客户问的不是你的模型有多聪明。这周跟一个做医疗 AI 的朋友吃饭，他说客户见面的第一个问题永远是“数据出不出院”，不是“准确率多少”。我后来想想，这句话能概括我见过的所有 B 端 AI 项目：客户最先问的三个问题，按顺序是数据出不出域、错了谁负责、比现在的人工省多少。技术团队准备的材料，通常在答第四个问题——模型多先进。前三个，反而没人准备。
为什么都是先问数据出不出域
因为客户要应付的是自己内部的合规和法务。数据不出域是底线，不是技术选型问题。你拿再好的模型去，只要数据要出他们的边界，这项目在第一轮就被毙了。
这周 arXiv 上有篇 Tracing the Heart 的文章，讲 EHR（电子健康记录）特征工程占数据科学家工作量的 39-45%，逻辑也在这：医疗数据全绑在院内系统里，你敢动它，医院就敢让你走。金融那边也一样，Beyond Top-K 那篇说财务报表和审计报告这类文档不适合切块再做 top-k 检索——但真正的谈判重点不在检索效果，在审计底稿根本不允许离线复制。
客户问“数据出不出域”的时候，真正在问的是：你动了我的数据，我的合规流程扛得住吗？所以答案要具体：“训练只用脱敏样本，推理在你们 VPC 里跑，原始数据不落地我们这边。”一页纸，写清楚边界。
错了谁负责，这个答案含糊不得
“错了谁负责”是所有问题的核心，也是大部分技术团队最想绕开的。绕开的代价，我们在 HN 上这周的 一个研究 里看到了：40,000 次游戏运行里，人类审批 agent 命令时漏掉了三分之一的安全威胁。人审 agent 不可靠，那 agent 错了到底算谁的？
我见过最糟的答案是这样的：“我们这个模型准确率 98%，剩余 2% 有兜底。” 兜底是什么？谁执行？出了事赔多少？客户不是要你保证不出错，他要的是出事之后有人接得住。你把责任条款含糊过去，项目试点时没事，验收时合规部门一介入，直接炸。
要正面答。“责任边界如下：模型输出建议，人类决策；误诊导致的损失，我们按合同上限赔付；但输入数据造假导致的问题不归我们。”写清楚，客户反而踏实。含糊才是最大的风险。
比人工省多少，要算清楚，不是给百分比
客户问“省多少”的潜台词是：我换掉这拨人，省下的钱够不够付你的服务费。答案要落到“省了几个工时”或者“少招几个人”，不是“效率提升 40%”。那种数字你不敢签字，客户也不信。
OpenAI 这周发了篇德国税务咨询公司 HSP GRUPPE 的案例，说提升了生产力和工作质量。但卖企业项目时，客户会追问：“所以呢？几个全职人力工时被释放了？”这问题躲不开。你得自己测：让客户让你跟两三天人工流程，数清楚一件固化的任务花多久，agent 花多久，中间多少交接、多少返工。然后按他们的人工时成本，算出具体数字。
同时说明白边界：哪些场景不做——比如超过某个金额的决策、必须人工签字的环节。省钱的数字和边界放同一页，显得可信。
没准备前三个，验收时炸
技术团队材料里放满了 benchmark 提升、模型架构创新、agent 编排能力。但客户问的永远是：数据放哪、出事谁赔、省几个钱。你答模型多先进，等于没答。
解决办法就一个：把前三个问题的答案写成一页纸，每问一页，带数字、带边界、带你算这个数字的方法。拿这个去开会，客户会觉得你懂他的业务，不是来炫技的。至于反面，最经典的死法就是“错了谁负责”含糊过去——项目在验收时被合规直接叫停，前面所有技术投入全打水漂。
我不确定是不是所有行业都这样。也许消费级产品、内部工具，客户问的顺序不一样。但 B 端、医疗、金融、企业软件，我赌这个顺序是稳的。不信下次有客户聊方案，你先自己数数对方前三个问题是什么。