在接 AI 项目前，我们用 5 个问题决定要不要接
为什么要做筛选
做 AI 落地这几年，我们发现一个规律：项目失败的原因，往往不是技术做不出来，而是问题本身就不该用 AI 解。
有些问题，用传统规则引擎三行代码搞定，硬套一个大模型反而慢十倍、贵百倍。有些问题，数据根本不够，模型学不出东西。有些问题，甲方自己都没想清楚要什么，做到一半需求变了三次。
所以我们给自己定了一个规矩：在接任何 AI 项目之前，先用 5 个问题过一遍。 过不了的，不接。
这不是为了挑活，是为了对双方负责。
五个问题
问题一：这个问题用传统方法能做到什么程度？
目的：确认 AI 是否真的有必要。
很多客户找到我们时，第一句话就是「我们要用 AI」。但我们会先问：这个问题现在是怎么解决的？用规则、用人力、用传统软件，能做到什么程度？
如果传统方法能做到 80%，而 AI 能做到 90%，那这 10% 的提升值不值得投入几十万甚至上百万？如果传统方法只能做到 40%，AI 能做到 85%，那这个投入才是有意义的。
我们不做锦上添花的事，只做雪中送炭的事。
举个例子：有个客户想用 AI 做数据校验。我们一问，发现他们的数据格式非常规范，用正则表达式就能搞定 99% 的情况。那为什么还要用大模型？最后我们建议他们用规则引擎，省了钱，效果还更好。
问题二：你有没有足够的、干净的数据？
目的：确认 AI 能不能学得出来。
AI 不是魔法，它是从数据里学规律的。没有数据，就像让一个学生不看书就去考试——再聪明也考不好。
我们会问：
- 你有多少历史数据？
- 这些数据的格式统一吗？
- 数据里有没有人工标注的「正确答案」？
- 数据的质量怎么样？有没有脏数据、缺失值？
如果数据不够或者太脏，我们会建议先做数据治理，而不是直接上模型。
有些项目，光是数据清洗就要花两个月。 这不是浪费时间，这是打地基。地基不牢，楼盖得再高也会塌。
问题三：这个场景的边界在哪里？
目的：确认 AI 做错了会有什么后果。
AI 不是 100% 准确的。我们需要问：如果 AI 做错了，后果是什么？
- 如果是一个推荐系统，推错了一首歌，用户切掉就行，后果很轻。
- 如果是一个医疗诊断系统，误诊了，后果很重。
- 如果是一个金融风控系统，漏掉了一笔欺诈，后果也很重。
后果越重，我们越需要人工兜底机制。 这意味着成本更高、流程更复杂。
我们会根据场景的风险等级，设计不同的方案：
- 低风险：AI 直接输出，人工抽检
- 中风险：AI 输出 + 人工审核
- 高风险：AI 辅助 + 人工决策
如果客户想要一个「全自动化、零人工」的高风险场景，我们会直接告诉他：做不到，或者做得到但风险你担不起。
问题四：你的团队能不能接得住？
目的：确认交付后能不能用起来。
AI 项目不是交付一个模型就完事了。模型需要持续迭代、数据需要持续收集、系统需要持续维护。
我们会问：
- 你有没有技术人员能维护这个系统？
- 你的业务团队愿不愿意改变工作流程来配合 AI？
- 你的管理层有没有耐心等待 AI 逐步优化？
有些项目，技术上做成了，但业务团队不愿意用。 因为用 AI 意味着他们要改变习惯、要学新东西、要信任一个「黑盒」。
如果团队接不住，我们会建议先做一个小试点，让团队慢慢适应，而不是一上来就全面铺开。
问题五：你愿意为「不完美」买单吗？
目的：确认预期是否合理。
AI 不是万能的。它会有错误、有延迟、有局限性。
我们会问：
- 你能接受 AI 的准确率是 85% 而不是 100% 吗？
- 你能接受 AI 需要 3 个月的优化期才能达到最佳状态吗？
- 你能接受 AI 在某些边缘场景下表现不好吗？
如果客户追求的是 100% 完美，那 AI 不是答案。 传统规则引擎、人工审核、或者简单的 if-else 可能更合适。
AI 适合的是那些「容错空间足够大、数据足够多、问题足够复杂」的场景。
筛选之后
过了这 5 个问题的项目，我们才会接。接了之后，我们会做三件事：
- 先做研究，再做开发。 花一周时间深入理解问题，而不是拿到需求就写代码。
- 先做最小可行产品，再做全面铺开。 用两周时间做一个能跑的原型，让客户看到效果，再决定要不要继续投入。
- 先建立信任，再谈合作。 我们会把技术方案、风险点、预期效果都讲清楚，让客户知道我们在做什么、为什么这么做。
我们相信，好的 AI 项目不是接出来的，是筛出来的。
写在最后
这 5 个问题不是一成不变的。随着我们做的项目越来越多，这些问题也在不断迭代。
但核心逻辑不变：AI 是工具，不是目的。 我们要做的，是找到那些真正需要这个工具的问题，然后用最合适的方式去解决它。
如果你有一个 AI 项目的想法，欢迎来找我们聊聊。我们不一定能接，但我们一定会告诉你：这个问题值不值得用 AI 解、能不能解好。