公共采购的 AI 模型如何接受外部审计

公共采购的 AI 模型如何接受外部审计

公共采购模型在一百个项目里筛出“高风险”投标，却没人知道它为何常把小企业标红。外部审计需要能检查训练数据、特征、规则版本和真实误判，而非只看供应商演示。

外部审计不只是测总体准确率。应选真实但脱敏的采购案例，重放模型提示，看它是否系统性低估某类新企业、特定地区或创新技术。审计人员需要了解训练数据来自哪些年份、标签如何形成，以及人工评委当时怎么使用提示。若人只是照抄模型分数，工具实际影响比流程图写的更大。

外部审计模型前，要审计它在流程里的权力。系统只是提示材料遗漏，还是会自动排除投标人？人类评委是否有时间看原件，还是默认接受红色标记？风险越高，审计越深入。可以用边界案例测试：扫描件模糊、供应商采用新技术、少数语言材料、企业没有历史项目。记录模型输出、人工行动与最终影响，不能只测算法本身。

采购机构应准备脱敏样本和完整决策日志，允许独立审计人员测试不同规模、地区和行业的结果。商业秘密保护不能成为拒绝说明公共决策的理由。审计发现偏差，明确谁修模型、谁重审受影响项目，保留供应商申诉。每次重大更新后重新评估。

审计报告应区分可公开结论与受保护的商业资料，给采购机构具体修正期限。供应商更新模型后，用同一批基准案例复测，确认缺陷确实改善。审计若只在上线前做一次，很快会落后于规则、市场和模型版本变化。

审计人员需要有足够访问权限，但也必须保护商业秘密。可在受控环境查看脱敏案例和源文件，导出的报告只写必要结论。机构提前约定发现重大偏差时的暂停、重审和通知程序。供应商更新版本后复测，不让“新版本已修复”成为无证据的承诺。

外部审计应问模型“如果同一份标书换成小企业名称，结果会变吗”。若分数变化，查训练数据与评委使用习惯；若分数不变，也要看真实投标流程有没有对小企业设置别的门槛。审计不是给算法盖章，而是检查整条采购决策链。

审计员还应询问被模型标红的供应商：他们知道被怀疑的原因吗，有没有有效纠错路径？若无法回应，模型准确率再高，程序公平仍不足。外部审计要检验制度体验。

审计结果能否改变采购规则，是检验其价值的关键。若模型总对大企业有利，可能要改数据、模型，也可能要改过高的资格门槛。

可审计不是让所有代码公开给所有人，而是让适当的外部监督者能复现重要决定，发现并纠正不公平。