适用场景
这篇指南适合以下人群：
- 正在考虑启动第一个 AI 项目的企业 IT 负责人或业务负责人
- 已经有多个 AI 需求但不确定先做哪个的项目经理
- 需要向管理层论证"为什么选这个场景"的技术 Lead
核心问题
第一个 AI 场景选错了，不只是浪费时间和预算——它会摧毁组织对 AI 的信心。
反过来，如果第一个场景选对了，它会产生滚雪球效应：业务方看到实际价值 → 更愿意支持第二个项目 → 数据和经验可以复用 → AI 从实验变成组织能力。
五维评分方法
FDEr.ai 建议用五个维度来评估候选场景。每个维度 1-5 分，总分 25 分。可以把 18 分作为首次校准的示例线，但它不是行业标准；团队应结合风险偏好、历史项目与阻断项重新冻结门槛。
| 维度 | 评估问题 | 高分（4-5） | 低分（1-2） |
|---|---|---|---|
| 痛点强度 | 这个问题有多痛？ | 有人每天抱怨；已经影响业务指标 | "有了更好"但没了也行 |
| 数据就绪 | 数据能拿到吗？ | 数据已有、结构清晰、权限明确 | 数据分散、需要大量清洗、权限不清 |
| 容错空间 | AI 出错了后果多严重？ | 出错可以人工兜底，不影响关键业务 | 出错直接影响资金安全或合规 |
| Sponsor 意愿 | 有人愿意为这个项目站台吗？ | 业务副总裁级别支持，愿意投入资源 | 只有 IT 觉得应该做，业务方冷淡 |
| 采纳条件 | 目标用户愿意改变工作方式吗？ | 用户主动要求改进，期望值合理 | 用户抵触任何变化，或期望 AI "什么都能做" |
执行步骤
第一步：列出候选场景（1-2 天）
收集来源：
- 业务部门反馈的重复性工作和效率瓶颈
- 客服/销售/运营团队的日常抱怨
- 已有数据但未被利用的领域
- 竞争对手已经在做的 AI 应用（参考但不盲从）
先形成一个可比较的小候选集。数量应服从决策效率；如果团队无法逐一验证数据、Owner 和风险，说明候选范围仍需收敛。
第二步：五维打分（半天）
注意事项：
- 打分人应包含业务方和技术方，不能只有一边
- 对同一个场景，不同人的打分差异超过 2 分时，需要对齐认知
- 数据就绪维度需要实际验证，不能靠猜——安排技术人员花 2-4 小时做数据探查
第三步：选择并定义边界（1 天）
选定场景后，需要明确：
- 做什么：用一句话说清楚 AI 在这个场景中具体做什么
- 不做什么：明确边界，避免范围蔓延
- 成功标准：用可量化指标定义成功（如"客服首次响应时间从 5 分钟降到 30 秒"）
- 失败条件：什么情况下应该停止这个项目
第四步：验证假设（1-2 周）
在正式启动前，用最小成本验证核心假设：
- 数据真的拿得到吗？（花 2 天做数据 Pipeline 原型）
- 模型真的能处理这个任务吗？（用 API 做快速实验）
- 用户真的愿意用吗？（和 3-5 个目标用户做 30 分钟访谈）
停止条件
以下情况应暂停场景选择，回到上游问题：
- 所有候选都低于团队预先冻结的最低线——暂停立项，重新检查问题定义与组织准备度
- 数据就绪普遍低于最低线——优先解决数据可得性、质量和权限
- 找不到愿意站台的 Sponsor——没有业务方支持的 AI 项目大概率失败
常见失败模式
- "老板看到了 Demo"——选择场景是因为老板看到了某个演示，而不是因为有真实痛点
- "我们有很多数据"——有数据不等于数据可用，质量和权限才是关键
- "先做简单的"——太简单的场景可能不值得用 AI 解决，无法证明 AI 的价值
- "一步到位"——第一个场景就想覆盖整个业务流程，范围太大注定失败
下一步
场景选定后，下一步是设计 POC。推荐阅读我们的 Playbook：如何区分 Demo、POC、Pilot 和 Production。