在一场工程AI产品演示会上，算法工程师自豪地展示：“我们的模型在10万张图纸上测试，规范符合率98.7%。”台下一位总工却反问：“那剩下的1.3%里，有没有可能包含一条致命错误？如果出了事故，是你签字，还是我签字？”

这个问题，戳中了当前工程AI落地最深的隐痛：技术团队定义的“好”，未必是设计院能用、敢用、愿用的“好”。当AI从实验室走向生产一线，评价权不该只属于写代码的人，更应交给扛责任的人——总工、校审、项目经理。否则，再高的准确率，也换不来一张签发的图纸。

一、错位的评价体系：用“泛化能力”衡量“责任场景”

当前多数工程AI产品的开发逻辑，沿袭互联网AI范式：收集海量数据→训练通用模型→追求高准确率。这套方法在推荐、搜索等领域有效，但在工程设计中却水土不服。

为什么？因为工程不是概率游戏，而是责任闭环。一个电商推荐错了商品，损失的是点击率；但一个接地电阻算错，可能导致设备损毁甚至人身伤亡。因此，工程AI不能容忍“98%正确”，而必须确保“关键项100%可控”。

然而，算法工程师往往关注整体指标，而总工关心的是：这条建议是否考虑了本地盐雾腐蚀等级？是否引用了本省最新防火间距要求？若我不同意AI结论，能否当场修正并留痕？

当评价标准由“泛化性能”主导，而非“责任适配度”主导，AI就注定与生产脱节。

二、谁定义规则，谁承担后果：AI必须回归“责任载体”本质

工程设计的核心，从来不是“画图”，而是“担责”。每一张签发的图纸背后，是注册工程师的执业资格与法律责任。AI若要参与其中，就必须成为可被纳入责任链条的协作者，而非黑箱外挂。

这就引出一个根本问题：AI的行为准则，该由谁来制定？

现实中，不少设计院采购的AI系统，其规则完全封装在厂商后台。总工无法查看逻辑，不能调整参数，更无法将自己40年经验注入其中。结果是：AI输出看似合理，但不符合院内技术路线；遇到特殊项目（如高原、海岛），AI束手无策；出现争议时，厂商一句“模型就是这样”推卸责任。

这本质上是一种责任转嫁——把专业判断权让渡给外部算法，却仍由设计院承担法律后果。

真正的工程AI，必须支持总工主导规则构建。例如，经中国电力规划设计协会评审的良策金宝AI平台，其核心设计理念正是“规则由总工定义、知识归设计院所有”。在243个落地项目中，总工可通过图形化界面，将“沿海项目需双倍防腐”等经验直接转化为结构化规则，并在私有化环境中运行，确保输出既专业又可控。只有这样，AI才不是“外来裁判”，而是“内部助手”。

三、总工不应是“用户”，而应是“教练”

当前许多AI产品仍将总工视为“终端用户”——提供界面、点击按钮、接受结果。这是一种降维理解。

在理想协同模式中，总工应是AI的“教练”（Coach）：教AI什么是好方案（通过规则包）；纠正AI的错误倾向（通过干预反馈）；评估AI的成长水平（通过依据链审查）。

某甲级电力设计院的做法值得借鉴：他们采用良策金宝AI构建本地规则库，由副总工牵头，每月将典型项目中的决策逻辑提炼为新规则。半年后，该系统在同类项目中的采纳率从30%升至85%，且所有输出均可追溯至具体专家规则ID与版本。

这种模式下，AI不再是“替代者”，而是组织智能的放大器——经验不再锁在个人脑中，而是沉淀为可复用、可迭代的数字资产。

四、设计院需要夺回“AI定义权”

要实现上述转变，设计院必须在三个层面夺回主动权：

1. 采购标准重构不再只问“准确率多少”，而要问：总工能否自主构建和修改规则？规则是否与规范版本联动？所有决策是否生成可审计依据链？

2. 合同条款明确在技术协议中写明：规则定义权归属设计院；数据与知识资产不得用于训练公有模型；系统必须支持私有化部署与本地治理。

3. 组织机制配套设立“AI协同岗”或“数字总工助理”，专职负责规则维护、效果评估与人机协同流程优化。

正如中国电力规划设计协会在《良策金宝AI软件评审证书》中指出：“该平台有效支持设计单位将专家经验转化为可执行、可审计、可传承的数字资产，体现了以责任主体为中心的工程AI治理理念。”

结语：好AI，是总工“养”出来的，不是厂商“卖”出来的

回到最初的问题：工程AI的“好”，该由谁说了算？答案很清晰：由最终签字的人说了算。

算法工程师可以提供工具，但不能定义标准；厂商可以交付系统，但不能接管责任。未来三年，真正能在设计院扎根的工程AI，一定不是“最聪明”的那个，而是最尊重专业、最贴近责任、最能让总工放心托付的那个。

当AI从“黑箱预言”变为“透明协作者”，从“外部服务”变为“内生能力”，工程智能化才真正开始。

延伸思考：如果AI的规则由总工定义，那么——新人的成长，是否可以通过“学习AI背后的规则”加速？院际技术差异，是否能通过规则包交换实现良性竞争？行业标准，是否可借助AI规则库实现动态演进？这些，才是工程AI真正的想象力所在。