本文为Pike Industries（CRH旗下公司）财务副总裁Niyi Oladepo的客座投稿，仅代表作者个人观点。

这一切始于一个假设，而非某项技术突破。

州交通部的招标结果属于公开记录。在新罕布什尔州或缅因州，任何参与公路项目竞标的承包商，其分项报价在中标后都会公之于众。动员费、排水管、热拌沥青、标线——所有项目，一个接一个，都以PDF形式挂在州交通局网站上。

我的假设是：如果历史投标结果能影响经验丰富的承包商对价格的判断，那么我应该能够以一定置信度对这类行为进行建模。验证这一假设花费了数月时间，而早期版本的表现并不理想。

最初的失败：模型为何频频出错

我最初使用的人工智能模型，在处理投标汇总数据的体量和一致性方面遇到困难。早期输出包括：不适用于特定项目类型的条目价格、归属到错误地理区域的竞争对手行为模式，以及听起来自信但在实践中毫无用处的分析。在一次回测中，工具给出的结果比实际中标价低52%——原因并非单价错误，而是它基于一份不完整的条目清单运行，且无法标记缺失项。

我花了数月时间拒绝这些输出，与模型反复“争论”，不断回溯、挑战其推理，坚持要求它基于数据实际显示的内容，而非它想要推断的内容。当早期输出到达估算团队时，我们的估算师Bethany评价说：“这挺有意思。”高级施工经理Greg则问我如何做到的。他们的反馈对工具的塑造作用，不亚于我有意构建的任何功能。一个始终未被忽视的关键点在于：低价并非目标。系统需要找到我们的定价定位能带来真正优势的地方，而不仅仅是能压价的地方。

系统真正需要知道什么

该工具分为三层运作，层间分工是经过深思熟虑的。

第一层：历史基线定价。基于56个新罕布什尔州交通部项目（合同总额3.94亿美元）和90个缅因州交通部项目（合同总额4.45亿美元）——合计146个项目、8.39亿美元合同、近4300个投标条目数据点——AI建立竞争对手在特定条目、项目类型和区域上的历史定价基准，覆盖四个维度：条目类型、项目规模、项目类别和地理区域。

条目类型之所以重要，是因为竞争对手在不同类别上的优势并不均匀。一家在热拌沥青厂产能上有优势的承包商，会在沥青吨位上积极报价，而在劳动密集型的排水工程上趋于保守。这种模式在单个项目中不可见，但在56个或90个项目中会清晰显现。项目规模之所以重要，是因为同一承包商在200万美元的项目（需填满施工班组）与2000万美元的项目（保函能力和现金流主导决策）上的定价策略截然不同。地理区域之所以重要，是因为NHDOT的六个区和Maine DOT的五个区各有不同的竞争格局。一家在波特兰附近主导路面重铺的承包商，可能在阿鲁斯图克县几乎缺席，因为运输经济性使其在该类工程上缺乏竞争力。

第二层：估算师完全接管。没有任何数据集能知道项目是否仅限夜间施工、护栏分包商在该市场是否可用，或某竞争对手刚赢得三个大项目而正采取保守报价以保护产能。估算师对五类动态因素进行评分（施工时间限制、现场与生产条件、分包商依赖度、技术复杂度、当前市场状况），每项对应一个价格调整。这一评分属于专业判断，而非数据检索。

第三层：AI重新介入。当多个动态因素被评分后，部分因素之间存在相关性，简单相加会产生误导。夜间施工与项目复杂度是最典型的例子：所有夜间施工本质上都引入项目复杂度，因此对每项各加5%并不代表额外成本为10%。AI内置了因素间已知关系，并应用混合调整——在该例中为7%而非10%，捕捉真实重叠，而非机械叠加独立调整。

任何构建过资本配置记分卡或收购定价模型的CFO都会遇到这一问题：对相关风险因素独立评分再相加，会高估总风险。将相关性逻辑构建进模型，能在不剥夺估算师对输入判断的前提下，产生一致输出。

我们学到的经验

我们做出的最关键决定，是从已存在的数据入手。DOT投标汇总表是公开的、结构化的，且直接关联我们每年数百次做出的决策。我们只是整理了已有的东西。大多数组织至少拥有一组符合该描述的数据，但尚未围绕它构建流程。

我未曾预料到的是，价值中有相当一部分来自失败期，而非侥幸避开失败。52%的范围偏差暴露了模型处理不完整输入时的特定缺陷；幽灵建议则指出了数据密度过薄、不足以支撑可靠推断的区域。一个模型在迭代期产生错误答案、由实践者质疑并纠正的过程，并非方法失效的信号——恰恰是方法在起作用。

AI与估算师之间的职责边界，最终被证明是整个系统最重要的设计决策，而且我们更多是出于必要性而非远见才做对的。估算师对竞争对手积压订单、分包商可用性和季节性市场状况的判断，无法从历史数据中提取，因为那些信息根本不存在于历史数据中。一旦我们接受这是永久性约束而非暂时性待解问题，架构便自然成形：AI处理历史，估算师处理当下，去重逻辑处理两者交互。这一分工并非妥协，而是输出值得使用的根本原因。