05｜怎样判断一个问题值得用 AI 解决？

这一步有两项不同判断。第一，问题是否值得解决；第二，解决它是否需要 AI。把它们合并，容易得到“因为我们准备做 AI，所以这个问题很重要”的循环论证。

一个好的项目起点，应当同时具备可说明的业务影响、可以取得的条件和能够验证的改善路径。模型的参与范围，则由具体任务决定。

“现在很慢”不能直接作为效果基线。慢可能指员工实际操作很久，也可能指等待客户补资料、等待主管批准，或者等待外部系统返回。这些时间的性质不同，改造方式也不同。

设备租赁询价中，人工在找价目、补问和计算上投入的时间，属于主动处理时间；从收到询价到形成可交接结果之间的自然时间，还包括等待。系统可能大幅减少计算，却无法减少客户第二天才回复造成的等待。只测一个平均值，会混淆改善来源。

基线必须说明统计对象、起止点、样本来源和例外。测普通询价还是全部询价？“完成”是回复客户，还是调度拿到完整信息？转人工任务是否计入？没有这些口径，改造前后即使都叫“处理时长”，也可能在比较不同事情。

质量与风险同样需要具体化。“准确率”应拆成事实、规则、字段、动作和交接等维度。一次报价金额正确，仍可能漏掉运输条件；一条库存建议数量正确，却可能使用了过期日期。单个数字很难描述完整业务结果。

价值假设是对改善的预测，还不是已经实现的收益。例如：“将历史稿与客户确认记录关联，能够减少业务员反复询问设计师的工作。”这句话指出了机制，也允许后续检查。

如果试用发现找图变快，但多数时间仍在等待客户补充新标识，那么原假设可能只解释了较小部分损失。团队应修正优先级，而不是只展示检索速度提升。有效验证不仅寻找支持，也要允许证据说明收益有限。

一个完整的价值假设至少包含目标用户、改造动作、预期变化、测量方式与观察范围。比如“让指定业务员在指定项目类型中使用素材检索，比较找出正确确认稿所需人工时间，并记录误用与返工”。这样的表述可以转化为试用安排。

还需要区分效率、收入与利润。少花一些人工时间，不自动等于减少了相同金额的现金支出；关联订单金额，也不等于新增收入；收入增加还要考虑采购、实施、模型和人工复核等成本。示例数字与实际观测值都应保留其测量边界。

选技术时，可以按任务的确定性、知识依赖、动作风险和协作复杂度判断。

若结果由稳定规则决定，例如按天数与标准单价计算费用，确定性程序通常容易检查。若问题是信息分散且需要找依据，可以采用搜索或检索增强生成。若任务需要理解自由表达、在受控工具之间选择并根据返回结果调整步骤，Agent 才有更明确的作用。

工作流适合管理稳定步骤、条件分支和状态。人工则承担专业判断、异常处理与授权。有些任务需要多种手段共同完成。不能因为引入 Agent，就把已有数据库、规则程序和审批流程全部改写成模型自由判断。

RAG 的全称是 Retrieval-Augmented Generation，常译为检索增强生成。它先找相关材料，再支持生成有依据的内容。它不能自动解决数据有效性，也不能替代实时资源查询和正式交易系统。把所有资料都放进向量库，不会让它们自然拥有相同的权威性。

AI 改造会消除一些劳动，也会新增一些劳动。资料整理、人工复核、异常处理、培训、知识更新和系统维护，都应进入判断。否则试点中的热情投入一旦结束，系统可能失去维持条件。

可以先按一笔任务估算净变化，再观察任务规模。假设原任务需要人工整理资料，改造后整理时间减少，但每次仍需核对依据并处理少量失败。只有把这些保留与新增的工作算进去，才知道真正节省了什么。

用一个简化表达式帮助讨论即可：

预期净收益＝可验证的业务改善－实施与运行投入－新增人工处理－可识别风险带来的预期损失。

这个表达式是检查遗漏的工具，不是通用财务模型。难以合理量化的风险应单独列出，不要为了算出一个漂亮结果，给缺乏依据的变量随意赋值。若成本与收益无法使用同一单位，也可以先做并列对照。

对于人力时间，还应说明释放出来的能力将如何使用。员工可以处理更多任务、减少加班或把时间放到专业判断上，这些价值可能很重要，但需要通过实际安排和记录验证。

机会评分有助于比较候选项目，但总分容易掩盖关键障碍。一个潜在价值很高的自动采购系统，如果缺少稳定接口、预算权限和执行责任，不应仅因市场空间大就进入开发。

更实用的做法是先检查必要条件，再比较收益和成本。是否存在真实用户与明确任务？是否可以获得需要的数据？是否有人确认结果并承担责任？是否能在限定范围内验证？关键条件缺失时，可以选择先补条件，或把项目收窄到建议与人工处理。

条件基本成立之后，再比较几个候选机会：影响频率、单次损失、可改善程度、实施复杂度、维护负担和验证速度。高频不一定优先于高风险，低频严重事故也可能值得投入；具体取舍应由业务目标和有权的负责人决定。

项目的可验证性同样影响优先级。如果一个场景能够在有限任务中清楚测量变化，它更适合作为团队的首个项目。范围巨大的“公司级智能大脑”即使方向诱人，也可能因为边界模糊而难以形成早期证据。

下面这张表用于比较候选任务，不需要先填写分数。先把事实写完整，再讨论取舍。

讨论的成果不必都是“批准开发”。决定先统一库存更新时间，可能比立即接入模型更接近业务结果；决定先辅助审核，可能比直接自动执行更容易获得可信证据。

当团队能够解释问题为什么值得解决、方案为什么足够、证据将怎样取得，立项才有了可追踪的理由。下一篇将进一步回答：选定机会之后，第一期到底做多大，怎样把目标、范围和责任约定下来。

AI随心创提供工具与模型选型咨询，围绕任务效果、能力边界、接入方式、数据要求和成本比较候选方案。可以先带来业务目标与当前基线，再判断从现有工具、流程调整还是有限试点开始。