是“超级工具”还是“智能主体”？

【圆桌论坛·从“辅助工具”到“决策核心”】

主持人：

本报记者                                           张舒慧  彭勇琪  

嘉宾：

清华大学公共管理学院教授                                  于  安

北京师范大学教授                                          万  喆

天津市公共资源交易中心政采业务负责人                      王永锋

中软国际副总裁、AIGC研究院院长                            万如意

政采云股份有限公司品牌部总监                              黎  娴

浩鲸云计算科技股份有限公司工作人员                        李达锋

是“超级工具”还是“智能主体”？

——业内专家共话AI评审系列问题（一）

主持人：当前AI技术在政府采购中主要有哪些应用，扮演什么角色？请大家谈谈对目前情况的整体看法。

王永锋：目前AI技术在政府采购中主要应用于政策法规问答、采购需求和采购文件的合规性审查、供应商资格性审查、投标文件符合性审查及客观分审查的辅助决策。它主要起到辅助采购人、采购代理机构和评审专家复核相关结论的作用，对提高采购效率、降低采购成本、提升采购结果透明度和公正性都有很大帮助。但不可否认，AI的作用很大程度上取决于自身训练和历史数据的总结分析，需要不断地更新迭代。

黎娴：当前，AI技术在政府采购中的应用已形成“全流程渗透、重点场景突破”的格局，主要应用包括政策咨询服务、支持采购文件编制和检测、辅助专家评审、辅助行政裁决等。

在智能辅助评审环节，AI的核心价值在于：一是提升效率，将政府采购从业人员从繁琐重复的事务中解放出来，AI通过“深度语义理解+结构化解析”双引擎，实现资格审查、业绩核验、技术条款匹配等基础工作的自动化处理，在几分钟内可以完成5名专家几小时的评审工作量；二是风险防控，AI通过构建供应商信用画像、分析投标数据异常模式等方式识别围标串标风险，同时实现评审过程的全程留痕，为监管部门提供可追溯的线索；三是促进公平，通过减少人为干预，为市场主体创造更加公平的竞争环境，构建起全链条智慧监管新模式。

从角色定位看，目前AI主要扮演着“辅助赋能者”的角色，核心特征是“人机协同”。这种定位既发挥了AI在效率提升和人为干扰规避上的优势，又保留了人类专家在复杂判断上的核心价值。

就现状来看，AI在政府采购领域处于试点突破向规模化推广过渡的阶段，技术可行性已经得到了验证，但体系化落地仍需要多维度的协同。比如，技术上存在跨系统集成难度大、算法黑箱等问题；法律上存在数据权属、责任认定等制度真空；人才上缺乏兼具采购业务和AI技术的复合型人才。

万如意：当前AI已深度渗透政府采购多环节，应用场景覆盖全流程核心节点。在需求管理环节，可辅助采购人梳理需求要点、细化技术参数，通过互动问答消除需求表述模糊问题，让需求更贴合实际使用目标；在招标与寻源环节，能针对不同品类（如IT设备、服务外包、工程物资）匹配过往成功寻源策略，同时校验招标文件合规性条款；在履约验收环节，可结合合同与初始需求，梳理关键验收标准，通过数据比对判断交付成果是否符合实质性要求，避免“形式验收”；在评审环节，凭借文档解析与逻辑匹配能力，快速将投标文件与评分标准逐项比对，标注符合或偏离要点；在监督与投诉处理环节，能深度拆解投诉质疑点，结合流程文件与政策依据给出针对性分析，突破传统标准化反馈局限；在政策落地环节，可动态平衡支持中小企业、绿色采购等政策功能与市场竞争机制，确保政策不流于形式。

从角色定位看，AI已不是单一环节的“辅助工具”，而是“全流程智能辅助者”——既能提效合规流程，又能参与实质价值判断。对现状的整体看法可从两方面总结：一方面，AI的优势已初步显现，尤其在解决效率导向下的流程冗余、人工疏漏问题上效果明显，且正逐步支撑政府采购向“以优质优价采购结果和用户反馈为导向”转型；另一方面，仍存在认知局限，一些人仍以传统软件思维看待AI，试图用固定规则约束其创造性，忽视了AI“突破规则局限、主动辅助决策”的核心价值。这会导致AI的价值未被充分释放，未能完全服务于“采购从合规花钱到高效值钱”的目标。

李达锋：在政府采购全流程中，AI技术应用已涵盖招采业务各环节。比如，面向代理机构工作人员，可提供标包划分方案智能推荐、招标文件智能生成与审查、投标人围串标行为识别等；面向供应商，能实现招标资讯智能交互、投标信息智能检索问答等；面向评标专家，可协助检索投标人信息等。

从角色定位来看，AI当前主要承担“数字员工”职能，为政府采购不同参与主体提供专业化辅助。它既是采购人的“招标助手”、供应商的“投标助手”，也是评审专家的“评审助手”、监管人员的“管理助手”。

万喆：当前，AI在政府采购中主要扮演“效率提升者”与“合规守护者”两种角色，能够自动化处理重复性工作，使工作人员从繁琐的文书与数据整合任务中解脱出来，从而聚焦于更高价值的决策环节。

尽管当前技术已具备一定智能水平，但仍处于弱人工智能阶段，存在明显局限性，主要体现在以下几个方面：首先，语义理解存在偏差，技术方案中常涉及行业术语与隐性需求，AI难以精准捕捉；其次，算法黑箱问题突出，深度学习模型的决策逻辑缺乏透明度，难以追溯其内在偏好与潜在风险，可能引发公平性质疑；最后，法律责任界定尚不清晰，现有政府采购法律未明确AI错误导致的责任归属问题，存在规则缺位风险。未来，只有在技术可解释性、数据治理与法律适配等方面取得突破，才能使AI向强智能决策核心演进。

主持人：能否让AI根据预设、量化的评审标准，对投标文件的技术方案、服务承诺等进行初步打分或排序，为专家评审提供数据参考？目前的技术和法律框架是否允许这样做，可能会遇到哪些问题与挑战，如何解决？

万如意：从技术层面看，完全可以让AI根据预设量化评审标准，对技术方案、服务承诺进行初步打分或排序。AI能精准捕捉评分标准中的量化指标（如服务响应时间≤2小时、质保期≥3年），快速比对投标文件内容并给出初步分数，甚至能标注“技术方案与需求匹配度”“服务承诺可落地性”等细节，为专家提供精准数据参考，这一点已在多地试点中得到验证。

从法律框架看，目前并未禁止此类应用，但需明确责任边界。根据政府采购相关规定，评审委员会是法定评审决策主体，需对最终结果承担责任，而AI无法替代人成为责任主体。因此，“AI初步打分+专家复核决策”的模式是合法合规的，相当于“AI一审梳理数据、专家二审把控核心”。

可能遇到的问题与挑战主要有两类：一是人机协作习惯适配问题。若AI出具上千页投标文件的初步打分意见后，专家仍需逐页复核，并未减少实际工作量，AI价值会大幅打折；反之，若专家过度依赖AI简化复核，可能忽视AI对隐性需求（如特殊行业服务时效要求）的判断不足，引发评审风险。二是制度适配问题。现有法律框架将技术工具定位为“流程保障者”，未明确AI“智力辅助”的定位，缺乏对AI初步打分的效力、专家复核责任边界的界定，导致实践中难以操作。

解决思路需分两步：第一步，明确人机分工范式，即通过试点形成“AI聚焦量化指标初步打分、专家聚焦非量化核心判断”的协作模式。比如，AI负责“服务响应时间是否达标”等量化项打分，专家负责“技术方案创新性”“团队实操能力”等非量化项判断，既提效又控风险。第二步，完善制度衔接，即短期内可在地方或行业试点规则中，明确AI的“辅助定位”与“责任豁免边界”（如AI仅提供参考，专家对最终打分负责），长期可推动将AI辅助评审纳入政府采购制度体系，明确其操作标准与效力范围。

黎娴：现阶段，已经可以实现AI辅助专家进行投标文件评审，主要功能包括针对资质证照及承诺函等文件的智能识别和快速定位、函件内容的智能提取、结合评审条件预打分等。

虽然AI技术在评标场景得到了长足发展，但目前完全依托AI完成评审尚无法律依据，“机器人专家”不能代替人类评审专家。一方面，根据《中华人民共和国民法典》，只有自然人、法人和非法人组织才享有民事主体资格，生成式人工智能尚未被赋予独立法律人格，无法承担相应的法律责任。当前，学界普遍认为AI技术本质上属于工具范畴，其行为后果归属于开发者、运营者或者使用者。另一方面，政府采购及招标投标相关法律法规均明确评审专家以独立身份参加评审，评审专家应独立、客观、公正地进行评审。在实践中，应警惕部分专家过度依赖AI判定结果，直接引用AI给出的建议或评分，放弃专业判断。为此，在产品设计时，建议用清晰、明显的方式提示AI仅为辅助，要求评审专家发挥专业作用和承担主体责任。同时，建立人工复核的校验机制，确保评审结果准确性。

此外，个人认为，因为基于不同大模型开发的智能产品有着不同的算法逻辑和数据库，每个大模型相当于“一个人”，多个大模型才相当于多个人，所以如果要实现完全由“机器人专家”评标，需要5套以上不同的大模型来参与评标。现阶段，很多所谓的智能评标产品实际上是一个大模型下的1个“机器人专家”。

万喆：在AI评分技术层面，目前已能基于预设量化标准实现初步打分。某些模型通过对政策法规与行业标准的学习生成评分报告，据称与专家结论高度吻合，具有显著的进步意义，且实用性能持续增强。

然而，该技术仍面临多项瓶颈：一是非结构化数据处理难度大，技术方案中除文字外还包括图表等多模态内容，当前多模态解析能力尚不完善；二是评审标准具有动态性，需建立可配置的规则引擎及插件式模型，以适配项目类型变化；三是学习样本规模有限，尤其在新兴领域数据匮乏，制约模型学习效果，需探索新型学习方式以改善该问题。

在法律层面，AI作为辅助工具已被允许使用，但独立决策仍存在障碍。核心问题在于责任主体模糊，若出现误判，难以确定责任承担方。现行《政府采购质疑与投诉办法》未涉及AI责任条款。此外，还存在数据合规风险，如调用供应商敏感信息是否符合《中华人民共和国个人信息保护法》、是否存在商业秘密泄露隐患等。

未来技术路径或可采取规则与案例双驱动模型，既依据显性评审标准，又学习历史案例中的隐性逻辑。同时，引入可解释AI技术，可视化决策依据，增强透明度，以提升公平性感知。法律适配方面，需明确AI在评分中的法律地位，限定其角色，并建立算法备案制度，要求供应商提交训练数据与评估报告，由监管部门审查，以明确法律责任与公平性保障机制。

李达锋：从技术实践来看，AI完全具备依据预设量化评审标准，对投标文件的技术方案、服务承诺等内容进行初步打分或排序的能力，可为专家评审提供有效数据参考。具体而言，通过采集历史招投标文件，系统可提取其中的资格要求、商务与技术评审细则及响应内容，进而梳理构建系统化的评标智审规则知识库；借助生成式AI大模型，可对供应商投标文件进行智能解析、精准定位并提取对应评审要点，再结合预设评审标准进行比对分析，最终实现评标模拟打分。在此过程中，评标专家无须逐一翻阅海量文件，可基于AI输出结果快速定位投标文件原文，对AI评分结果进行确认或修订，既能减少专家重复劳动，又能提升评标工作的整体质量与效率。

从技术与法律框架层面分析，当前技术已具备落地可行性，且现有法律框架未对此类“AI辅助评审”模式予以禁止。政府采购法律法规强调评审的公正性、客观性与规范性，而AI辅助打分可通过量化标准减少主观偏差，与法规精神相符。但实践中，仍可能面临两类挑战：一是技术层面，若历史数据存在偏差或评审标准量化不够精细，AI可能出现“理解偏差”，导致初步打分结果不准确；二是法律层面，当前缺乏针对AI辅助评审的专项规制，AI评分结果的法律地位、责任界定尚不明确。

针对上述问题，可从三方面解决：其一，优化数据质量与规则库建设，通过筛选高质量历史数据、细化评审标准量化维度，减少AI理解偏差；其二，完善法律配套规范，明确AI辅助评审的操作流程、结果效力及责任划分，如规定AI评分仅作为参考依据，最终评审结果需经专家确认；其三，建立“AI预评+专家复核”双轨机制，强化专家对AI结果的审核责任，确保评审结果既高效又合规。

王永锋：现行法律框架下，AI仍是辅助性，不能替代评审专家进行评审工作。对于投标文件的技术方案、服务承诺等专业性强，需要评审专家结合自身能力进行主观判断的领域，AI技术的应用还有一定的法律风险。同时，AI技术能否进行很好的业务量回归分析、政策法规关联性分析、特征知识量增量、典型案例的积累等，直接影响到AI技术运用的成效。

于安：当前人工智能未能广泛应用，核心原因是存在技术障碍，主要体现在两方面：一是“幻觉”问题，即输出内容脱离预期，且目前无任何使用者能保证所用人工智能不存在这一问题。加上数据处理环节存在不可预测的“黑箱”（即不可预测的内容），“幻觉”问题暂时无法避免。二是无法解决裁量问题，而交易过程中必然存在裁量需求，这使得人工智能不能直接作为决策依据。

人工智能不成熟之处有望通过技术迭代改进。例如，“幻觉”和裁量问题的部分原因是数据质量不高，未来可通过提升数据质量来改善。同时，鉴于技术迭代速度较快，未来或许会有新办法解决现有问题。

本报拥有此文版权，若需转载或复制，请注明来源于中国政府采购报，标注作者，并保持文章的完整性。否则，将追究法律责任。