1. 探索期 · WorkKit
AI 适用性评估
PM
业务
用最低成本完成三角验证：技术可行、数据可得、商业算得过来
触发场景
当你或你的团队收到"做一个 AI 功能"的需求时，在动手之前先用这个工序包做一轮快速评估。目标是：10 分钟内判断 AI 是否是正确的解法，而不是半年后才发现不该用 AI。
输入清单
- ◆ 业务问题描述（一句话）
- ◆ 现有解法及其缺陷
- ◆ 数据量级与质量初步判断
- ◆ 预算与时间约束
▶ 提示词
你是一位 AI 产品顾问。我会描述一个业务问题，请帮我评估 AI 是否是合适的解法。
请从三个维度分析：
1. **技术可行性**：当前 AI 技术是否能解决这个问题？需要什么级别的模型能力？
2. **数据可得性**：是否有足够的数据来训练/微调/检索？数据质量如何？
3. **商业合理性**：AI 解法的成本（Token、开发、维护）是否在业务价值可接受范围内？
业务问题描述：
{{YOUR_BUSINESS_PROBLEM}}
请给出：
- 每个维度的评分（1-5）
- 综合建议：适用 / 不适用 / 待验证
- 如果不适用，建议用什么替代方案（规则引擎、传统ML、SQL等）
产出记录
将 AI 返回的结果填入下方模板，形成可追踪的项目文档。
AI 适用性评估记录
业务问题描述：___
维度评分
| 维度 | 评分（1-5） | 依据 |
|---|---|---|
| 技术可行性 | ___ | ___ |
| 数据可得性 | ___ | ___ |
| 商业合理性 | ___ | ___ |
综合结论
- 结论：适用 / 不适用 / 待验证
- 核心依据：___
- 替代方案（如不适用）：___
- 待验证事项（如待验证）：___
决策记录
- 评估人：___
- 评估日期：___
- 下一步：___
查看填写示例
示例场景
【示例】AI 适用性评估——智能客服意图识别项目
业务问题描述：客服中心每天 2000 通来电，70% 是重复性意图查询（退款、物流、账户），人工处理效率低。
维度评分
| 维度 | 评分（1-5） | 依据 |
|---|---|---|
| 技术可行性 | 4 | NLP 意图分类是成熟技术，7 类意图边界清晰 |
| 数据可得性 | 3 | 2 万条历史工单可用，但小语种样本不足 |
| 商业合理性 | 4 | 人工成本 ¥15/通 × 1400 通/天 = 月均 ¥63 万，AI 替代 50% 即节省 ¥31.5 万/月 |
综合结论
- 结论：适用
- 核心依据：意图分类成熟度高，ROI 明确（月省 30 万+），数据基本够用
- 待验证事项：小语种（粤语/英语）工单覆盖度不足，需补充 500 条标注
决策记录
- 评估人：张明（PM）
- 评估日期：2026-04-10
- 下一步：进入 Build vs Buy vs API 决策
自检 Checklist
- 是否明确区分了"AI 能解"和"AI 值得解"？
- 是否考虑了规模化后的 Token 成本？
- 是否有明确的"不适用"退出条件？
- 替代方案是否真的不可行？
衍生动作
- 适用：进入 Build vs Buy vs API 决策工序包
- 不适用：在决策日志中记录结论和理由，避免未来重复论证
- 待验证：进入数据可得性盘点工序包
作者 手记
这个评估最容易犯的错误是把"技术可行"等同于"该做"。很多场景下，一段 SQL 或者一个规则引擎就能解决 80% 的问题，剩下 20% 用 AI 补刀可能更划算。
另一个坑是低估 Token 成本。单次调用几分钱不心疼，但规模化后每天十万次调用就是一笔不小的开支。建议在评估阶段就做一个粗略的成本模型。