先说结论
AI 项目准备度不等于“已经选好模型”。真正需要确认的是：问题有业务所有者、流程可描述、数据可使用、结果可评测、风险可控制、用户愿意参与、上线后有人运营。
读完你会得到
- 用七项检查定位立项缺口。
- 区分适合探索、试点和上线的不同状态。
- 避免用模型演示代替业务准备度。
这份清单不是为了把项目挡在门外，而是把“还没准备好”变成可执行任务：补样例、定负责人、建立基线、缩小权限或调整场景。
七项准备度：每项都要有证据
| 维度 | 准备好的证据 | 常见缺口 |
|---|---|---|
| 业务 | 具体用户、任务和影响 | 只有“提效”口号 |
| 流程 | 当前步骤、判断和异常路径 | 只描述理想流程 |
| 数据 | 样例、权限、质量和维护人 | 数据存在但无法合法或稳定使用 |
| 评测 | 成功标准、标注人和评测集 | 靠观感判断 |
| 风险 | 审核、权限、日志与恢复 | 默认模型不会犯错 |
| 人员 | 业务、技术和决策负责人 | 项目只交给一个实习生或供应商 |
| 运营 | 上线后的反馈、监控和迭代人 | 把上线当作终点 |
根据准备度选择下一步，不必强行开发
| 当前状态 | 建议动作 | 暂时不要做 |
|---|---|---|
| 问题未定义 | 访谈真实用户、记录任务基线 | 采购复杂平台 |
| 流程清楚但数据差 | 清理资料、权限和知识维护机制 | 急着做 RAG 或微调 |
| 样例有了但标准不清 | 让业务专家标注好坏与错误类型 | 用通用榜单代替评测 |
| 风险较高 | 缩小权限、增加人工确认和回滚 | 直接自动执行 |
| 条件齐备 | 小范围真实任务试点 | 一次性全量推广 |
本节依据： [3] NIST [4] OWASP Foundation
一场立项会应该做出哪些决定
- 确认问题所有者
谁对业务结果负责，而不只是对技术交付负责。
产出：业务负责人 - 确定最小范围
限定用户、任务、数据和时间窗口。
产出：试点边界 - 确认评测与风险门槛
质量如何测、什么错误不可接受、谁能叫停。
产出：上线门槛 - 安排数据与系统工作
确认权限、接口、脱敏和维护责任。
产出：依赖清单 - 约定复盘节点
按证据决定继续、调整、降级或停止。
产出：决策日期与材料
常见问题
准备度不高是不是不能做 AI？
可以做探索，但要缩小承诺：先验证技术可行性或收集基线，不把探索结果当成可上线产品。不同阶段使用不同成功标准。
立项时必须确定模型吗？
通常不必。模型选择应由任务、数据、安全、延迟和成本共同决定。立项更需要确定问题、边界和评测方法。
资料来源与核对说明
文章中的行业定义与技术方法尽量引用官方或标准组织资料；表格、清单和决策框架是基于这些资料形成的编辑性整理，不代表来源机构对本站服务的背书。
- NIST AI RMF PlaybookNIST
用于组织治理、场景映射、测量和风险处置四类工作。
- Evaluation best practicesOpenAI Developers
用于建立任务级评测：定义目标、收集数据、设置指标、运行比较并持续评估。
- Generative Artificial Intelligence ProfileNIST
用于识别生成式 AI 全生命周期的特有风险，并把风险管理纳入设计与运营。
- OWASP Top 10 for Large Language Model ApplicationsOWASP Foundation
用于核对提示注入、输出处理、敏感信息泄露和过度代理等常见安全风险。
把文章方法用于你的真实业务
查看企业 AI 咨询服务 →带上流程、样例和目标，添加企业微信沟通。首次沟通先判断是否值得做，不承诺没有数据依据的结果。