每一份语言技术领域的 RFP 都有"信任问题"，每个供应商都试图给出完美答案。然而，投入生产六个月后，还是会出问题。数据跑到了错误管辖区域，模型更新没人通知，成本超出预期三倍。文字没有辜负你，只是每个人对"信任"或"质量"的理解各不相同。
在"新流利"播客的最近一期节目中，Slator 的董事总经理 Florian Faes 和咨询负责人 Alex Edwards 深入剖析了企业买家在谈论"信任"时的真实含义。
1. Accuracy trust：每个人都问的那个
准确度是每个信任对话的起点。其实，这是最不应该花太多时间的地方，因为基线已经变了。"四年前，人们总是说，哦，这是AI做的，一定有 100% 的错误，"Florian 说。"如今，人们对AI输出的总体信任度已大幅提升。这意味着他们也对AI翻译的信任度大幅提升。"
问题在于AI输出是否对特定用例足够准确。药品标签、用户生成的产品评论、内部FYI摘要——每个用例和内容类型对准确度的要求都不同。
2. Consistency trust：受监管买家的真正问题
对于金融服务、制药和法律团队来说，完全准确是基本要求。更难的问题是系统的可靠性，而不是单次输出的质量。一个在Q2更新了模型却没有通知你的供应商，是一个你无法信任其能用于监管申报的供应商。
3. Security trust：信息安审时决定生死的那个问题
数据在哪？谁能看到？Alex 指出："对本地化内容的产生方式的信任——人还是AI——以及对这些信息的透明度，连同审计能力和安全措施，共同构成了信任。此外，还有数据所在的位置以及数据的处理方式。"
这是后期浮现的需求。功能评估完成，利益相关者达成一致，然后信息安审团队问了一个没人想到要列入RFP的问题。
4. Scale trust："演示里能用"不是保障
"人们需要信任AI翻译能在规模化时正常工作。它不是一个玩具，不是只在一个演示或试点项目中奏效的东西，而是当您输入数百万字时要真的能正常工作，否则它可能在投产环境中崩溃。"
Florian 还补充了成本维度——买家通常忽略的一点："我们听说有些公司在第一个月就花了150万美元买Claude token。"这本身不是供应商的失败，这是规模化信任的失败。
5. Outcome trust：大多数买家完全忽视的需求
大部分企业买家评估语言AI的标准是输出质量指标：MTQE分数、审校评审。但他们很少衡量翻译质量的差异是否真的推动了业务结果。应该更多关注的指标是：多语言网站的转化率、客户支持的工单量变化、母语用户和翻译用户之间的NPS差距。那些现在建立这种衡量基础设施的买家，将能够基于真实信号而非替代指标做出供应商决策。
"几乎所有人的信任基线都是准确度，"Alex说。"但这取决于你在跟什么样的买家交谈。"这正是问题所在！每个供应商都在准确度层面回答质量问题。因为这是他们被问到的问题。其他四项需求则停留在演讲材料中，无人回答，直到投产环境揭示了它们。