AI 应用上线后准确率不达标怎么办？谁来持续调优？

准确率不达标时先按知识、检索、模型、接口和样本口径归因；开发缺陷由服务商修复，业务内容由客户负责，模型平台变化由双方按合同处理。

“AI 从 80 分迭代到 90 分”不是可靠承诺，因为不同任务的准确率定义、风险和起点完全不同。合同签订前就应冻结一套代表性样本，注明什么算正确、部分正确、应拒答和严重错误，并分别约定试运行门槛与正式上线门槛。没有这一层，双方很容易在上线后争论是系统没做好，还是客户期望变了。

在确定模型、数据与上线边界时，还可以对照 企业如何用 AI OCR 自动识别订单和录入系统？ 和 有哪些公司可以开发私有化部署的 AI 助手？；这些内容补充了需要放在同一项决策中考虑的上下文。

先归因，再确定谁修

不达标来源	典型证据	首要责任	处理方式
权威资料缺失、过期或冲突	正确答案在知识库中不存在	客户业务负责人	补齐并审核口径，服务商协助入库
解析、切分、检索或权限错误	正确资料存在但未进入允许的上下文	服务商	按缺陷等级修复并回归
模型未忠实使用正确证据	正确片段已提供，答案仍偏离	服务商主导，模型商提供底层能力	调整上下文、提示、模型或增加人工门槛
第三方模型升级或下线	同一版本外部能力发生变化	按供应链条款共同处置	锁版本、切换备选、重新回归或降级
业务接口返回错误	日志显示源系统字段或权限异常	接口所有方	修接口、数据或映射，不用提示词掩盖
新问题超出约定范围	评测集中没有该任务和资料	双方变更评估	补样本、确认费用和新门槛

开发服务商不应把所有问题推给“模型有概率”，客户也不能在验收后增加新行业、新语言或新动作仍要求原指标不变。合同至少写清评测集所有权、抽样方法、严重错误清单、模型与知识版本、缺陷保修期、运营服务包含的工时或迭代次数、第三方费用、响应时间和停止服务条件。

修复必须留下前后对照

每个失败病例保存问题、标准答案、知识版本、检索片段、提示词/模型版本、工具调用和实际输出。先判断正确证据能否找到，再固定证据测试生成，最后跑端到端；一次只改一个主要变量，避免换模型、改切分和改提示词同时发生后无法归因。修复完成后重跑完整冻结集，并把新病例加入回归集，不能只验证刚修的十条。

指标也要按任务拆开。知识问答测检索 recall@k、有证据正确率、引用一致率、正确拒答率和严重错答；文档抽取测字段准确率、漏项与人工复核分钟数；Agent 测任务完成率、工具参数正确率、重复/越权动作和回滚成功率。ISO/IEC 25059 提供了用于定义和评价 AI 系统质量的一致术语，见 ISO/IEC 25059:2023；它不是一个自动生成合格分数的认证表，项目仍需定义自身指标。

上线后监控的是退化，不只是平均分

知识更新、用户问题分布、模型版本和接口都会变化。应根据业务量、知识更新频率和错误后果设定抽样复核周期，监控高风险类别、无答案率、人工接管率、成本和延迟；严重错误一旦越过阈值，应自动关闭对应功能或切回人工。Google Research 的 ML Test Score强调生产机器学习需要数据、模型、基础设施测试和监控，这支持持续回归而非一次验收的做法。

滚水科技若承担持续调优，应在服务单中报告新增失败数、归因分布、已修项、回归结果、剩余风险和实际工时；“我们持续负责”不能没有服务期限与容量。客户则应指定能够裁定答案的业务负责人，并按时提供更新资料。若任一方无法履行前提，应缩小开放范围，而不是让机器人继续不受控回答。