不是采购一套客服,而是训练一个专属的 AI 数字员工

采购一套传统客服软件，企业通常得到一组相对稳定的功能：工单、路由、坐席工作台和报表。采购 AI 客服时，如果仍沿用“验收功能清单、上线即结束”的思路，容易忽略最关键的部分：模型会面对变化的商品、规则、客群和表达方式，它的表现不是一次配置后永久不变的。

因此，“数字员工”不能只被理解为一个会回答问题的界面。更严谨的定义是：它是一套在明确岗位范围内工作的社会技术系统，由模型、数据、知识、规则、工具权限、评测、人工责任和持续改进流程共同组成。企业真正要采购的，不只是今天能完成多少对话，还包括以后如何训练、审计和治理它。

一、为什么“成品软件”的类比不够

确定性软件对相同输入通常给出相同结果，核心验收问题是功能是否按规格实现。生成式模型则输出概率性结果，同一句用户表达可能有多个可接受答案，也可能因上下文、知识版本或模型更新而改变。NIST AI 风险管理框架把 AI 生命周期概括为治理、情境映射、测量和管理，并要求组织在接近部署环境的条件下评估与持续监控¹。这意味着“上线”不是生命周期的终点。

客服还存在明显的分布变化：新品上市会带来新术语，大促会改变咨询结构，规则调整会使旧答案突然失效，用户也会用历史数据里没有出现过的方式提问。持续预训练研究把这种现象描述为现实数据分布不断偏离初始训练分布，模型需要适配新语料，同时避免遗忘旧能力²。

如果供应商交付的是一个封闭答案器，企业只能被动等待版本更新；如果交付的是训练与运营机制，企业才有机会把新数据转化为可验证的能力改进。二者表面都叫“AI 客服”，资产结构却完全不同。

二、一个可训练的数字员工由什么构成

把“训练一个数字员工”写成可审计的对象，至少包含六层。

岗位说明：明确能处理哪些意图、能调用哪些工具、什么情况必须转人工。没有边界的“全能 Agent”无法设计评测，也无法界定责任。 知识与数据：商品、政策、历史会话、人工修改和 badcase 都要有来源、版本、权限与保留规则。数据多不等于数据可用。 适配机制：根据问题选择提示词、检索、参数高效微调或完整训练，而不是把“训练”当作模糊宣传词。 评测体系：固定回归集、时间外测试集、敏感场景集和线上监控共同衡量效果。 运行控制：工具权限、审批、限额、日志、回滚与人工接管决定模型能做什么。 责任结构：谁批准上线、谁处理事故、谁决定扩大自主范围，必须落到组织角色。

这六层共同决定系统是否“属于企业”。仅仅拥有一个模型文件，并不代表企业拥有可运营能力；反过来，企业即使使用外部基座模型，只要掌握数据权利、配置、评测、日志、适配产物和迁移方案，也可能拥有较强控制权。

三、为什么需要企业自己的数据与评测

通用模型学到的是公共语言与广泛知识，企业岗位依赖的却是局部规则与真实分布。Gururangan 等人在四个领域和八项任务上的研究表明，在通用预训练之后继续进行领域自适应与任务自适应训练，仍能带来一致收益³。这不直接证明“每家店都必须微调”，但证明了一个更稳妥的结论：目标分布的数据具有不可被通用规模完全替代的价值。

参数高效方法降低了为不同任务保存适配结果的成本。LoRA 冻结基座权重，只训练低秩增量参数，在多项任务上以远少于全量微调的训练参数取得可比表现⁴。它让“一个共享基座加多个专属适配器”在技术上可行，却不自动保证业务效果。训练数据质量、任务定义和评测设计仍决定成败。

企业自己的评测尤其重要。若评测题来自供应商公开基准，它可能与真实咨询分布完全不同；若评测由训练团队自己设计，又容易只覆盖已知能力。比较稳健的做法是由业务专家、模型团队和独立复核者共同维护测试集，并保留时间外样本，避免把训练数据泄漏到评测中。

所以，真正的资产不是“上传了多少文档”，而是企业逐步形成的三联体：可授权使用的数据、可重复的训练流程、可解释的评测历史。

四、资产所有权不能停留在口号

“模型归你”“数据归你”只有写进合同和技术架构才有意义。采购方至少应逐项确认：

1. 原始会话、标注、人工修改和合成数据分别归谁；
2. 数据是否会被用于训练其他客户的模型，能否选择退出；
3. 店铺适配参数、提示词、知识库结构和评测集能否导出；
4. 更换供应商时，哪些资产可以迁移，格式是否开放；
5. 基座模型升级后，旧适配与评测如何继承；
6. 日志保存多久，谁能访问，删除请求如何执行；
7. 终止合同后，数据、备份与衍生物如何处置。

模型卡研究建议记录模型用途、性能、限制和评测条件，以避免一个抽象分数脱离使用情境⁵；数据表方法则要求说明数据的动机、组成、采集过程和推荐用途⁶。把这两种文档化思想应用到采购中，比一句“私有化”更能判断控制权。

尤其要警惕“物理隔离”等词替代细节。真正需要审计的是数据流、权限边界、密钥管理、训练用途和删除证明。

五、“越用越强”是待验证假设，不是自然规律

很多 AI 产品声称会随使用自动变好。现实中，反馈闭环也可能变坏：用户更常看到某类推荐，就产生更多同类数据；错误标签被自动回流，会放大偏差；只优化点击或转化，可能损害投诉率与长期信任。持续学习还面临灾难性遗忘，即模型适配新分布时损伤旧任务能力²。

因此，数据闭环必须有实验设计：

• 每次训练前固定版本与数据快照；
• 将新增样本分为训练、验证和时间外测试；
• 对关键场景做人工双标与分歧仲裁；
• 与上一版本进行配对比较，而不是只看总体平均；
• 同时观察自主完成、错误严重度、转人工、客诉和业务结果；
• 未达到门槛时允许回滚，不能因为“新模型”就默认更好。

只有当结果可重复、改进可归因、退步可发现，“越用越强”才从口号变成事实。

六、表层交付与里层能力

从用户视角，数字员工的表层很简单：能够在授权范围内接待、推荐、查询和处理任务。采购验收也必须包含真实会话中的端到端表现。

但里层决定它能否长期工作：

• 数据发生变化时，能否迅速定位失效场景；
• 业务规则更新时，能否判断应改知识、提示词、规则还是模型；
• 新版本上线前，能否用同一套测试重跑；
• 低置信度时，能否按风险而不是按面子交回人工；
• 发生投诉时，能否从日志重建当时的输入、证据、模型和动作。

表层像一名员工的当班表现，里层像招聘、培训、考试、权限和绩效制度。没有后者，前者只能靠偶然稳定。

七、采购方应怎样验收

建议把验收分成四类证据，而不是只看演示。

能力证据：在代表性真实样本上，按场景报告端到端完成率与严重错误率。 学习证据：选一组当前做不好的场景，走完数据治理、训练、评测和发布流程，观察改进所需时间与人力。 控制证据：现场验证权限、拒答、转人工、日志、回滚和数据删除。 资产证据：检查合同、导出格式、模型与数据文档，确认终止合作后能带走什么。

其中“学习证据”最能区分固定产品与训练平台。若每修一类问题都需要供应商工程师手工改代码，所谓 per-customer 很可能仍是项目交付；若大部分步骤由标准流水线完成，且单位客户的跨线时间持续下降，才有资格称为可规模化的训练能力。

八、一个更准确的定位

“不是采购一套客服，而是训练一个专属的 AI 数字员工”并不意味着传统软件能力不重要，也不意味着模型必须全部在客户本地从头训练。它强调的是责任与资产的变化：

• 采购对象从固定功能扩展为持续的模型生命周期；
• 验收对象从一次演示扩展为长期可复现的绩效；
• 数据从运营副产物变成受治理的训练资产；
• 控制权从供应商承诺变成合同、权限和可迁移产物；
• 人工从被替代对象变成边界制定者、反馈者和异常处理者。

这一定位也意味着更高要求。企业不能把所有责任外包给模型，供应商也不能把不确定性藏在“AI 会学习”之后。

九、企业自身也需要具备训练治理能力

训练平台不能替企业自动做出所有价值判断。业务团队仍需指定哪些回复算正确、哪些风险不可接受、哪些数据有权使用，以及何时允许扩大自主范围。若内部没有数据负责人、业务专家、风险审批和事件响应角色，最好的工具也会因标准不一致而失效。

组织准备度可用四项检查：是否有跨部门负责人；是否能提供代表性历史数据；是否愿意维护独立评测；是否为人工反馈和事故处理预留时间。采购训练能力，本质上也在采购一套新的运营制度。把所有后续工作都理解为供应商“自动学习”，会让责任边界在真正出错时才暴露。

结语

一个数字员工是否真正“专属”，不由界面上的品牌名决定，而由四件事决定：它是否在你的任务分布上学习，是否用你的评测证明改进，是否在你的权限下行动，以及关键资产是否按合同归你控制。

因此，采购时最重要的问题不只是“今天能替我们做什么”，还包括“下个月业务变化后，谁用什么数据、按什么流程、通过什么测试把它重新训好”。前者买到一个功能，后者建立一项组织能力。

想进一步理解专属能力如何分层，可以读三层模型架构；要判断这套能力是否真的形成复利，则应继续看数据飞轮中的反证条件。

Footnotes

1. Tabassi, “Artificial Intelligence Risk Management Framework (AI RMF 1.0),” NIST AI 100-1, 2023。NIST ↩

2. Jin et al., “Lifelong Pretraining: Continually Adapting Language Models to Emerging Corpora,” NAACL 2022。研究现实分布变化下的持续适配、知识保留与遗忘问题。ACL Anthology ↩ ↩²

3. Gururangan et al., “Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks,” ACL 2020。ACL Anthology ↩

4. Hu et al., “LoRA: Low-Rank Adaptation of Large Language Models,” ICLR 2022。论文报告了大幅减少可训练参数与显存需求的参数高效适配方法。arXiv ↩

5. Mitchell et al., “Model Cards for Model Reporting,” FAT* 2019。提出记录模型用途、评测条件、性能差异与限制。ACM ↩

6. Gebru et al., “Datasheets for Datasets,” Communications of the ACM, 2021。提出以标准化文档记录数据集动机、组成、采集、使用与维护。ACM ↩