AI运行卡片应记录什么?

AI 运行卡片的核心价值，在于把“感觉模型变差了”这类模糊判断，转换成团队可以共同讨论的运行事实。它不需要写成厚厚一册文档，重点在于让值班工程师、产品负责人和业务使用者对“正常”与“不可接受”持有同一套标准。一张有效的运行卡片，应当围绕四个维度来组织：任务定义、输入边界、输出处置和异常责任。

任务定义要回答“这个 AI 能力解决什么业务问题”，而不是描述模型技术指标。输入边界则要写明哪些输入不应被接受，这是生产环境中最容易被忽视的一环——演示环境里模型不会遇到脏数据、越界请求和语义模糊的文本，但生产环境每天都在面对。输出处置需要明确什么结果必须转人工处理，什么结果可以自动放行，这直接关系到风险边界是否清晰。异常责任则要落到具体角色：出现偏差后由谁暂停或降级，而不是等问题发生后再临时协调。

在可观察指标的选择上，不宜只盯着调用量或响应速度这类基础设施指标。更有意义的观察维度包括：关键任务的完成质量是否持续稳定，异常输出能否被及时识别，人工兜底是否集中发生在某类特定场景，模型版本或数据变化后是否出现明显回退。这些指标共同指向一个更本质的问题——一次问题从发现到恢复，需要经历多少次跨团队交接。交接次数越多，说明运行卡片对责任边界的定义越模糊。

运行卡片还应包含可操作的变更记录。每次复盘发现异常后，团队应当在卡片上留下一个明确改动：是修改输入规则、调整人工复核位置、修正数据来源，还是改变责任边界。这张卡片因此不是静态文档，而是随系统演进而持续更新的运行契约。若第二个团队能在较少解释的情况下沿用这套卡片，说明组织开始拥有可复制的 AI 生产能力；若每次都要重新解释一遍，则说明卡片本身的设计出了问题，需要回头修正，而不是继续补充内容。