上周在客户厂里开项目例会，质量环节的同事提了条意见：AI识别不准。具体哪里不准，一时说不清，就是觉得老认错。这种反馈没法直接处理。我们在一家做服装外贸的客户现场跑识别类数字员工，单据识别是日常活，几个月下来收到的"不准"不少，最后都归到了三种情况。对号入座之后，处理起来其实都不难，难的是没人拆。这篇把会上那次拆解记下来，过程里我们也踩了坑，一并写出来，给同样在厂里推AI的同行一个参照。
一、手写的单子，上线前就打过招呼头一种，AI本来就不该会。手写的采购单，字迹千奇百怪，手写体识别有天花板。这个我们在上线前就跟客户打过招呼：印刷的单子放心自动认，手写的单子认完要人工多看一眼。有一说一，手写体识别这几年进步不小，但离稳定接业务还有距离，尤其在单据这种错一个字就出事的场景。会上我们把这件事掰开讲清楚，同事听完也服气：不是AI偷懒，是这类活本来就该留人把关。
分流规则上线时就配在JBoltAI数字员工平台里，印刷单走自动通道，手写单进人工复核通道。复核通道也不是摆设，系统会给手写单的识别结果打上标记，拿不准的直接进复核队列，不混在正常数据里。期待摆正了，抱怨就少了一大截——大家知道这类单子本来就该多看一眼，不算AI的锅。
二、一个符号配错，我们的锅有一回查"不准"，查下来特别好笑。识别后的校验环节，比对公式里一个条件符号写错了，等于写成了小于等于，一部分正常的数被当成异常报出来。复核的同事发现某类数总被标异常，报给我们，对着规则一条条核，才发现是公式的事。改过来，复测，没了。后来是执行记录帮了忙，哪条规则拦的、拦的什么值，调出来一翻就清楚了。这类错误藏不住的原因也简单，识别每一步都有记录，什么时候判的、按哪条规则判的，都能翻出来。
这种就是我们自己的锅，认账要快。是配置错了就说配置错了，别往"模型就这样"上引，那会让客户对整套系统都没了判断依据。认账快还有个好处，客户看到你主动认错修错，对整个系统的信任反而上来了。修完还要补一条测试用例，保证同样的错下次能测出来。
三、两边名字对不上，最难修的一种最麻烦的一种，账认了也修不动，因为根子不在AI。物料在BOM单上一个叫法，在ERP系统里另一个叫法，中间没有统一的编码把两边对上。AI把两边的字都认对了，可两边本来就不是一回事，匹配的时候就错位。这种问题人工核对时其实也存在，老师傅脑子里有对照关系，新人就只能干瞪眼，机器只是把这个老问题暴露了出来。
这种要动客户自己的数据管理：梳理物料名称、统一叫法，AI这边配合做映射。映射在向量空间JBoltAI数字员工平台上配，多一种叫法加一条，不动流程。说白就是把两边的叫法连起来，连上之后匹配就顺了，真正花时间的是跟客户的业务人员一条条核叫法，这个过程急不得也省不得。核叫法那几天，业务科室的同事帮了大忙，谁家的物料平时谁叫什么，他们最清楚。叫法统一之后，两边的账才真正对得上。修的周期不归我们控制，所以每次汇报都把归属讲明白，免得问题在两边踢来踢去。
四、分清楚，谁的问题谁来动三种情况三个去向：手写单，提前讲清楚，走人工复核；配置错了，我们的活，限期修；名字对不上，得客户一起动手治数据。内部还有个配套说法：不会用的帮建设，信息不对称的把信息对称过去，流程不规范的推动优化。我们还有个习惯，每类问题修完都记一笔，下次同类反馈来了先翻记录，不少问题其实上次就见过。记下来的另一层用处是给新问题定性质：新反馈来了先翻老记录，看是不是老问题换了件衣服。

抱怨不可怕，可怕的是分不清。下次再听到"AI不准"，先问三句：哪个单子、哪个环节、什么样的不准。能答上来，问题就解决了一半。会上那句"AI识别不准"，最后变成了三张任务清单，各自有主、各自有时限，这就是拆的价值。这个先归因再动手的路子，也是向量空间JBoltAI交付团队处理识别反馈的固定动作。