AI 采购入口 / 供应商评估沙盒 / Build-Buy 决策架构解读 (AI Procurement Intake / Vendor Evaluation Sandbox / Build-Buy Decision Architecture)

配对阅读：本篇的操作手册版（模板/RACI/门禁/runbook）是 docs/AI_PROCUREMENT_INTAKE_VENDOR_EVALUATION_SANDBOX_BUILD_BUY_PLAYBOOK.md。第一遍读本篇建立原理与架构判断；第二遍做案例时再用 playbook 查表落地，两者不需要重复精读。

Date: 2026-06-30
Status: evergreen
Audience: experienced CBAP / 金融零售 AI 产品与架构从业者 / AI governance lead / third-party risk partner

---

核心导读

AI procurement intake 是企业 AI 架构的第一道控制点：它把业务 idea、vendor pitch 和本地试点转成可测量的 outcome、workflow、data boundary、risk tier、sandbox evidence 和 build-buy decision。成熟组织不会让供应商 demo 定义问题，而是先定义用例是否值得进入 AI option space，再用受控沙盒比较 build、buy、partner、hybrid 或 stop。

问题定义

AI 采购入口不是行政流程, 而是企业 AI 架构的第一道控制点。它决定一个 AI idea 会不会被错误地推入 vendor demo、PoC、采购谈判或生产集成。成熟机构不会先问"哪家供应商最好", 而是先问:

上游 procurement intake 的核心价值:

1. 把 AI idea 变成可测量的业务和风险假设。
2. 把 vendor comparison 变成 architecture comparison。
3. 把 PoC 变成受控 sandbox, 不让试点自然漂移成 shadow production。
4. 把 build-buy 选择从偏好讨论升级为 evidence-based decision。
5. 把后续合同、退出、投资叙事和生产上线建立在证据之上。

边界说明: 本文聚焦 procurement lifecycle 上游的 intake, triage, sandbox, benchmark 和 build-buy decision。合同条款、退出迁移和董事会投资 narrative 属于下游材料, 这里只定义它们需要的输入证据。

---

架构模型/核心原理

flowchart LR
  A[AI idea / vendor pitch / business pain] --> B[Intake funnel]
  B --> C{Use-case triage}
  C -->|No AI fit| C1[Process / rules / data fix]
  C -->|Low value or high risk| C2[Stop or defer]
  C -->|Candidate| D[Decision architecture]
  D --> D1[Build]
  D --> D2[Buy]
  D --> D3[Partner]
  D --> D4[Hybrid]
  D --> E[Sandbox charter]
  E --> F[Vendor and internal option benchmark]
  F --> G[Evidence pack]
  G --> H{Architecture review board}
  H -->|No-go| H1[Reject / redesign]
  H -->|Limited pilot| H2[Controlled pilot with constraints]
  H -->|Production candidate| I[Production promotion gate]
  I --> J[Contract, security, privacy, risk, model validation, operating model]

一条实用原则:

Intake owns the question "should this enter the AI option space"; sandbox owns "which option works under controlled evidence"; architecture gate owns "can this be operated safely at production scale".

---

关键机制

1. Intake Funnel

AI intake 要求每个 idea 先提交最小证据, 而不是直接预约 vendor demo。

2. Triage Gate

把用例分成四类:

3. Sandbox Charter

Sandbox charter 必须在供应商测试前冻结:

4. Decision Board

Decision board 不应只由 procurement 或 product 决定。最小构成:

---

Build / Buy / Partner Decision Model

Build-buy-partner 不是三选一口号, 而是一组架构边界决策。

Decision Axes

Component-Level Decision

不要为整个用例做一个笼统决定。把 AI system 拆到组件层:

Practical Decision Rule

---

Vendor Sandbox And Benchmark Design

Sandbox Design Principles

1. 同一任务, 同一数据, 同一 rubric, 同一 cost and latency measurement。
2. 至少比较 vendor option, internal baseline, no-AI baseline。
3. 测试 positive cases, negative cases, edge cases, abuse cases, stale-source cases, restricted-data cases。
4. 输出必须可追踪到 prompt, model, source, tool call, reviewer, decision。
5. sandbox 只能使用批准数据, 不能连接生产写动作。
6. benchmark 结论必须包含 architecture fit, not just accuracy。

Benchmark Plan

Sandbox Evidence Pack

每个 vendor 或 internal option 都要产出:

---

证据与控制

Use a three-layer evidence model: metric proves behavior, control constrains risk, evidence proves the control operated.

Control mapping:

---

金融零售/AI产品场景

1. GenAI Contact Center Copilot

Hard failures:

• AI promises fee reversal outside policy。
• AI misses complaint language or vulnerable customer marker。
• AI cites stale product terms。
• AI outputs account data to unauthorized role。

2. KYC Document Intelligence

Hard failures:

• Wrong identity attribute without confidence flag。
• Document retention exceeds approved period。
• Evidence cannot be exported for audit or regulator inquiry。
• Model cannot handle jurisdiction-specific document rules。

3. AML Investigation Workbench

Hard failures:

• AI omits material suspicious activity。
• AI invents transaction rationale。
• AI suggests final SAR decision as authoritative。
• Case trace cannot reconstruct evidence used。

4. Credit Decision Support

Hard failures:

• AI uses protected-class proxy or unsupported inference。
• AI drafts adverse action reason not supported by system of record。
• Human reviewers over-rely without challenge。
• Vendor cannot provide versioned evidence for model/prompt changes。

5. Payments Fraud Intervention

Hard failures:

• AI triggers payment action without authorization。
• AI misses urgent scam indicators。
• Latency breaks real-time intervention window。
• Tool call cannot be replayed or reversed。

---

反模式

---

最终心智模型

AI procurement 的核心不是“买还是不买”，而是把 option selection 变成一条证据链：intake 判断是否值得进入 AI 空间，sandbox 判断哪个方案在受控条件下有效，architecture gate 判断它能否在生产规模下被安全运营，production promotion gate 判断残余风险是否被授权接受。

最终判断标准：winning option 不是 demo 最流畅的供应商，而是在同一 workflow、同一数据边界、同一 rubric、同一成本与延迟测量、同一控制证据下，最能被集成、监控、审计、退出和持续治理的架构方案。通用能力可以买，政策边界、eval contract、tool gateway、evidence plane 和 residual-risk decision 必须由机构掌握。

Source Anchors

---

SOTA 状态标注 (2026-07-01)

本篇属于第二、三遍深读池（参考架构/深读笔记），未列入 12 周主线必读。时效基线为写作时点；引用前请按 CLAUDE.md 全局时效性硬规则复查最新进展。模块级 SOTA 对照见 docs/AI_SYSTEMATIC_LEARNING_ROADMAP_2026.md 各周「2026 SOTA 对照」行与文末「SOTA 检查」。