把一份招标文件交给模型,几分钟后就能拿到一章"施工组织设计":结构完整,用词规范,读下来挑不出毛病。第一次看到的人,多半会想:这件事是不是已经可以交给 AI 了?
可是把这一章交给长期编技术标的人,他往往翻两页就停下来:这里的工期和招标文件对不上;这台设备公司里没有;这一段放进哪个项目都成立,评审专家一看就知道是套话。
这篇文章想讲清楚两件事:AI 写出来的方案,问题通常出在哪里;以及我们在做壹方成时,为什么把"交给人修改"当成产品的一部分,而不是一个等着被消灭的缺陷。
通顺,不等于适用
同样是"施工进度计划",一个五层的学校和一座跨江大桥,要写的东西完全不同。工期、现场条件、资源安排、评分要求,决定了一份方案该写什么、不该写什么。模型可以很快写出一段通顺的文字,但如果它和项目的条件对不上,评审专家一眼就能看出来。
模型最擅长的,恰恰是"像":像一份方案该有的结构,像一位行家会用的词。它读过大量公开的文本,知道进度计划一般分哪几节、质量保证措施通常写哪几条。但它没有去过这个项目的现场,不知道学校只有寒暑假能大面积施工,不知道大桥的水上作业要避开汛期,也不知道这家企业手上有几台塔吊、哪支班组刚刚空出来。
技术标的评审,看的正是这些只属于这个项目的内容。评分办法里常见"针对性强""切合工程实际"这样的要求,说的就是这个。一段放在哪里都成立的文字,在这里反而拿不到分。
一个数,出现在好几处
一份技术标不是一篇作文,而是一套互相引用的文件。工期写在正文里,也画在进度横道图上;劳动力人数写在正文里,也列在劳动力计划表里;主要机械既出现在施工方案中,也出现在机械设备表中。
模型一次写一段文字时,并不天然知道另一张表里写的是多少。更常见的麻烦来自修改:开标前几天,工期从 180 天调成 150 天,正文改了,横道图没跟上。这样的错误读起来完全通顺,只有把几份文件摊开对着看才会发现,而它恰恰是评审时最容易被扣分的地方。
所以壹方成把核对做成了固定的一步:同一个数在正文、附表和横道图里出现几次,就核对几次;评分办法里的每一条,都逐条对照到正文的具体章节。这件事枯燥、费时,但有明确的对错,正适合交给工具。
停下来,比猜一个答案好
真实的投标资料里,到处是彼此对不上的地方:图纸上的数量和工程量清单不一致,招标文件前后两处对工期的说法不同,答疑纪要又改了其中一条。
面对这种情况,模型最顺手的做法,是挑一个看起来合理的数接着往下写。写出来的文字依然通顺,但它悄悄替人做了一个本不该由它做的决定,而且没有留下任何痕迹。
壹方成在这里会停下来:把对不上的两处并排列出、标明出处页码,请人确认用哪一个。确认之后,正文、附表、附图按同一个答案一起导出。停一下看起来慢,但比起开标前才发现前后矛盾,要省事得多。
把修改留在流程里
所以我们没有把"一次写对"当作唯一的目标。壹方成写出的每一段,都标明它依据的是招标文件的哪一条、哪一份资料;资料之间对不上的地方,它会停下来,等人确认。成果是可以继续改的文档和表格,而不是一份只能整体接受或整体推翻的输出。
依据看得见,修改才有方向。专业人员拿到初稿时,不必从头怀疑每一句话:哪一段是照着招标文件写的,哪一段用了企业资料,点开就知道;觉得不合适的地方,直接在文档里改,就像改一位同事交来的稿子。
人保留哪些判断
工具能承担的,是读、找、写、对:把几百页的招标文件读完,把要求一条条找出来,按要求写出初稿,再把数字和评分点逐一对上。这些事费时间,但大多有明确的对错。
另一类事情没有标准答案:选哪一种施工方案,在哪里多投入资源,把哪些风险写在前面,这个项目的评审更看重什么。这些取舍依赖经验,也依赖企业自己的实际情况,应该由人来做。
工具承担能够承担的部分,人保留最重要的判断。
我们希望壹方成做到的,是把第一类事情做得足够可靠,让人把时间留给第二类。
回到真实的任务里检验
这条路走得通不通,要回到真实的项目里检验。我们正在和专业编标团队一起,用他们手上的项目打磨壹方成:哪里省了时间,哪里还要人花力气,都记下来,变成下一次的改进。
这一轮陪跑主要看三件事:招标要求能不能被完整读出来;写出来的章节,专业人员愿不愿意直接拿来改;正文、附表和横道图里的数字,能不能一直对得上。答案不在我们的演示里,而在他们交出去的标书里。