（来源：中国经济时报）
■陈波
2026年9月，北京市经济和信息化局、北京市发展和改革委员会联合印发《北京市加快词元经济发展的行动方案（2026—2028年）》，这是全国首个省级词元经济专项政策。方案明确提出建立词元质量评测体系，支持建设词元测试平台。自2025年以来，人工智能领域的标准化底座也在加速成型，为词元质量评测提供了必要基础，例如GB/T 45288.1—45288.3《人工智能大模型》系列标准、GB/T 45907《人工智能服务能力成熟度评估》标准、GB/Z 242《人工智能智能体技术要求》规范，以及高质量数据集质量评测相关标准，都是与词元质量评价密切相关的基础性标准规范。
词元经济要健康发展，不能只计量“产了多少词元”，更要评价“词元质量如何”。现有的标准和政策，也多聚焦于模型能力、服务成熟度、智能体技术等单点维度。2026年6月，笔者在《中国经济时报》发表《加快构建词元质量评价标准体系》一文，提出构建词元质量“能力、底线、价值”三维评价框架。这种方法在理论上具有合理性，但缺乏可操作性和操作标准。结合当前数据产业、大模型、智能体等各方面的发展情况，本文构建了“基于风险化解能力”的新的词元质量评价框架体系，这个体系把数据质量、模型质量、智能体质量和场景融合质量作为词元质量评价的四个基石，把“综合性风险化解能力”作为“词元质量好不好”的核心考量因素，对词元质量评价框架体系在理论思考层面进行了深化和升级。
为什么要从三维走向四维
前文提出的“能力、底线、价值”三维框架，提供了一个理解词元质量的理论视角。能力回答“能不能”，底线回答“安不安全”，价值回答“有没有用”。这个框架的优点在于简洁、全面，但也存在一个结构性不足：三个维度之间的关系不够清晰，特别是“能力”维度过于笼统，既包含数据层面的能力，也包含模型层面的能力，还包含应用层面的能力。在实际评价中，一个服务商可能在数据治理上很强，但在模型适配上有短板，三维框架难以精确刻画这种差异。
更重要的是，三维框架没有明确回答一个问题：词元质量评价到底是为了什么？如果只是为了给词元打一个分，那它只是一个技术指标；但如果是为了帮助使用者作出更好选择，帮助服务商证明自己的价值，那就需要一个更具体的评价指向。
基于当前使用人工智能的现状，本文认为，这个指向应该是“风险化解能力”。原因有三。
第一，企业引入AI服务的根本动机不是“拥有词元”，而是“解决问题”。解决问题意味着不仅是给出答案，而且这个答案让人放心，也就是要降低不确定性，例如数据是否可靠、模型是否会出错、智能体是否会失控、流程是否能兜底。这些本质上都是风险问题。
第二，词元质量的高低，最终要通过服务效果来检验。而服务效果的衡量，在大多数企业场景中，特别是生产企业中，主要体现在风险控制上，例如漏检率、误报率、错误率、合规率等。如果在关键任务上不能很好地控制风险，词元质量无从谈起，它的价值也就是负的。
第三，风险化解能力是可验证的。与抽象的“质量好”不同，风险化解能力可以通过过程证据和结果指标来检验。例如，事前可以看数据是否有授权、模型是否经过测试、智能体是否有控制机制、流程是否有闸门；事后可以对比错误率。这使得评价更加客观且可验证。
因此，本文在三维框架的基础上，将“能力”维度拆解为四个子维度：数据质量、模型质量、智能体质量、场景融合质量。这四个维度分别对应AI服务价值链上的四个关键方面，它们共同撑起风险化解能力的评价。底线和价值维度仍然保留，但它们不再是并列的关系，而是渗透在四维之中，这既是能力的体现，也是底线的要求；而价值的实现，则是四维质量共同作用的结果。
图片来源/新华社
四维框架的内涵与逻辑
（一）数据质量：词元质量的起点
数据质量是词元质量的基础。没有可靠的数据，后续的所有环节都难以建立可信性。数据质量评价关注四个方面。
一是来源合法性与授权清晰性。词元所依赖的数据是否有明确的来源登记？是否经过了必要的授权？授权范围是否与使用场景匹配？这是数据质量的第一道门槛，也是底线要求的直接体现。
二是数据准确性与一致性。基础模型的训练数据，定制模型的微调数据，以及企业知识库和个人贡献知识库等的准确性如何、一致性如何？是否存在系统性偏差？这些问题直接影响模型输出的可靠性。
三是数据版本管理与可追溯性。数据是否建立了版本管理制度？每一次更新的内容、时间和责任人是否可以追溯？这对于后续的问题定位和责任划分至关重要。
四是数据安全与隐私保护。敏感数据是否经过了脱敏处理？访问控制是否到位？数据泄露的风险是否得到了有效管理？
数据质量的评价，是为了清楚掌握数据实际情况，确保数据的风险在可控范围内。数据质量做得好的服务商，能够清楚地告诉客户“数据从哪里来、经过哪些处理、有哪些已知局限”。这种透明度本身就是风险化解能力的体现。
（二）模型质量：词元质量的核心
模型质量是词元质量的核心环节。模型的选择、适配和部署方式，直接决定了词元的生成质量和风险水平。模型质量评价关注四个方面。
一是模型选择的任务适配性。是否根据具体任务而非模型参数大小来选择模型？是否考虑了任务的复杂度、实时性要求和成本约束？一个常见的误区是追求参数大的通用模型，但很多企业任务用轻量化模型，或者是专门定制的小模型即可高效完成，词元消耗少且风险更低。
二是模型能力的可验证性。模型在目标任务上的表现是否经过了独立测试？测试数据集是否具有代表性？测试结果是否公开透明？服务商是否提供模型在典型场景下的性能基线？
三是模型版本的边界与缺陷披露。模型是否有明确的适用边界声明？已知的缺陷和局限性是否被如实告知？版本更新是否记录了变更内容和影响评估？
四是模型安全与鲁棒性。模型对抗攻击的防御能力如何？在输入分布偏移时的表现是否稳定？是否存在已知的安全漏洞？
模型质量的评价，核心是回答一个问题：这个模型在多大程度上值得信赖？服务商不是要证明模型永远不会犯错，而是要证明模型的能力边界是清晰的，并且在边界内是可以信赖的。
（三）智能体质量：词元质量的控制枢纽
随着AI应用从简单的问答走向复杂的任务执行，智能体成为词元质量的关键控制枢纽。智能体负责理解用户意图、规划任务步骤、调用工具、处理异常、决定何时需要人工介入。智能体质量评价关注四个方面。
一是目标理解与任务分解能力。智能体是否能够准确理解用户的真实意图？是否能够将复杂任务合理地分解为可执行的子任务？是否存在误解指令或过度解读的风险？
二是工具调用与权限控制。智能体调用了哪些外部工具？每次调用的目的是否合理？调用权限是否受到控制？是否存在越权调用的风险？
三是异常处理与人工接管机制。当智能体遇到无法处理的异常情况时，是否有明确的降级策略？是否能够及时请求人工介入？人工接管的流程是否顺畅？
四是行为可追溯性。智能体的每一步决策是否被记录？决策的依据是什么？是否可以回溯分析？这对于事后审计和责任划分至关重要。
智能体质量的评价，本质上是对“自主性风险”的评价。智能体越强大，自主性越高，潜在的风险也就越大。因此，智能体质量评价的重点不是智能体有多聪明，而是它在多大程度上是可控的。
（四）场景融合质量：词元质量的最终检验
场景融合质量是四维框架中最高层次的维度，也是前三个维度发挥作用的前提。一个服务商可能有很好的数据、很强的模型、很聪明的智能体，但如果不能将这些能力有效地融入企业的具体业务流程，最终的服务质量仍然无法保证。场景融合质量评价关注四个方面。
一是业务流程的适配程度。AI服务是否与企业的现有业务流程无缝对接？是否需要企业大幅改变工作方式？对接过程中是否存在信息丢失或失真？
二是质量闸门的设置。关键输出是否经过事实核验、规则校验、权限审批和人工复核？闸门的触发条件和升级机制是否合理？
三是验收标准的明确性。服务的验收标准是否在事前与客户达成一致？验收指标是否可量化、可验证？验收过程是否有双方确认的记录？
四是持续运营与改进机制。服务上线后，是否有持续的监控和反馈机制？发现问题的响应速度和处理流程如何？改进措施是否被记录和追踪？
场景融合质量的评价，就是看这套AI服务在实际业务中真的能用、好用、可靠吗？
（五）四维之间的内在逻辑
四个维度不是孤立的，而是构成了一个层层递进、相互支撑的结构。数据质量是地基，没有可靠的数据，后续一切无从谈起。模型质量是支柱，决定了词元生成的上限。智能体质量是控制系统，决定了风险能否被及时发现和处置。场景融合质量是屋顶，决定了前三个维度的能力能否在实际业务中兑现。任何一个维度的缺陷，都可能成为整个服务风险的突破口。因此，四维评价不是给四个分数然后取平均值，而是要识别出最薄弱的环节——因为那才是真正的风险所在。
风险化解能力的理论意义及实践意义
（一）什么是风险化解能力
本文给出的定义是：风险化解能力是指某项AI应用服务，通过系统性的数据治理、模型适配、智能体控制和场景融合，识别、评估、降低和控制AI服务过程中的各类风险，并将风险控制在可接受范围内的能力。
这一定义包含四个要素。第一，风险化解是系统性的，不是零散的修补，而是贯穿服务全过程的设计。第二，风险化解覆盖四类风险：数据风险（来源不明、授权不清、质量低下）、模型风险（能力不足、适配不当、版本失控）、智能体风险（目标偏离、工具滥用、异常失序）、融合风险（流程断裂、闸门缺失、验收模糊）。第三，风险化解的目标是将风险控制在可接受范围内，而不是追求零风险——零风险在AI服务中是不现实的。第四，风险化解能力是可验证的，通过过程证据和结果指标来判断。
（二）风险化解能力的理论意义
将风险化解能力确立为词元质量评价的核心指向，在理论上至少有三个方面的意义。
第一，它为词元质量评价找到了一个具体的、可操作的锚点。在没有这个锚点之前，词元质量评价容易陷入泛泛而谈——“质量好”是什么意思？不同的人有不同的理解。风险化解能力给出了一个明确的回答：质量好的词元，是那些能够帮助服务使用者降低风险的词元。这个回答虽然不能覆盖词元价值的全部，但它提供了一个坚实的起点。
第二，它将四维框架串联成一个有机的整体。如果没有风险化解能力这个核心指向，数据质量、模型质量、智能体质量、场景融合质量就容易变成四个孤立的评价维度，彼此之间缺乏联系。风险化解能力像一条主线，分别从输入风险、生成风险、控制风险、落地风险降低词元服务的风险及服务使用者的使用风险。
第三，它打通了从评价到改进的闭环。风险化解能力不仅是一个评价概念，也是一个改进概念。当一个服务商知道自己的风险化解能力在哪方面存在短板时，它就有了明确的改进方向；当某项词元服务在哪方面存在风险点时，也就有了明确的弥补方案。
（三）风险化解能力的实践意义
风险化解能力不仅在理论上是四维框架的核心指向，在实践中也具有多重意义。并且，风险化解能力评价有两种基本用途。一是他评，用于服务商向采购方证明能力；二是自评，用于服务商或企业自我诊断、发现短板。两种用途共用同一套框架，相互促进。
对服务商而言，风险化解能力提供了差异化竞争的依据。在词元数量定价模式下，服务商只能比拼价格和产量，高质量的服务商难以脱颖而出。而风险化解能力评价让服务商有机会证明自己的独特价值。对于风险敏感型客户——如金融、医疗、制造等行业的企业——这种差异化优势尤为重要。服务商还可以通过自评发现自身短板，有针对性地进行改进，从而不断提升竞争力。
对采购方而言，风险化解能力降低了筛选成本。在没有评价框架的情况下，采购方只能凭借品牌声誉、试用体验来选择服务商，信息不对称严重。有了风险化解能力评价框架，采购方可以对照四维框架逐项考察服务商的能力，这使得采购决策从“凭感觉”走向“凭证据”。
对管理者而言，风险化解能力提供了产业治理的新思路。管理者不必直接干预市场定价或指定服务商，而是通过提供共同语言、测试验证平台、争议处理机制等公共基础设施，引导市场朝高质量方向发展。
对行业生态而言，风险化解能力评价有助于形成良性竞争环境。当评价标准公开透明、评价结果可以被市场验证时，低质服务商将越来越难以生存，高质量服务商将获得更大的市场份额。这种优胜劣汰的机制，最终受益的是整个行业和所有的服务使用者。
从三维框架到四维框架、从“能力、底线、价值”到“数据、模型、智能体、场景融合”、从一般性质量描述到风险化解能力的可验证判断，词元质量评价正在经历一次重要的理论深化。风险化解能力作为四维框架的核心指向，赋予了词元质量评价一个明确的目标：评价不是为了打分，而是为了让服务使用者更放心、让服务商更有方向、让管理者更有依据。
当然，这个框架还不是终点。评价指标的具体化、不同场景下风险等级的划分方法、评价结果与定价机制的衔接方式、评价标准的动态更新机制等问题，都需要在产业实践中不断探索和完善。本文提出一个供讨论的方向，希望词元质量评价从模糊判断走向可验证的体系，并且希望词元质量评价成为“人工智能+”时代一项重要的产业基础设施。
（作者单位：中国经济时报社）
总 监 制丨杨玉洋车海刚
监 制丨陈 波 刘卫民
审 核丨周子勋发 布丨蒋 帅
