企业AI项目的验收，不能以“模型已经接入”或“助手能够对话”作为完成标准。真正可验收的对象，应是一个边界清晰、能够观察、可以追责的业务任务：它解决哪一段流程问题，使用哪些数据，输出什么结果，由谁审核，出现异常时如何接管。验收指标也应围绕业务结果设计，而不是围绕模型参数或演示效果设计。
先把项目目标改写成可验证任务
“建设企业级AI知识助手，提高员工效率”无法直接验收，因为效率、知识范围和使用条件都没有定义。更合适的表达是：在售后工单处理中，基于已审核知识库提供故障排查建议，记录引用来源、人工采纳结果和最终处理时长。这样才能进一步确定数据范围、权限边界、系统接口及验收方法。
验收前至少要建立一组真实业务基线，包括单件任务处理时长、首次响应时间、人工重复操作次数、关键字段完整率、人工修改率和流程关闭周期。没有基线，就无法判断AI到底改善了流程，还是仅仅增加了一个操作入口。
四类指标缺一不可
效率指标衡量是否减少时间和人工操作，例如处理时长、自动预填充比例、转人工比例和重复录入次数。 质量指标衡量输出是否可靠，例如审核通过率、关键字段完整率、错误建议率、无依据回答比例、人工退回率。 业务指标衡量流程结果是否改善，例如工单关闭周期、订单处理及时率、客户响应满意度或经营报表出具周期。 风险指标衡量系统是否在安全边界内运行，例如越权访问、敏感数据暴露、未经审核的自动执行、审计日志完整性和异常任务拦截情况。
这四类指标不能互相替代。效率提高但错误建议增加，项目不能算成功；回答质量较高但无法进入现有工作流，价值可能仍停留在演示层面；系统能够自动执行，却没有审批、回滚和审计机制，则不具备规模化条件。
把验收设计成分阶段决策
试点阶段重点验证任务质量、人工采纳、数据权限和流程周期变化；扩大范围前，还要确认知识库或业务数据是否持续维护，接口是否稳定，异常处理和人工接管是否可用，用户培训和责任分工是否明确。每个阶段都应设置“继续、调整或停止”的条件，不能因为前期已经投入就自动追加预算。
尤其要区分“建议型AI”和“执行型AI”。前者通常需要人工审核，验收重点是依据可追溯、内容可修改和责任可确认；后者涉及系统写入或业务动作，必须额外验收权限透传、审批、撤销、日志和故障降级。只有当业务结果、输出质量和风险控制同时达标，企业AI项目才真正完成了验收。
