AI 辅助评标时如何保证过程可解释

AI 辅助评标时如何保证过程可解释

评标模型给甲公司八十五分、乙公司七十九分，评委却说不出六分差在哪里。公共采购需要的不是一个看似客观的总分，而是每项标准与证据的对应关系。评审规则在招标前确定，模型只能辅助查找资料、计算和提示遗漏。

可解释性首先来自招标文件本身。若“创新性”占二十分却没有评分细则，模型再会解释也只能解释一个模糊规则。采购方应在公告时把评分维度、证据形式与权重写清，允许不同技术路线按同一结果要求竞争。模型在评审中做资料定位和一致性检查，提醒某位评委漏看了附件；它不应统一替所有评委写结论。

评标可解释，还需要评委能说“不”。模型给出某企业技术指标全部符合，专家发现设备在当地电网条件下难运行，应能记录专业判断、证据和必要质询。反过来，评委不能只因为“以往都买这个品牌”否定新方案。系统可以提示规则一致性，最后保留人的实质审查。

系统记录所用文件版本、引用页码、计算公式、人工修改和审批人。涉及技术可行性、重大安全与社会影响，专家应独立判断并说明理由。供应商提出质疑时，采购方能复现评分过程，同时保护其他投标人的商业秘密。模型版本更新后，不能把旧项目重新评分却不留记录。

争议时需要复现当时而非现在的系统。供应商资料上传版本、模型参数和评委人工修改均应保存。若发现同一证据被不同评委重复计分，流程能定位并更正。对评审人员培训也重要：知道何时信任自动计算、何时回到原件，而不是被一张总分表牵着走。

对供应商来说，解释要具体到自己：哪些分项得分、依据哪些材料、哪些证据不足。其他人的商业秘密不必披露，评分方法和自己的错误仍可说明。若多家企业反复对同一条标准提出质疑，采购部门应检查标准是否模糊。事后将高评分项目与实际履约比较，发现评标指标是否预测了真实质量。

某次评标模型给两项近似方案同分，评委仍需要判断后续维护和用户培训的差别。可解释系统应展示造成同分的各项证据，而非强行用小数点后几位区分。对真实难以判别的项目，按公开规则进行澄清或复核。

自动化能减少机械核算，却可能让评委过度依赖界面颜色。定期设置“模型故意漏一项”的培训案例，看人员是否发现，帮助团队保留判断能力。

评标结束还要回看履约：高分方案是否真的交付，哪些标准区分度不足。可解释过程使错误可发现、争议可处理，而不是让机器分数成为新的权威黑箱。