4.4 政府与公共服务：政务问答与审批辅助
4.4 政府与公共服务：政务问答与审批辅助
政务AI的两个主要形态是政务问答（办事指南、政策咨询的对话机器人）与审批辅助（材料预审、资格初筛）。本节审计它的成色：问答机器人的幻觉治理、审批辅助的程序正义底线、以及"非关键路径先行"的落地智慧。
咨询台前的问题
一位市民在政务问答机器人里问"灵活就业社保断缴三个月补缴有影响吗"，机器人流畅作答，条款编号说得清清楚楚——但那是它编的。政务领域的幻觉不只是丢脸，它可能被截图传播、被当成官方口径。所以政务问答的成色几乎完全取决于一件事：回答能不能被钉在政策原文上。工程上可行的形态与2.3节法律AI的锚定设计同构——检索到具体政策条文，回答只做条文的改写与组合，答不上来就明确说"未找到依据"并转人工。审计政务机器人最有效的一个测试：连续问十个具体到条款的问题，数一数有几条回答带原文引用、有几条在裸答。
POLICY_DB = { "社保断缴补缴": "依据城镇社保经办规程，断缴三个月内可申请补缴，逾期按规定处理", "居住证续签": "依据居住证管理条例，到期前三十日内可申请签注", } def answer(query, retriever_match): """锚定式政务问答：无依据则不回答——宁可转人工，不可编。""" if retriever_match is None: return {"text": "未在现行政策库中找到依据，已为您转人工坐席。", "cited": False} return {"text": POLICY_DB[retriever_match], "cited": True} print(answer("断缴补缴", "社保断缴补缴")["text"]) print(answer("学区房划片", None)["text"]) # 关键设计不是检索多强，而是"找不到就不答"的克制。 # 一个敢说不知道的政务机器人，成色高于一个什么都敢答的。
审批辅助的正义底线
审批是另一个量级的问题：它直接影响个人权利（补贴资格、执照发放、落户积分）。这里有一条不可妥协的审计底线：AI只能做辅助，判定必须留给人，且申请人必须有申诉通道。具体拆成三个检查项。第一，材料预审可以自动化——识别缺件、格式错误这类无争议判断，机器做没有问题。第二，资格初筛只能做排序与提示——系统可以标记"此件疑似不符"，但不能直接生成拒绝决定。第三，拒绝决定书上不能出现"系统判定"作为理由——法定理由必须是人类可理解、可辩论的政策依据。
def review_application(doc): """演示合规的分工：机器管缺件，人管裁决。""" machine_notes = [] if not doc.get("身份证复印件"): machine_notes.append("缺件：身份证复印件") if doc.get("收入证明日期", "") < "2025-08": machine_notes.append("提示：收入证明超出有效期，需人工确认") decision = "转人工裁决" # 机器永远不出终局决定 return {"机器备注": machine_notes or ["材料齐全，进入人工审核"], "处理流向": decision} case = {"收入证明日期": "2025-06"} print(review_application(case)) # 机器的输出全部是"事实性备注"，没有一个词是"同意"或"拒绝"。
非关键路径先行
落地节奏上，成色好的政务AI项目几乎都从非关键路径切入：先做内部知识检索（公务员查政策）、会议纪要整理、热线工单分类，再对外做问答，最后才碰审批辅助。反过来一上来就改造审批流的项目，往往在一个复杂业务还没数字化清楚时就引入算法，结果两头不靠。审计时看项目的切入点在哪条路径上，基本能预判它的存活率。
图：政务AI的风险分级与落地路径
这张路线图不只是实施建议，也是审计的分类尺：拿到一个政务AI项目，先看它站在哪一格、有没有越级——从第一格直接跳到第三格的项目，几乎都栽在业务本身还没数字化清楚的沟里。反过来，老老实实从第一格走起的团队，到第三格时已经攒够了政策库、口径表和内部信任，审批辅助只是水到渠成的延伸。技术在这条路上是次要变量，路径顺序才是主要变量。
结果、解读与变式
背景（咨询台前的幻觉）、操作（锚定问答与合规分工原型）、结果（三条程序正义检查项）完整。解读：政务AI的成色公式里"误伤可申诉"权重最高——覆盖一百万人但申诉无门，不如覆盖十万人但件件可纠正。变式：法院的类案推送、税务的风险提示、社保的反冒领核查都是同构场景，程序正义三检查项原样可用。下一节看本章最后一个现场：工地上的估价与巡检。
问答机器人的评测纪律
政务问答上线后的评测也值得立规矩。常规的"满意度评分"几乎没有区分度——不满的用户早已离开。更有效的三个指标：转人工率及其原因分布（哪些问题机器人答不了）、重复提问率（用户没得到答案的信号）、引用命中率（回答附带了有效条文的比例）。按月看这三个数的趋势，比任何问卷都诚实。评测样本的抽取也有讲究：要包含方言表述、错别字、口语化的追问，政务用户的真实输入远比测试集里的标准问句粗糙，而恰恰是这些粗糙输入上的表现决定了系统在市民心中的口碑。
数据互通的边界
政务AI还有一个别处没有的复杂性：数据孤岛是制度设计的产物而非技术欠账。公安、民政、税务的数据分割有其正当理由，AI项目要跨部门取数时，走的不是技术接口而是权责协议。审计时看到"打通数据壁垒"的宏大方案，先问法律依据与授权链条——多数项目卡在这一步不是因为技术做不到，而是应该做不到。诚实的政务AI方案应该在数据边界内做优化，把跨部门的想象留给制度演进的节奏。
从问答到办事的最后一跳
政务数字化的终局诉求不是"问得清"而是"办得成"，问答机器人之后的下一跳是办事引导：把"我要办这件事"翻译成材料清单加流程路径。这一跳的审计要点与审批辅助不同——它不碰权利判定，难点在流程知识库的维护。各部门的办事指南更新频繁，机器人引用的流程过期一天就是一次群众白跑。成色好的系统给流程知识库设了保鲜机制：每条流程带生效日期与责任科室，到期自动提醒复核。这种细节不会出现在发布会上，却决定了系统第二年还活着与否。