AI 辅助的 RFI 和 RFP 设计：需求、问题与防护措施

快速回答

有效的 AI RFP 设计 是使用 AI 来整理源材料、发现缺口并起草可衡量的问题——而不是设定需求、分配评估权重、对供应商排序或做出授标决定。向每个供应商提供相同的定义、场景、响应表格和计量单位；要求对重要主张提供证据；并在整个采购生命周期中保留具名的人类审批关口。

从业务结果、当前基线、运行约束以及可接受的非 AI 替代方案开始。然后将其转化为包含指标、测试条件、验收阈值和验证方法的需求。

从决策反向设计

RFI 应当用于检验假设并改进最终的征询文件。它不应变成一种非正式、未评分的供应商选择方式。RFP 应通过说明需求、响应说明、商务假设、评估因素及其相对重要性，使提案具有实质性的可比性。

在使用 AI 起草任一文件之前，请先回答五个问题：

1. 必须改善的结果是什么？
2. 已测量的基线是什么？
3. 必须在什么部署条件下实现改进？
4. 什么证据能够证明这种改进？
5. 谁可以批准该需求、权衡取舍和授标？

这是更广泛的采购流程中的一个阶段，而不是孤立的文档生成任务。基于绩效的需求应定义可衡量的标准和评估方法，而不是规定不必要的技术设计，这与 FAR Subpart 37.6 一致。评估因素也应支持有意义的比较，并披露对决策真正重要的内容，如 FAR 15.304 所述。

起草前所需的数据输入

通用提示词不足以构成充分的采购简报。AI 采购工作流需要受控的内部输入和结构化的外部响应。

买方内部输入

• 已批准的问题陈述、业务结果、用户和受影响群体
• 当前流程图以及基线成本、周期时间、错误率和服务水平
• 需求量、季节性、峰值负载、预算约束和目标日期
• 强制性、期望性和禁止性能力
• 现有合同、架构、API、身份控制和网络约束
• 数据清单、分类、所有权、驻留、保留和允许用途
• 由买方控制的测试场景、数据集、阈值和容差范围
• 评估因素、相对重要性、取消资格条件和缺失回答规则
• 安全、隐私、无障碍、记录、知识产权和审计要求
• 具名审批人、风险容忍度、升级路径和文档保留规则
• 可行的非 AI 替代方案

外部供应商输入

要求供应商说明所提供的确切产品、模型和服务版本。要求其提供架构、重要第三方、数据流、保留策略、模型训练实践、分包处理方、部署证据、失效模式、事件历史、更新政策、回滚选项和导出格式。

商务响应应说明每一个计费单位和假设：许可证、用户数、交易数、token 或推理、存储、实施、集成、支持、超额使用、模型变更和退出协助。OMB 的 AI acquisition guidance 强调了现实测试、价格透明度、监控、可移植性、知识转移以及防止锁定的保护措施。

区分证据、推断和判断

AI 可能会让缺乏依据的陈述听起来前后一致。为防止这种情况，要求每个重要回答都带有以下三类标签之一：

• 观察到的证据： 由已识别工件支持的结果，例如测试报告、日志、审计、认证、事件记录、实测价格或参考资料。
• 模型或供应商推断： 基于其他信息得出的摘要、估算、分类、预测、比较或建议。它不是证明。
• 人工判断或承诺： 由负责任人员接受的决定、解释、权衡取舍、保证、服务水平或未来义务。

证据响应模板

如果没有可追溯的工件或成功验证，不要对 AI 摘要或供应商估算给予证据信用。

一套实用的 RFI 和 RFP 问题集

对这些问题使用统一的响应格式：

1. 相对于我们声明的基线，哪些可衡量结果得到了改善？
2. 在可比条件下，哪些观察到的证据支持该主张？
3. 哪些功能现在已经存在，哪些依赖于路线图？
4. 已知的失效模式、排除用途和可预见的误用场景是什么？
5. 哪些买方数据会进入、离开、训练或修改该服务？
6. 我们如何独立测试可靠性、安全性、成本和失效行为？
7. 需要什么人工监督，哪些信息支持人工干预？
8. 哪些模型、数据流、分包处理方、政策或价格变更需要通知？
9. 哪些数据、提示词、配置、日志和评估资产可以导出？
10. 在预期、峰值和压力测试量级下，总成本是多少？
11. 哪些情况会触发整改、回滚、暂停或终止？
12. 哪些重要主张将转化为合同承诺？

有关技术赋能采购的更多背景，请参见AI 采购。准备后续供应商讨论的团队还可以查看AI 谈判以及 Negotiations.AI 关于数据驱动的供应商价格谈判的指南。

机器学习、生成式 AI 和代理式工作流的适用位置

机器学习

机器学习可以对需求进行分类、检测异常价格或比较结构化响应字段。它需要具有代表性的历史记录、一致的标签、可比的计量单位以及有文档记录的数据质量。它的输出是一种推断：历史偏差、类别漂移、数据稀疏和市场条件变化都可能削弱其有效性。

生成式 AI

生成式 AI 可以总结访谈、起草问题、识别矛盾，并将结果转化为建议的指标和测试场景。它需要已批准的政策、最新的源文件、定义、版本元数据，以及限制在授权存储库内的检索。它可能遗漏限定条件、编造支持内容，或将实质上不同的供应商主张压平处理。

代理式工作流

代理式工作流可以编排受限步骤，例如检索已批准文件、填充可追溯性矩阵、检查未回答字段以及将草稿路由审批。它需要明确权限、工具限制、工作流状态、审计日志和停止条件。它不得自主排除供应商、修改权重、发送谈判立场或做出授标决定。参见 Negotiations.AI 关于代理式 AI 防护措施的相关讨论。

人工决策与审批关口

对以下事项记录负责任人员的人工批准：

• 问题陈述以及考虑使用 AI 的决定
• 预期用途和禁止用途，以及风险分类
• 发布 RFI 和供应商问卷
• 最终需求、阈值和测试方法
• 评估因素、权重、公式和评分说明
• 发布 RFP 及每一项重大修订
• 供应商准入或排除
• 对缺失、附条件或无法验证证据的处理
• 谈判目标、让步和最终条款
• 供应商选择、授标、验收测试和部署
• 重大模型、数据流、分包处理方、用例或价格变更
• 事件响应、暂停、退出和退役

NIST 将风险管理视为贯穿 AI 生命周期的持续活动，并在其 AI RMF Core 中要求记录角色、人工监督、测试、监控和可问责的领导责任。

谈判场景：先比较计费单位，再比较价格

某买方预计每年有 400 万笔 AI 辅助交易。供应商 A 报价每年 180,000 美元，包含 300 万笔交易，超额部分每笔 0.09 美元。供应商 B 报价 205,000 美元，包含 500 万笔交易。

按预测交易量计算，A 在实施前的成本为 270,000 美元，而 B 仍为 205,000 美元。但这种比较仍不完整：A 可能包含更强的可移植性，而 B 可能对数据导出和迁移支持额外收取 35,000 美元。

因此，RFP 应定义“交易”的含义、预测和压力测试量级、排除项、实施费用、导出要求以及价格调整规则。在 AI 谈判 期间，买方可能会提出两年期的交易量承诺，以换取超额费用封顶、包含导出、模型变更通知和终止协助。是否接受这些权衡取舍，应由负责任的团队——而不是模型——来决定。

可练习的 AI 提示词

• “仅使用已引用的源材料，将每个已批准结果转化为指标、运行条件、阈值和验证方法。对缺失输入进行标记，而不是填补空白。”
• “按主张、计量单位、测试条件、产品版本和证据日期比较这些供应商响应。不要对其评分。”
• “列出每一项路线图承诺、缺乏支持的主张、不一致的分母以及生命周期成本假设，供人工审查。”

在受控的 Negotiations.AI 工作流中，这些输出可以为带有来源链接的问题日志或谈判简报提供信息；利益相关方仍应批准假设、立场和让步。

局限性

AI 辅助起草可能遗漏不常见的利益相关方、使用过时政策、在总结时删除保留条件，或制造虚假的可比性。当工作负载、分母、日期和测试条件不同时，数值比较会失效。模型无法独立验证供应商主张、确定组织的风险容忍度、解释所有法律义务或约束买方。

应使用已批准的存储库、精确引用、版本控制、提示词与编辑日志、基于角色的访问控制，以及在语言模型之外可复现的计算。保护机密、个人和采购敏感数据，避免其进入未经批准的服务。在接近真实部署的条件下，使用由买方控制且保留的数据测试重要主张，并在任何内容对外发布前进行人工审查。

来源

• NIST AI Risk Management Framework
• OMB Memorandum M-25-22
• FAR Part 10: Market Research
• EU Artificial Intelligence Act

延伸阅读

• GSA: Buy AI
• NIST Generative AI Profile
• UK Government Guidelines for AI Procurement

常见问题

AI 是否应该通过一个提示词写完整份 RFP？

不应该。AI 应基于已批准、已版本化的业务、技术、商务和风险输入进行起草。所有者必须审查每一项需求并批准最终文件。

我们如何让 AI 供应商提案具有可比性？

提供统一的定义、计量单位、场景、数据集、量级区间、响应表格和证据字段。将当前功能与路线图项目分开，并且只有在测试条件真正一致时才进行标准化。

AI 可以给供应商评分或排序吗？

它可以计算预先批准的公式或标记缺失证据，但不应选择权重、进行主观评分、排除供应商或建议授标。评估人员应独立审查源证据。

哪些供应商主张应成为合同条款？

影响评估的重要主张应考虑转化为验收标准、保证、服务水平、实施里程碑、监控义务或救济措施。最终处理方式应由人工采购、业务、技术和法律负责人批准。

免责声明：本文提供一般性采购信息，不构成法律或财务建议。