CEO 该问 AI 顾问的 10 个问题：先验证判断力，再决定投入
采购 AI 咨询最大的风险是判断力外包。10 个问题，在签合同之前验证顾问的判断力、诚实度与边界感——含合格回答特征。
CEO 决定采购 AI 咨询时，最该担心的往往不是预算，而是「判断力被外包出去」。一份精美的方案、一次流利的演示，都不能证明顾问能替你做对决策。本文想回答的核心问题是：在签合同之前，该问哪些问题，来验证顾问的判断力、诚实度与边界感。问题不是用来刁难，而是用来筛选。
- 采购 AI 咨询最大的风险，是把判断力外包——顾问应当给的是「可验证的论证」，而不是「不可复现的结论」。
- 合格回答有三个共同特征：给区间、给假设、给算法；而回避与打包票是两种最值得警惕的信号。
- 这 10 个问题本身就是筛选机制：好问题能区分「懂场景的顾问」与「只会讲愿景的销售」。
- 可执行的第一步：把这份清单打印出来逐条提问，并记下回答中「回避/打包票」出现的次数作为判断信号。
一、真正的风险：把判断力外包出去
企业买咨询，买的不是「行不行」，而是「怎么判断、按什么标准判断」。如果顾问的结论无法被质疑、无法被拆解，你等于把决策权连同判断标准都交了出去。判断力外包（Delegate the Judgment）的代价，往往在项目中途才暴露：进展与预期不符，你却说不出哪里出了问题。
所以验证的核心不是「专业不专业」，而是三件事：判断力（能不能想清楚顺序与取舍）、诚实度（敢不敢说不、承不承认不确定性）、边界感（知道你团队的边界与退出成本）。下面 10 个问题按这三组展开。
二、10 个问题：从判断力到边界感
这 10 个问题不必一次性问完，但每一项都值得你当场记录回答的「质量特征」，而非只听结论。
第一组 · 验证判断力
Q1-Q4- Q1你做过最接近我们行业的案例是什么、结果如何量化？——合格特征：给出业务指标与时间窗口，而非「效果很好」。
- Q2若从零起步，你会先做哪个场景、为什么是这个顺序？——合格特征：用「价值量级 / 数据完备度 / 合规成本」说清取舍。
- Q3这个场景需要哪些数据，我们现在没有怎么办？——合格特征：承认数据缺口，并给出现实替代方案（如先做小样本验证）。
- Q4你的方案里，哪些环节由人决策、哪些由模型决策？——合格特征：给出人与模型的分工与责任边界，而非「全自动」。
第二组 · 验证诚实度
Q5-Q7- Q5你上一次项目失败的教训是什么、后来怎么调整？——合格特征：能具体说出失败原因与修正路径，而非只有「成功案例」。
- Q6哪些场景你不建议做 AI、或现阶段投入产出不划算？——合格特征：主动说「不」比一味承诺更能体现判断力。
- Q7你给的投入产出，最大的不确定项在哪里？——合格特征：给出假设与波动区间，而非一个单点数字。
第三组 · 验证边界感
Q8-Q10- Q8我的团队需要多少人参与、会不会被绑定到你们的技术栈？——合格特征：说明依赖关系与退出成本，而非含糊带过。
- Q9知识、语料、与模型成果归谁所有、如何保护？——合格特征：给出数据与知识产权归属及保密机制，而非一语带过。
- Q10若项目中途调整目标，合作模式与费用如何重新约定？——合格特征：承认变化机制，给出灵活的重新评估约定。
误区警示：凡是回避收费模式、只谈愿景与「先进技术」的顾问，都值得警惕。一个连「这个场景现在不建议做」都不敢说的顾问，无法在项目真正困难时对你诚实。
三、合格回答的三个特征
无论问哪一题，好的回答都落在这三个共性上。你可以把它们当成打分标准：
给区间
用「大概在什么范围」代替「一定是多少」。区间意味着他了解波动，而不是在赌一个数。
给假设
先说「在什么前提下」，再给结论。前提写清楚，方案才可被检验、可被推翻。
给算法
给出判断的「算法」——先看什么、再看什么、标准是什么——而不只是给一个结果。
需要说明的是，文中「3-6 个月做出可用闭环」「数据治理投入占预算 20%-40%」等数字为我作为顾问的经验区间，会因企业规模与数据基础不同而变化，仅供参考。
四、可执行的第一步
这份清单最强的价值，是它在你和任何顾问见面前就已开始工作。
- 把 10 个问题打印出来，见面前逐条过一遍，并把每个回答的「质量特征」当场记下。
- 会后统计「回避」与「打包票」出现的次数，超过阈值就该继续看下一家。
- 把同样的问题抛给同场景的不同候选，用对比而不是单个印象来下判断。
当你能用这份清单验证顾问的判断力时，你就不是在买一个结论，而是在请一个能和你一起做判断的伙伴。我们同样欢迎你用这份清单来审视星阳——这正是判断力该有的样子。