8.3 三态溯源与四条红线——沉淀的东西怎么让人信

概念

沉淀下来的知识如果不可信，复用只会放大错误。数据诚实是 FDE 的职业底线。一个简单有效的做法是：让 AI 的每一条输出都标明自己的来源属于哪一态。

🖼 图：evidence three states

① 知识库实证

结论来自客户自己的文档、制度、历史案例，可点击回溯到原文。可信度最高，可直接用于决策。

② 接口实证

结论来自业务系统实时返回的数据，可复查调用记录。可信度高，但要注意数据时效与权限范围。

③ AI 推断

结论由模型基于通用知识生成，没有客户侧证据支撑。必须显式标注，禁止与前两类混在一起呈现。

提示

为什么这件事必须在入门阶段就讲清： 把 AI 推断当成实证呈现，是最快摧毁客户信任的方式。一线员工只要抓到一次「系统一本正经地编了个数」，之后无论产品做得多好，他都不会再信。反过来，一个会说「这一条我没有依据，建议你找财务确认」的助理，反而更容易被长期使用。

四条不可越过的红线

1. 不碰不该碰的数据。 进场前确认数据边界与授权范围，宁可少接一个系统，不要留下合规隐患。权限设计要按最小必要原则，而不是「先都给开着方便调试」。

2. 不替客户做终审决策。 AI 可以给建议、可以起草、可以初筛，但涉及钱、人、法律责任的最终判断必须由人做，并且系统里要留下这个人的痕迹。

3. 不隐藏失败样本。 失败样本是最宝贵的沉淀材料，也是验收谈判的诚信基础。刻意隐去不好的案例，短期过关，长期一定爆。

4. 不承诺自己没验证过的效果。 回到不确定性不向下游传递这条纪律——这是 FDE 最重要的职业操守。

注意事项

• 三态溯源的核心是「数据诚实」 ：不要把 AI 推断包装成知识库实证或接口实证。一线员工只要抓到一次「系统一本正经地编了个数」，信任就不可逆地崩塌。反过来，敢于标注「这一条没有依据，建议人工确认」的助理，反而更容易被长期信任。

• 四条红线是职业行为底线，不是载体管理规则 ：红线约束的是 FDE 的行为边界——不碰数据、不替决策、不藏失败、不空头承诺。守住这四条，沉淀出来的东西才可信、才敢用。