我一个朋友，在一家电商公司做 AI 产品。上季度的评审会上，运营 VP 把一张 Excel 投到幕布上——一万八千条客服工单："能不能让 AI 自己派？" 他答得很干脆："能做。" 三个月后上线，准确率 76%，三分之一的单子一线要手动改。最后团队自发用起了新流程：AI 先派一次，人再改一次——比原来还多一步。复盘会上，这个项目被归为"技术验证成功，业务价值未达预期"。翻译过来就是：做出来了，白做。

他后来复盘，发现问题不在模型——派错了，客服改一下就行，不赔钱也不被告，并不致命。问题是他从头到尾没算过一笔账：人工分派一单多少钱，AI 分派一单多少钱，差多少，多久回本。他回答的是"能不能做"，老板问的其实是"值不值得做"。 真正难的从来不是"能不能做"，是"该不该做"。而这两件事，99% 的团队分不清。

他把判断过程压成四个问题，每个半小时内能答完。下面四段，就用他这个案例——客服工单自动分派——从头走到尾。

第一问：能力边界——大模型擅长什么，不擅长什么

它是什么

大模型不是"更聪明的程序"，它是概率化的模式匹配器。这句话听着像废话，但它有一个很实际的推论：大模型的能力由任务的模糊度和容错度决定，不由任务的难度决定。 难的它很行——写一段有分寸的催收提醒文案，人写得好的也就那样。简单的它可能崩——数一下这张 Excel 里有多少行，它能给你一个自信满满的错误答案。所以评估场景时别问"这个难不难"，要问"这个任务模不模糊、允不允许不确定"。

怎么用：拆成原子任务，逐个打标签

把场景拆到不能再拆，每个原子任务打上"擅长"或"不擅长"。以工单自动分派为例，他拆出来是这样：

• 读工单正文，理解用户在说什么
   → 擅长（模糊输入，容错高）
• 判断这单属于哪个业务类型
   → 擅长（本质就是分类）
• 匹配"当前值班且空闲"的处理人
   → 不擅长（实时数据，它不知道）
• 把结果写回工单系统并改状态
   → 不擅长（规则执行，要 100% 一致）

后两个落在右列。但它们都可以被替换或绕过：值班表走接口查，写回走 API 调，AI 只负责中间那一步"判断类型"。所以这个场景不降级，但方案要重画——从"AI 自动分派"改成"AI 自动分类 + 规则路由"。判定一句话：只要有一个原子任务落在右列、且无法被替换或绕过，整个场景降级。

什么场景用

立项评审的第一关。这一关 5 分钟能筛掉一半伪需求，而且它不需要任何数据、不需要开发参与，开会现场就能过。

一个反直觉的结论

"AI 做不到"和"AI 做不好"是两回事。做不到可以绕，做不好才致命——因为它会看起来像做到了。 做不到，你立刻就知道，会去加规则、加接口、改方案。做不好，它会输出一个很像样的东西，一路通过 demo、通过验收、通过你的自信心，然后在某个你没测到的 case 上出事。

第二问：容错成本——错一次的代价有多大

它是什么

决定要不要加人工复核的，不是"准确率多少"，是错一次赔多少。同样是 90% 的准确率，用在会议纪要上是"少记了一条待办"，用在对客报价上是"报低了两万块，而且客户已经截图了"。前者可以直接上线，后者上线就是事故。

怎么用：容错三档

工单分派落在 L2：派错了，下游客服看一眼就知道不对，改一下，成本几秒钟。所以他们的方案是 AI 只出"建议处理组"，状态不改，人工点确认。

但这个场景里还藏着一个边界：有一类工单是"对客承诺时效"的（比如"48 小时内回复"）。这类单派错组会直接导致超时违约。它表面上是 L2，实际接近 L3。后来他们把这类单单独摘出来，走规则路由，不进 AI。一个场景里可以同时存在两档容错。 全场景只打一个档位，是最常见的偷懒方式，也是最危险的一种。

判定三连问

错了谁发现 → 多久发现 → 发现的代价是多少。

把准确率翻译成事故量

这是全篇我最想让你记住的一段，也是我在评审会上最常拿出来的一段。别问"能不能做到 99%"。要问：

"99% 意味着每天错 12 单，每单我们要赔 300 块，一天 3,600。这个数你认吗？"

99% 在 demo 里是优秀，在 10,000 单/天的线上是每天 100 次事故。 准确率是技术语言，事故量是业务语言，钱是老板的语言。这三步翻译必须你在会上自己做——技术同事不会替你做，老板自己也算不出来。

第三问：数据——有没有、拿不拿得到、合不合规

三个问题，全绿才能往下走。

1. 有没有
   ——这件事历史上被人做过吗？做过就有数据。如果从来没人做过，那你现在要解决的不是 AI 问题，是流程线上化问题。
2. 拿不拿得到
   ——数据在哪个系统、什么格式、脏不脏、你有没有权限取。
3. 合不合规
   ——有没有个人信息、能不能用于训练、客户授权范围到哪、能不能出域。

在这个项目上，他的第二问栽得很彻底。立项时他们说"有 3 年工单数据，12 万条，够了"。真打开一看：

• 2023 年 6 月之前，"处理组"字段 40% 是空的——因为那个字段是后来才强制填写的；
• 一级分类有 37 个取值，其中"退款""退货退款""退款申请""退钱"是同一个意思，还有 9 个组名在系统升级时改过名，新旧两套并存；
• 数据散在 5 个系统里（工单系统、IM、邮件、APP 反馈、企微），其中两个没开放接口，只能人工导 Excel；
• 还有 5,000 多条是测试账号和内部培训打的单。

最后真正能进训练集的，是 2024 年 3 月之后的 2.7 万条。两个人清了 6 周，其中 3 周花在求别的部门开接口权限上。模型从来不是瓶颈。项目烂在数据清洗上，是 AI 项目最常见的死法——因为它不上新闻，也不会写在复盘报告里。所以任一项变红，先做数据治理，不要立 AI 项。

第四问：单位经济账——一次调用多少钱 vs 一次人工多少钱

它是什么

把技术语言翻译成钱。这一问做完，你的结论就从"能做"变成"值 8 个月回收期"。

公式

为什么阈值是 0.5 而不是 1？ 另一半留给模型迭代、prompt 维护、幻觉返工、bad case 运营。只算 token 钱的成本模型全是虚的——token 常常只占真实成本的 5% 以下。

他在这个项目上算的那笔账

按实测数字：人工侧——分派一单平均 90 秒（读工单、判断类型、查值班表、找人），客服综合时薪 45 元 → 1.13 元/次

AI 侧：

• token：输入约 1,200（工单正文 + 历史 3 轮 + 技能组清单 + 分类规则），输出约 80 → 0.01 元
• 复核：100% 人工过一遍，平均 18 秒 → 0.23 元
• 返工：首版准确率 76%，错派一次要退回、重派、用户多等 20 分钟，按 2 元/次算 → 0.24 × 2 = 0.48 元
• 合计 0.72 元

阈值线是 1.13 × 0.5 = 0.57 元。0.72 > 0.57，账不平。他要是先算了这笔账，就不会当场说"能做"。

后来他们做了第二版：缩小范围。只接管 14 个技能组里量最大、规则最清晰的 5 个（占总量 62%），这些组历史样本多，准确率提到 91%；复核从 100% 降到 30% 抽检；剩下 9 个组继续走规则路由。

重算：0.01 + 0.3 × 0.23 + 0.09 × 2 = 0.26 元。0.26 < 0.57，过线。月节省：18,000 × 62% × (1.13 − 0.26) ≈ 9,700 元/月。开发投入 3 人月，回收期约 8 个月。同一个场景，全量做是亏损项目，缩小范围做是个好项目。 中间只差一个"缩小范围"的动作。

把钱翻译成老板听得懂的单位

三个别忘了算进去的隐性成本

• prompt 与模型的持续维护
  ：模型升级一次，你的 prompt 可能要重调一遍，这不是一次性工作；
• bad case 的人工兜底团队
  ：上线后它不会消失，只会变小，但它永远不为零；
• 数据清洗与标注的一次性投入
  ：上一问那 6 周，就是钱。

全文最值得存的：四问清单

前面四段是道理，这一张表是工具。全文最值得存的就是这份清单——下次有人丢给你一个 AI 需求，照着过一遍，20 分钟出结论。

决策树：四问过完，只有三种结论

注意上面每条箭头都带条件。科普文说"有 ABC 三种方案"，方法论说"在 X 条件下选 A"——带条件，才是能用的东西。

这里有一句要特别说："规则优先"不是妥协，是最优解。 规则版跑 3 个月，你会得到三样东西：一条稳定的业务基线、一批被真实流量验证过的长尾 case、一份可以拿来当测试集的干净数据。那时候上 AI 是顺势；现在上 AI 是无米之炊。

汇报话术（可以直接抄）

"这个场景我们评估过：能力上能做，容错是 L2 可补救，数据合规 OK。但单位成本上，全量 AI 版一次 0.72 元 vs 人工 1.13 元，看着省 0.41，可按 76% 的准确率算，返工要吃掉 0.48，实际不省钱。

缩到 5 个高频技能组之后，单次 0.26 元，月省 9,700，回收期 8 个月。建议先做规则版跑 3 个月，把 62% 的标准化 case 吃掉，剩下的长尾攒够数据再上 AI。"

AI 项目的失败，90% 不是模型不行，是这个场景本来就不该用 AI。

明天就能做的事

下次再被问"这个能不能用 AI 做"，别回答能，也别回答不能。把这份四问清单甩进群里，说一句：

"给我 20 分钟，我按这个过一遍，下午给你结论。"

就这一句，你的角色从"被问的人"变成"给结论的人"。