第1章 审计方法与技术底座

第1章 · 审计方法与技术底座

本章跟着一条线走：一家虚构的区域连锁药店决定上线AI会员营销系统，从立项、选型、算账到验收，我们把这条线走完，方法就自然长出来了。

一条主线

药店的场景是刻意的：它够小，小到你能在脑子里模拟每一步；又够典型，典型到它遇到的问题——数据脏、指标虚、供应商话术漂亮——在金融和制造业里只是换了名词。本章以这个项目为贯穿案例，起点是管理层的一句诉求："隔壁都用AI了，我们是不是也该上"。这句诉求背后的焦虑，是绝大多数AI项目的真实起点，也是审计要处理的第一件事：把焦虑翻译成可验证的业务问题。

图：主线推进图

沿途站点

1.1节处理起点：为什么"演示效果惊艳"和"生产系统可用"之间隔着一条鸿沟，这条鸿沟由数据漂移、成本结构、责任边界共同构成，我们会用一段可运行的Python代码把"上限与下限"的落差算给你看。1.2节讲选型：符号规则、传统机器学习、深度学习、大模型是一条能力与成本递增的阶梯，选型的第一原则不是选最强的，而是选最接近问题复杂度的——药店案例里"会员流失预警"这种问题，一条规则加一张报表可能就够了，供应商却倾向于推销大模型方案，差价就是审计要省下来的钱。1.3节算账：AI项目的成本远不止训练算力，还有标注、运维、复核人力与机会成本，收益端则要区分"增量收益"与"本来也会发生的收益"——这是公开ROI数字里最常见的水分来源。1.4节把前三节收敛成五维审计清单（问题真实性、技术匹配度、数据可持续性、成本结构、退场机制），并演示如何用打分与证据对应的方式给一个案例写审计意见，它是后续所有行业章节的公共量具。

拐点与结论

本章的认知转折在1.1节末尾：多数AI项目不是死于模型不行，而是死于"问题定义错位"——用预测去解决本该用规则解决的问题，或反之。另一个转折在1.3节：账本上"最贵的往往不是模型，而是围绕模型重建的流程"。最终落点是：审计的价值不在否定项目，而在给出"扩量、整改、退场"三选一的明确建议，药店案例的结论恰好是第二种——整改后小范围扩量，这个三选一的决策框架会贯穿全册每一个行业现场。

读完你应该

• 能把一句管理焦虑改写成一个带基线、带指标、带止损线的业务问题
• 能为一个具体问题在规则、机器学习、深度学习、大模型之间做选型并说明理由
• 能列出AI项目成本表与收益表，识别其中最容易被忽略的三项
• 能使用五维清单（问题真实性、技术匹配度、数据可持续性、成本结构、退场机制）审计任意一个AI落地案例
• 能解释"演示衡量上限、生产衡量下限"这句话在评估报告里的具体含义：任何指标都要先问是在哪个数据集、对照哪个基线测出来的
• 能为被审计项目写出"扩量、整改、退场"三选一的建议书初稿，并给出每一条建议的证据链

下一章的接力

方法就位后，第2章进入第一个审计现场：金融、医疗、法律这三个高壁垒行业。你会发现清单里"数据可持续性"一维在高壁垒行业里几乎决定成败，而第1章药店案例里的记账方法将直接用来核对这些行业的公开ROI数字。药店的故事到此谢幕，但它留下的四件工具——问题翻译卡、选型阶梯、账本模板、五维清单——将出现在后面每一个行业现场，这也是本章名为"底座"的原因：它不是导论式的铺垫，而是全册真正反复使用的部分。建议读者在第2章阅读过程中随时翻回本章对照，第一次读清单是记条目，第二次读清单是找漏洞，第三次读时你已经会用它审自己手头的项目了。