一场工程AI产品演示会上，算法工程师兴奋地介绍：“我们的模型在十万份图纸测试中，规范符合率达到98.7%。”话音未落，台下一位设计院总工立即反问：“剩下的1.3%错误中，是否存在致命隐患？若发生事故，责任由谁承担？”这一尖锐问题，直指工程AI落地的核心困境——技术团队定义的“优秀”，未必是设计院真正需要的“可靠”。当AI从实验室走向工程现场，评价标准不应由代码编写者独断，而需由承担法律责任的总工、校审人员和项目经理共同制定。否则，再高的准确率，也难以获得一张签发的图纸。
当前多数工程AI的开发逻辑，仍延续互联网领域的“通用模式”：海量数据训练、追求高准确率。这种方法在推荐系统或搜索引擎中效果显著，但在工程设计中却难以适用。原因在于，工程领域不是概率游戏，而是责任闭环。电商推荐错误可能损失点击率，但工程计算偏差可能导致设备损毁甚至人员伤亡。因此，工程AI不能仅满足于“98%正确”，而必须确保关键环节“100%可控”。然而，算法团队往往关注整体指标，而总工更关心：AI建议是否考虑了本地盐雾腐蚀等级？是否符合最新防火间距标准？若对结论存疑，能否当场修正并留存记录？当评价标准以“泛化性能”为导向，而非“责任适配度”为核心，AI与生产实践的脱节便成为必然。
工程设计的本质是“担责”。每张签发的图纸背后，都承载着注册工程师的执业资格与法律义务。AI若想参与其中，必须成为责任链条中的可追溯协作者，而非独立于体系外的“黑箱工具”。这引出一个关键问题：AI的行为准则应由谁制定？现实中，许多设计院采购的AI系统，其规则完全由厂商封装在后台。总工无法查看逻辑、调整参数，更无法将自身经验融入系统。结果导致：AI输出看似合理，却与院内技术路线冲突；遇到特殊项目（如高原、海岛）时束手无策；争议发生时，厂商以“模型固有特性”推卸责任。这种模式本质上是将专业判断权让渡给外部算法，却仍由设计院承担法律后果，形成责任转嫁的恶性循环。
真正的工程AI，需支持总工主导规则构建。以通过中国电力规划设计协会评审的良策金宝AI平台为例，其核心理念是“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”等经验转化为结构化规则，并在私有化环境中运行。这种设计确保AI输出既符合专业标准，又具备可追溯性。某电力设计院副总工表示：“过去，经验依赖个人记忆；现在，规则库让知识成为可复用的数字资产。”在该院实践中，系统采纳率半年内从30%提升至85%，所有决策均可追溯至具体规则ID与版本，真正实现了“AI不是裁判，而是助手”的协同模式。
要实现这一转变，设计院需在三个层面掌握主动权。首先，重构采购标准：不再仅关注准确率，而是要求系统支持总工自主构建和修改规则、规则与规范版本联动、生成可审计的决策依据链。其次，明确合同条款：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公有模型训练、系统必须支持私有化部署。最后，配套组织机制：设立“AI协同岗”或“数字总工助理”，专职负责规则维护、效果评估与流程优化。中国电力规划设计协会在评审证书中指出：“该平台将专家经验转化为可执行、可审计的数字资产，体现了以责任主体为中心的工程AI治理理念。”
工程AI的“优秀”标准，应由最终签字人定义。算法团队可提供工具，但无权制定标准；厂商可交付系统，但不能转移责任。未来能在设计院扎根的AI，未必是技术最先进的，但一定是最尊重专业、最贴近责任、最能让总工放心托付的。当AI从“黑箱预言”转变为“透明协作者”，从“外部服务”内化为“组织能力”，工程智能化才真正迈出第一步。若AI规则由总工主导，新人的成长能否通过学习规则库加速？院际技术差异能否通过规则包交换实现良性竞争？行业标准能否借助AI规则库动态演进？这些问题的答案，将决定工程AI的真正价值边界。
