责任与承诺
让智能进入真实工作，也让责任始终留在系统之中
当 AI 开始参与设计、分析、学习、健康支持、业务判断与流程执行，仅仅“能够给出结果”并不够。我们还需要知道：它使用了什么信息，在哪些边界内参与工作，哪些判断必须由人完成，出现偏差后如何纠正，以及整个过程能否被理解和复核。
一意相信，责任不是产品完成后的附加说明，也不是在模型输出之后补上一句免责声明。它应当从问题定义开始，进入数据使用、流程设计、人工监督、结果验证和持续改进的每一个环节。
我们不把负责任地使用 AI 理解为限制技术能力。相反，只有当边界、责任和纠正机制清楚时，智能能力才有条件进入真实世界，并被组织与个人长期使用。
从真实问题出发
一意构建 AI 产品的起点不是模型能够做什么，而是人正在面对什么问题。
在选择模型、工具和自动化方式之前，我们需要先理解工作的真实目标、参与角色、现有流程、输入与输出，以及什么样的结果才算真正完成。我们也会关注失败可能带来的影响，识别哪些情况适合交给系统，哪些情况仍然依赖人的经验、判断与责任。
真实问题会约束技术选择，也会约束产品表达。一个结果看起来新颖，并不代表它解决了问题；一次演示运行成功，也不代表它已经能够进入工作现场。我们更关心它是否减少了不必要的繁琐，是否改善了原有流程，是否让人获得更清晰的判断依据，以及是否产生可以持续验证的价值。
我们不会为了展示 AI 而制造使用场景，也不会把模型能力本身当作最终成果。技术必须回到真实工作中接受检验。
数据使用有边界
数据能够被获得，不等于它就应该被使用。
一意坚持在明确、必要且经过授权的范围内处理数据。数据进入系统之前，应当说明它服务于什么任务、谁可以访问、会在什么环节被使用，以及何时不再需要。与任务无关的信息，不应因为技术上的便利而被默认收集或带入模型上下文。
我们会区分公开信息、用户提供的数据、组织业务数据、个人信息和系统运行记录，不把来源、用途和责任不同的数据混为一体。不同产品面对的数据敏感程度和使用风险并不相同，因此权限、保存、撤回、删除与隔离方式也应与具体场景相匹配。
数据边界还意味着尊重数据原有的语义与归属。AI 可以帮助整理、理解和使用数据，但不应让用户失去对自身信息、业务规则和重要知识的掌控。系统需要尽可能保留来源与关联，让结果能够回到原始依据，而不是形成无法解释的新信息孤岛。
人始终保有判断与接管的权利
一意希望 AI 承担更适合系统处理的繁琐工作，而不是把人的责任隐藏在自动化之后。
AI 可以整理材料、发现关系、生成候选方案、提出建议，也可以在清晰边界内执行部分动作。但当结果会对人、组织或重要业务产生明显影响时，人应当能够理解系统正在做什么，并拥有复核、修改、拒绝、中止和接管的权利。
人工监督不应只是流程末端的一个确认按钮。如果系统使用的依据不足、规则发生冲突、结果超出适用范围，或者风险高于预设边界，人的判断需要在恰当的时点进入流程。产品也需要清楚区分系统建议、自动执行和人的最终决定，避免用“智能”模糊责任归属。
我们不追求把人排除在工作之外。更有价值的方向，是让机器处理重复、检索、整理与计算，让人把注意力放在目标、例外、取舍、关怀和创造上。
安全、可追溯与可审计
安全不是一个统一开关，也不是上线前完成一次检查就可以结束的任务。不同场景中的错误后果、数据敏感程度和自动化范围不同，系统需要采用与真实风险相匹配的控制方式。
一意重视保留与重要判断有关的信息，包括数据来源、适用规则、方法或版本、关键步骤、异常情况、人工修改和最终结果。这些信息的价值不在于堆积日志，而在于当结果需要被检查时，人能够重新理解当时有哪些依据、系统做过什么、谁作出了确认，以及问题可能发生在哪里。
可审计也不意味着每一次模型输出都必须逐字重复。AI 的结果可能受到数据、上下文和模型变化影响。更重要的是保存足够的业务依据和责任链路，让一次工作能够被复盘，让不同结果能够被比较，让错误能够被定位，并在条件允许时进行修正、回退或停止使用。
记录本身同样需要边界。审计所需的信息应与任务风险相匹配，不应以可追溯为由无限扩大数据收集范围。
长期价值优先
更快地产生结果，不一定意味着工作方式得到了改善。自动化也可能带来新的检查负担、依赖关系、认知成本和风险。
一意关注 AI 进入真实工作之后发生了什么。它是否持续减少重复劳动，是否让流程更清楚，是否提升了人的掌控感与创造空间，是否帮助组织形成可以复用的判断与方法，以及它带来的新成本是否被诚实地看见。
长期价值要求产品能够根据真实结果继续修正。被证明有效的方法可以沉淀和复用，边界发生变化时需要重新验证，失效的规则与经验应当可以被更新或停止使用。我们不会为了维持表面的自动化程度，让用户长期承担系统留下的问题。
一意最终希望交付的不只是效率，而是更有掌控感、更有创造力，也更能面向未来的工作方式。
把承诺带入每一次产品建设
上述原则需要进入实际的产品过程。对一意而言，一条完整的责任链路至少包含以下六个环节：
- 定义真实问题
明确目标、角色、工作条件、完成标准与失败影响。
- 划定数据边界
确认数据来源、使用目的、访问权限与生命周期。
- 分配人与 AI 的角色
说明哪些工作由系统处理，哪些判断由人负责。
- 设计验证与控制
为规则、异常、高影响动作和人工介入设置适当机制。
- 保留必要记录
让重要依据、操作、版本、修改与结果可以被理解和复核。
- 根据结果持续修正
把实际反馈带回产品，更新方法、边界与责任安排。
这不是要求所有产品采用完全相同的流程。灵丹、造序、长寿和无虞面对的问题、数据与风险不同，具体机制也会不同。共同之处在于，责任不能被留到最后处理，它需要从一开始就成为产品结构的一部分。
我们所作出的承诺
我们不承诺 AI 永远正确，也不使用“绝对安全”“完全可信”或“零风险”来描述复杂系统。
我们承诺不刻意隐藏智能系统的不确定性，不用自动化掩盖人的责任，不把技术上可行等同于合理使用，也不以短期效率替代对长期影响的判断。
我们会继续让 AI 的能力进入真实工作，同时让人能够理解、监督、纠正并掌握它。因为只有责任始终留在系统之中，智能才可能成为值得长期依赖的基础能力。