工业人工智能项目的验收，不能以模型演示效果或聊天界面是否“好用”作为主要依据。真正合格的验收，应判断供应商是否把数据、模型、业务流程和风险控制连接成可持续运行的闭环：输入数据可追溯，模型结果可解释，业务动作能落地，异常情况有人复核，运行责任能够明确。
先验收业务闭环，再验收模型效果
验收前应先固定场景边界，例如排产调度、质量管控、远程运维或经营决策，并明确系统究竟解决哪个业务问题。供应商需要说明数据来自哪里、如何清洗和关联、更新责任由谁承担，以及结果如何进入现有业务流程。只能在独立页面展示建议、不能回写或触发后续业务动作的方案，通常还不能算完成交付。
数据验收不能只看接入数量，还要检查产品、物料、设备、订单、工艺、质量和批次等关键数据是否具备统一口径，是否存在缺失、重复、断点或无法追溯的问题。若排产数据不能反映设备状态，质量结果不能关联生产批次，即使模型输出看似准确，也不具备稳定应用基础。
模型验收则应围绕实际业务指标展开。对于排产、质量预警和设备故障判断，应分别约定响应时间、准确性或召回率、人工处理量、异常闭环时长等指标，并明确测试数据、测试条件和人工复核方式。不能只接受供应商提供的样例结果，也不能把一次性演示当作长期运行能力。
把安全、追溯与持续维护写进验收
工业场景中的关键结果可能影响生产、安全和质量责任，因此验收必须检查模型依据哪些数据作出判断，遇到样本不足、数据异常、设备更换或工艺调整时如何处理，错误结果能否追踪，业务流程能否人工接管或中止。涉及安全生产和关键质量控制的应用，不宜默认人工智能可以直接替代人工责任。
合同验收范围还应覆盖接口开发、流程调整、权限控制、操作审计、用户培训和运行维护，而不是只验收模型部署。对于工业智能体，还要检查任务权限、工具调用和异常中止机制。更稳妥的方式是先完成单一场景的可控闭环，再决定是否扩展到更多产线、工厂或产业链伙伴。验收通过的标准，不是“模型能回答问题”，而是系统在真实业务中能够稳定运行、结果可追溯、风险可控制，并且由企业掌握持续运营能力。