通用方法 · 熟练
它比你准十倍，但考的是什么题？
能力数字没骗你，是你看的那一行不对
「AI 分类准确率 97.8%，人类会计 79.1%」这种数字会自己长脚 —— 它从一份只测「一次性分类」的基准里走出来，落进你脑子里时已经变成了「AI 可以做账了」。这一页给的是读这类数字的三道门：先看题目边界（它考的是哪一步，没考的是哪几步）· 再看谁出的题（厂商自报还是独立复核）· 最后看口径（准确率、少犯错倍数、成本倍数分别是拿什么做分母）。三道门过完，再拿你自己手上的一个真实重复任务做一次小对照 —— 这一步的说服力永远大于看榜单。
方法 · 一图看懂
1
先看题目边界 — 找出基准测的是哪一步；没被测的那几步才是你真正要防的地方
2
再看谁出的题 — 厂商自报与独立复核，读法完全不同（前者看方法学，后者看结论）
3
认清三个口径 — 准确率 / 少犯错倍数 / 成本倍数，各自的分母是谁
4
拿旧数据做一次小对照 — 用一个月历史数据跑一遍，只看两边不一致的那些条
5
把边界写进流程 — 哪一步可以放手、哪一步必须留人，落成一条固定的复核动作
原理 · 为什么有效
一个能力基准的说服力，几乎完全由它的题目决定，而不是由它的分数决定。同一次测试里，「一次性分类」和「多步判断」是两种难度完全不同的事：前者有唯一正确答案、可以批量比对；后者要靠上下文、要靠反问、要靠对人负责的判断 —— 而后者恰恰是现实工作里占时间最多的那一部分。所以「97.8% 对 79.1%」这句话成立的领域，只有「给一笔已经录好的交易挑一个科目」这一格。更要紧的是自报问题：当基准由被测评方的厂商自己主持，方法学仍然可以很有价值（它公开了样本量、对手方、题目范围），但结论必须由别人复现才算数 —— 同一时期另一份覆盖 101 个真实会计任务的基准，结论就是「顶级模型在更难的多步工作上仍需人工复核」。两句话不矛盾，因为它们说的是不同的题。
适用场景
适用：正在评估「要不要把某件重复工作交给 AI」的人 —— 尤其是看到厂商或媒体给出的「准确率 / 效率倍数」之后心里已经动了的那一类。
⛔ 不适用：想找一个「AI 值不值得用」的统一答案。这一页不给结论，只给你读结论的方法。
⚠️ 前提：手上要有至少一个月的历史数据与一份人工处理过的结果做对照 —— 没有这份对照，任何基准都只是别人的题。
自测 · 5 问
我能说清那个「97.8%」测的是哪一步吗？它没测哪几步，我能列出三条吗？
这个数字是厂商自己测的，还是第三方复现过的？我是在哪一句里看到它的？
同一件事上，「准确率」与「少犯错倍数」是同一个分母吗？我有没有把它们混着用来比较？
我打算交给 AI 的那件事，出错的后果是「重做一遍」还是「要对外解释」？
我有没有拿自己一个月的旧数据做过一次对照？对照后不一致的那些条，我看过几条？
怎么上手 · 验证步骤
先别换工具，先做一次对照。只挑一件你已经人工做过、且有完整留档的重复任务（对账、分类、字段提取都行），把上个月的数据原样喂一遍，然后只看两件事：① 它与你人工结果不一致的每一条，逐条判断是它错还是你当初错；② 它没识别出来的那几条（这类最容易被「准确率」掩盖）。跑完你会得到一张只属于你的题面 —— 上面写着这件事的哪一步可以放手、哪一步必须留一个人复核。这张纸比任何榜单都更值得贴在你的流程里。
自检动作：写下一句「这件事我可以放手的部分是＿＿，必须留人的部分是＿＿」，并且能在后一个空里说出至少一条具体的核对动作（例如「发票号码与价税合计逐条人工确认」）。写不出后半句，说明这份对照还没做完。