“林工，第三季度的节能报告又出问题了！”
助理小陈抱着一摞文件冲进办公室时，林砚正对着电脑屏幕上跳动的能耗曲线皱眉。屏幕右下角弹出的系统提示鲜红刺眼——“企业A能耗数据偏差率8.7%，超出阈值”，这已经是本月第三次出现数据失准。
林砚是“绿能计划”团队的技术负责人，这支由环保机构、能源企业和高校专家组成的团队，三年前就开始研发AI能源审计工具“绿镜”。从最初帮家庭用户分析冰箱待机耗电，到为大型工厂制定能耗优化方案，“绿镜”上线一年就覆盖了二十万用户，可最近三个月，投诉量却突然翻了三倍。
“上次那家食品厂，我们根据‘绿镜’的数据建议他们更换蒸汽管道，花了两百多万改造，结果能耗只降了2%，厂长昨天带着账本堵在办公室楼下，说我们的AI是‘睁眼说瞎话’。”小陈把用户投诉表拍在桌上，表格里密密麻麻的红笔批注触目惊心，“还有这个小区业主群，有人说‘绿镜’偷偷采集他家的用电数据，连晚上几点开空调都知道，现在业主联合起来要卸载软件。”
林砚捏了捏眉心，打开后台数据日志。屏幕上滚动的代码里，一串异常的数据流引起了她的注意——上周系统升级后，部分家庭用户的电表数据被错误关联到了相邻住户的账户，还有三家高耗能企业的生产能耗被自动“平滑处理”，原本峰值达1200kw的用电数据，被系统默认修正为800kw。
“是算法的问题？”小陈凑过来，声音里带着焦虑。
“不全是。”林砚调出升级记录，“上次为了追求分析速度，我们简化了数据校验模块，加上用户授权协议里藏了太多专业术语，很多人根本没注意到‘允许采集实时用电数据’那一项。”她顿了顿，点开一条用户留言，屏幕上跳出一行加粗的文字：“我要的是能帮我省电的办法，不是每天收到十几页看不懂的数据报表！”
那天下午，“绿能计划”团队召开了紧急会议。会议室的白板上贴满了用户投诉和数据报告，团队里最年轻的算法工程师张野红着脸站起来：“是我太急着优化运算效率，忽略了数据校验的重要性。有几家工厂的生产周期特殊，我却用了通用的计算模型，导致偏差率超标。”
负责用户体验的李姐也叹了口气：“我们做的审计报告太专业了，上次有个老人打电话来问‘功率因数’是什么意思，我解释了十分钟他还是没听懂。还有授权协议，确实太长太复杂，很多用户直接点了‘同意’，根本不知道自己的用电数据被采集了。”
会议从下午开到深夜，最终确定了三个整改方向：修正算法偏差、简化报告内容、规范数据采集。可第二天一早，更棘手的问题来了——市供电局联系团队，说有两家企业拿着“绿镜”的审计报告，质疑供电局的电费计价标准，认为自己被“歧视性收费”，因为“绿镜”显示他们的能耗低于同行业平均水平，却被划分为高耗能用户，电价上浮了0.1元\/度。
“这不是我们的问题，”林砚拿着供电局发来的文件，手指在“高耗能用户判定标准”那一页划过，“供电局是根据去年的能耗数据划分的，而我们的报告显示这两家企业今年已经完成了节能改造，但数据没有同步到供电局系统。”
“可用户不管这些，他们只知道‘绿镜’说他们能耗低，却要付高价电费，就觉得是我们的工具出了问题。”小陈急得直跺脚，“还有昨天刚收到的举报，有人说某物业公司用‘绿镜’采集的业主用电数据，对用电多的住户涨物业费，说这是‘能源使用歧视’。”
林砚突然意识到，“绿镜”的问题不只是技术层面，更涉及到伦理规范。团队当初只想着怎么让AI更精准、更高效，却忽略了数据使用的边界，也没考虑到审计结果可能被滥用。她立刻召集团队，决定制定一份《AI能源审计伦理规范》，从数据采集、分析、报告到结果应用，全流程明确标准。
制定规范的过程远比想象中艰难。关于数据误差率，张野坚持“误差率不超过3%”，认为这样才能保证数据可靠；但负责企业合作的王哥却反对：“很多中小企业的电表老旧，数据本身就有偏差，3%的标准太严格，他们根本达不到，会放弃使用‘绿镜’的。”
双方争执不下时，林砚想起了上次那家食品厂的厂长。她带着团队去工厂实地调研，看到车间里的老式电表指针还在跳动，记录的数据每小时都会有±5%的波动。“我们不能用实验室的标准要求所有用户，”林砚在调研笔记上写道，“误差率应该设定在5%，同时帮用户升级计量设备，从源头提高数据准确性。”
关于审计报告，李姐提出要“去专业化”，把“功率因数优化”改成“减少设备待机时间”，把“热损失率降低”改成“给管道包保温层”。团队还设计了“分级报告”，家庭用户看到的是图文并茂的节能小贴士，企业用户则能查看详细数据和改造方案。
最棘手的是数据采集和结果应用。团队在用户授权协议里加入了“一键选择