在线，这笔成本是月度的，不是一次性的。

第二种：客户要的是"全自动"，并且不接受任何转人工。 这个要求本身和上面三个部件是矛盾的。遇到这种需求，正确的动作是把第一节那条落差摊开讲一遍，讲完他还坚持，就不该接——因为出事的时候，那三条错的会全部算在你头上，而你手上没有任何免责的留痕。

第三种：单子太小。 五步验收要占掉你 14 天里的一部分注意力，向客户要 50 条真实样本还要占掉客户那边的人一个下午。一个几千元的单子撑不起这套流程，硬上的结果是你把利润全花在了验收上。小单的正确做法是把交付范围缩到"不涉及金额、不涉及承诺、不涉及个人信息"的那一部分——四类阈值里的前三类都不触发，兜底成本自然就低了。

最后一条代价：这套设计会让你的交付看起来"没那么智能"。 客户会问，怎么老是转人工。这个问题要正面答：转人工的次数是可见的，不转人工造成的事故是不可见的，而后者才是要赔钱的那一种。能被看见的成本，永远比看不见的损失便宜。

这套完整的兜底规则模板与话术，在《数字员工搭建实战》第 5 课。