AI报价与人工报价冲突：41%不一致背后的数据治理真相

一家商业清洁公司请我诊断他们的AI接待员，因为“它总是报错价格”。我调取了他们一个季度的143份报价记录——每一份都是AI先给出数字、销售后为同一工作报价的案例。结果令人震惊：59份报价不一致，占比41%，平均差距18%。最极端的一例中，AI对同一面积、同一频率的办公室清洁报价1850美元，而客户经理报价2400美元。客户在四天内拿到了两份书面报价。

AI报价与人工报价冲突案例

问题不在模型，在数据治理

我的第一反应是AI幻觉，但阅读对话记录后发现并非如此。AI读取的是共享 drive 里一份2023年的价目表，销售用的是自己邮箱里2025年的版本，而CRM系统里还有第三套数字，与两者都不匹配。三套“官方正确”的数据源从未被调和：

数据源	使用者	最后更新	月最低消费
价目表v3（共享drive）	AI代理	2023年3月	$480
价目表v5（销售邮箱）	客户经理	2025年1月	$620
CRM产品列表	CRM生成的报价	部分迁移	$550

AI没有错，它只是忠诚于一份没人下架的文档。这既是容易修复的问题，也是更糟糕的问题——因为客户发现两个价格后，不会认为“他们的数据混乱”，而会认为“他们在随口编造”。

报价一致性本质上是数据治理问题，只是披着提示词的外衣。 如果先调提示词，只会让AI对错误数字更自信。

AI幻觉通常指模型生成看似合理但与事实不符的内容，例如编造不存在的引用或价格。但在企业场景中，许多被误认为“幻觉”的错误，实际是模型忠实读取了错误或过期的内部数据。区分二者很重要：幻觉需要改进模型或提示词，而数据源错误需要治理。本文案例属于后者——AI没有编造数字，而是忠实地复述了一份未被下架的旧价目表。

第一步：确立唯一价格权威

修复始于任何提示词工作之前。指定恰好一个工件作为价格权威，并赋予版本号和过期日期。其他所有副本都允许出错，因为它们不是权威。

我使用的结构是一份文件，每行一个可售单元，无散文：

sku,unit,list_price,min_qty,tier_2_qty,tier_2_price,floor_price,effective_from,expires,notes
CLEAN-STD-SQFT,sqft,0.14,2000,5000,0.11,0.09,2026-01-01,2026-12-31,excludes consumables
CLEAN-DEEP-SQFT,sqft,0.31,1000,3000,0.26,0.22,2026-01-01,2026-12-31,first clean only
CLEAN-WEEKLY-VISIT,visit,180,1,4,155,140,2026-01-01,2026-12-31,min 4 visits/month

三条规则让AI可用：

expires字段强制必填。过期价格比没有价格更糟，因为AI会自信地报出。指令AI：若今天日期超过expires，说明需要确认并升级处理，禁止外推。
floor_price不关AI的事。AI只报目录价或阶梯价。底价是给人类用的。如果AI能看到底价，它最终会用它成交，把利润让给一台想帮忙的机器。
notes只包含排除项。不是销售指导，不是“这里利润好”。任何读起来像建议的内容都会被AI转述成承诺。

然后删除或水印旧表。那家公司的2023年表在失效18个月后仍留在共享drive里，而且是搜索“price”的第一个结果。

单一事实来源（Single Source of Truth，SSOT） 是数据治理中的核心原则：对某一类数据只指定一个权威存储位置，其他副本均为派生或只读。在报价场景中，这意味着所有系统（AI、CRM、销售工具）都从同一份带版本号和有效期的价格文件读取数据。SSOT 并不要求物理上只有一个文件，而是要求逻辑上只有一个被认定为“正确”的来源，其他副本必须明确标注为非权威或同步自权威源。

第二步：强制报价结构，而非报价句子

多数AI以散文形式报价：“3000平方英尺办公室每周清洁每次约420美元。”这种句子无法审计，无法对比，还邀请客户对着感觉讨价还价。

让AI输出固定块：

QUOTE
Service:        [service name]
Quantity:       [number] [unit]
Unit price:     $[x] per [unit]  (tier: [list/tier 2])
Line total:     $[x]
Assumptions:    [up to 3 — access hours, frequency, exclusions]
Valid until:    [date from expires field]
Not included:   [consumables / travel / after-hours]
Next step:      [book survey / confirm frequency / human review]

这一举三得：所有报价在电子表格中可比较；假设被显式列出——80%的争议就藏在这里（“你没说有三层楼”）；强迫AI说明“不报价”的内容，这是发票后愤怒电话的最常见原因。

Valid until字段还在悄悄发挥作用：当客户翻出旧邮件时，AI有正当理由说“该价格有效期至3月31日”，而不是争论。

结构化输出（Structured Output） 指要求模型按预定义格式（如 JSON、固定字段块）返回结果，而非自由文本。结构化输出便于程序解析、存储和比对，也降低了模型自由发挥的空间。在报价场景中，固定块强制模型显式列出数量、单价、假设和排除项，使每份报价成为可审计的记录。实现上可通过提示词模板、JSON Schema 约束或函数调用（function calling）来保证格式一致性。

第三步：每周度量漂移，而非轶事

不能靠阅读对话记录来管理。建一个小报告：对每个同时获得AI报价和人工报价的工作，计算差距。

Week of: ____
Jobs quoted by AI then by human: ____
Quotes that matched (±2%): ____%
Median gap: ____%
Largest gap: ____% on [service]
Gap direction: AI higher ____% / AI lower ____%

两种模式值得关注：

AI持续低于人工：通常是过期阶梯价、缺失数量折扣，或AI应用了不该知道的折扣。商业风险是客户带着AI数字找人工，人工为成交吃掉差价——这训练所有人不信任AI，并悄悄摧毁利润。
AI持续高于人工：通常是AI报目录价而人类习惯在表外打10-15%折扣。这不是AI缺陷，是未记录的折扣政策。写下来，或者停止这样做。

那家清洁公司合并到一个价目表并加入报价块后，五周内不一致率从41%降到6%。剩余6%几乎都是合法的：现场勘察发现了电话里无法发现的问题。

报价漂移（Quote Drift） 指同一工作在不同时间、不同渠道或不同报价者之间出现的价格差异。漂移不一定代表错误，但持续漂移会侵蚀客户信任。度量漂移需要将 AI 报价与人工报价配对，计算匹配率、中位差距和差距方向。持续监控漂移能揭示系统性问题，例如过期阶梯价、未记录的折扣政策或数据源未同步，从而在客户发现之前修复。

第四步：公布折扣权限

当两个人能报价时，你需要一张表说明谁可以动数字、动多少。否则AI报目录价，人工报目录价减15%，客户学会永远要求转人工。

角色	折扣权限	必须记录
AI代理	0% — 仅目录价或公布阶梯价	对话记录中的完整报价块
前台	5%	原因代码
客户经理	12%	原因代码 + 竞争对手参考
销售主管	20%	书面批准
低于底价	仅老板	—

给AI一句话应对施压：“我无法调整价格，但我可以帮您联系能看整个项目的人。”这诚实、保护底价，并把谈判路由给有权进行谈判的人。一个为了帮忙而即兴打折的AI，是最昂贵的那种帮忙。

第五步：合同前对账，而非事后

一个检查清单项就能防止大部分问题。任何报价变成合同前，有人比较AI报价块与最终人工报价并记录差异。每份工作30秒。

[ ] AI报价存在并附在交易上
[ ] 最终报价价格 = AI价格，或差异有原因代码
[ ] AI报价中的假设与勘察发现一致
[ ] 最终报价的有效期在未来
[ ] 最终报价的排除项与AI给出的一致
[ ] 若应用折扣：在角色权限内，原因已记录

倒数第二行能抓住大量问题。AI说“不包含：耗材”，人工的最终报价删掉这行显得更干净。六周后客户收到耗材发票，称之为诱饵调包。

真正让你付出代价的

没人会因为AI报1850而非1900而丢单。你丢单、丢推荐、丢善意推定，是因为客户能证明你为同一工作给了两个不同数字，却解释不了为什么。

在这里，一致性比准确性更便宜。一个报得稍高但始终如一的AI，比一个报得完美但换个人接电话就变卦的AI更值得信任。

从价格文件开始。今天加上expires列，这周下架旧表，让AI输出报价块而非句子。一个月内你会找到自己的漂移数字，而且会比你预期的更高。