座谈九天后，我仍在回想那些没有被快速回答的问题

首次主持《引领新时代人工智能应用》九天后，我把脑中仍未闭合的部分写成六封没有收件人的信。信封上各有一个“谁”：谁定义有用，谁承担误差，谁拥有数据，谁能解释结果，谁被技术遗漏，谁在系统进入日常之后继续提问。它们不是对座谈现场的复述，因为公开资料没有保存具体发言；也不是一套假装普遍适用的答案。开放问题的意义，是把技术讨论中常被无主语句遮住的人重新请回来。我们说“效果提高了”“数据可以使用”“结果能够解释”时，究竟是谁在判断、谁在付出、谁没有出现在统计里？只要主语仍然空缺，结论就不算真正完成。

谁定义有用

“有用”听起来像客观指标，实际上总与目标相连。缩短处理时间、减少重复劳动、提升信息可得性，都可能是价值；但一种改善也可能把额外步骤转移给另一个角色。若只测最方便量化的部分，系统会把不可见成本留在报表之外。指标设计还应说明观察窗口，短期节省与长期维护可能方向相反，不能把一次演示的便利外推为多年净收益。

定义有用之前，应先确定比较对象。是相对完全手工流程，还是相对已经存在的规则工具？是短期演示，还是连续使用后的总体表现？没有同一基线，数字再漂亮也无法说明改变来自AI，还是来自流程同时发生的其他调整。比较对象若悄悄变化，提升幅度也会随之失真；基线版本、人员投入和同时发生的流程改动都应一并记录。

不同人对有用的理解可能冲突。管理者关心资源，执行者关心负担，直接使用者关心可理解与选择，受到结果影响的人关心公平和申诉。这里没有一个天然拥有最终解释权的视角，目标需要把这些差异公开摆在同一张表上。共同定义并不要求消除冲突，而是把冲突转化成明确取舍，使任何一项收益都不能假装没有相应代价。

因此，“有用”的定义应被写成可修订约定：包含目标、不能牺牲的条件、观察周期和停止信号。系统运行后若发现负担转移或新风险，原指标必须重新打开，而不是用最初目标压住后来事实。约定还要给少数但严重的后果设置否决权，避免总体收益很高时，个别不可接受影响仍被平均数通过。

谁承担误差

人工智能的误差不会均匀落在每个人身上。一次无关紧要的推荐偏差，和一项影响服务机会或重要判断的错误，后果完全不同。只报告平均准确率，会让少数高代价错误消失在总体数字里，也会让承担者在设计阶段没有位置。评估报告应把高代价错误单独列出发生条件和可补救程度，不能只用一个综合分数把它们重新混回总体。

承担误差不能被一句“使用者自行判断”全部推给终端。提供系统的人选择了模型和资料，部署者决定了流程位置，操作角色负责适当检查，组织则应提供纠错与补救。责任需要分段说明，不能让最后点击的人独自接住整条链。每段责任都应配套实际权限与资源；要求操作人员复核，却不给时间、依据和撤回能力，只是名义上的责任转移。

误差发生后，受影响者需要的不只是道歉。他应知道如何报告、谁会回应、原结果能否撤回、关联记录怎样修正，以及相同问题是否会影响更多人。没有补救路径的错误统计，只是在记录伤害，并没有承担。补救完成后还要检查衍生影响，例如下游记录是否同步更新、错误通知是否撤回，不能只修正最初页面上的一个字段。

测试阶段也要模拟错误如何流动。某个输出如果被复制进其他系统、进入正式记录或影响下一步决定，修正成本会迅速增加。评估不能把模型输出当作孤立句子，而应沿流程追踪它可能到达的每一站。沿流程演练能够找出不可逆节点，并促使设计者把人工确认提前到仍可阻止扩散的位置，而非事后追赶。

谁拥有数据

“拥有”并不能完整描述数据关系。数据可能由个人产生、由机构保管、由服务商处理，也可能受到法律与专业规范约束。拥有存储权限，不等于可以改变用途；技术上能够读取，更不等于获得了合乎预期的许可。因此，数据治理更像多方权利的契约，而不是一张所有权证；用途、访问与保存期限都需要分别获得正当依据。

数据问题应从目的开始：为什么需要这一项信息，不提供能否仍使用服务，新的处理是否与原始用途一致。若回答只能是“将来可能有用”，就要警惕无限收集。目的越模糊，后续扩张越难被当事人理解和控制。目的说明应能经受一次反问：若删除这项数据，核心服务是否真的无法完成？如果答案含糊，就先缩小采集，而不是扩大授权文本。

最小化不是把字段随意删到最少，而是逐项证明必要性，缩短保留时间，限制能接触数据的角色，并尽可能在本地或受控范围完成处理。少收集一份信息，就少承担一份泄露、误用和错误关联的长期风险。

数据还需要退出机制。当事人能否了解保存状态、纠正明显错误、在合适条件下撤回授权或请求删除？模型训练和衍生数据会使退出变复杂，正因如此，限制与不可逆部分应在开始前说明，而不是等对方提出后才解释。

谁能解释结果

解释首先要问对象。开发者可能需要特征、版本和日志，执行者需要知道输出适合支持哪一步，普通使用者则需要通俗说明结果含义与下一步选择。同一份技术报告无法同时满足所有人，解释应按行动需求分层。

解释也不等于讲述一段听起来合理的故事。若系统本身无法提供足够依据，就应明确说明限制，不能用流畅语言补造因果。解释的可信度来自可检查资料与一致行为，而不是句子多么像人类推理。

不确定性必须进入解释。置信程度、资料缺失、适用范围和可能替代答案，应以使用者能理解的形式出现。只给单一结果，会把概率性判断伪装成确定事实，使人难以知道何时需要第二意见。

好的解释最终会改变行动：知道为何接受、何时复核、怎样提出异议。若解释只能让人“听起来明白”，却不给任何选择，它更像说服工具。可行动与可质疑，是结果说明不可缺少的两个出口。

谁被技术遗漏

被遗漏的人不一定完全没有数据，也可能以错误方式被代表。少数群体样本不足、特殊表达被当成噪声、非典型需求被平均值吞掉，都可能让系统对他们持续表现较差。总体指标上升时，分组差异反而更需要被单独看见。

进入门槛也会制造遗漏。设备性能、网络条件、语言能力、视觉听觉需求和数字素养不同，都会决定谁能顺利使用。若把失败归因于“用户不会操作”，设计者就免除了改善入口的责任。

被遗漏还包括不愿使用AI的人。保留人工渠道、允许拒绝自动处理、不给选择者增加不合理成本，是尊重自主的一部分。技术覆盖率不应成为唯一成功标准，某些场景里，能够不用同样重要。

发现遗漏后不能只增加一条免责声明。需要查明问题出在资料、交互、流程还是目标定义，给受影响者参与修正的机会，并重新评估是否仍适合继续使用。把遗漏当作系统设计问题，而非个体例外，改进才可能发生。

谁来持续提问

系统上线时的提问者，未必能长期留在岗位；版本更新后，原来的评估也可能失效。因此，持续提问必须被交给明确机制：谁监测表现，多久回看一次，哪些反馈触发复查，重大变化由谁决定暂停。

问题本身需要档案。最初担心什么，后来出现了哪些新现象，哪些风险得到证据支持，哪些假设被推翻，都应留下时间线。没有问题记录，组织很容易在人员变化后重复同一场讨论，却以为自己第一次面对。

外部视角同样必要。系统建设者熟悉设计目标，容易忽略流程外的后果；使用者、被影响者、合规与专业角色可能看到不同缺口。让他们拥有稳定反馈与复核入口，能阻止技术团队独自定义所有问题。复核之后还应公开说明哪些地方已经改变。

九天后，这六封信仍然没有唯一收件人，因为每个“谁”都对应一组不能被集中给单方的责任。价值要由不同受影响者共同讨论，误差需要沿决策链承担，数据权利不能被存储权限取代，解释要让人能够行动和反对，遗漏必须按群体与入口持续观察，提问则要穿过上线庆祝进入长期维护。保留问题并非拒绝应用，而是拒绝让主语消失。只要每个结论都能说清由谁提出、对谁有效、谁能纠正，人工智能才可能从一次演示变成可以被公共审视的工具。六封信也不会在今天封口，它们应随技术位置、规则环境与受影响人群的变化不断换收件人、改写措辞。