量化评估一项业务能否被 AI 赋能，拒绝拍脑门

之前有总结过四种 AI 赋能业务的方式：

目前大部分企业都在服务内部-升级型这个象限探索业务赋能的可行性。

但大都是“拍脑门”的，结果很可能是折腾一个月，发现不行。

这篇文章，聊一聊“如何量化评估一项业务能不能引入 AI、如何引入”。

全文包含以下几个板块：

1. 1. 全新视角，明确什么样的场景适合引入 AI 技术

2. 2. 通过将业务原子化拆解找到 AI 切入点

3. 3. AI 引入可行性评估量化维度和标准

4. 4. 两句话总结适合引入 AI 的业务/场景特征

内容节选自我的《AI产品经理转岗特训营》第四章「AI 产品从立项到测评、上线的全流程」的第一节。

如果你正想快速转型进入 AI 大模型领域、或者已经在公司开展 AI 相关业务，欢迎报名学习。

课程早鸟优惠将在 11 月底结束，强烈建议先添加班主任领取优惠券保留早鸟名额。

新的分析视角

工程师（包括产品经理和程序员）在设计任何一款产品或者工具时，终极目标其实只有一个：让技术尽可能多地接管原本由人完成的工作。

在传统软件时代，由于技术能力的边界，这个目标始终无法彻底实现。

很多业务流程中总有一些环节，程序“接不住”，只能交给人工来兜底。

如果回头去看这些必须由人来处理的任务，它们往往有几个共同特征：

• • 输入是非结构化的，事先难以穷举和预测，无法简单抽象成几类

• • 决策规则说不清楚，很难被写成明确的“如果……就……”的程序逻辑，示例再多也覆盖不全

• • 输出缺乏统一的客观标准，结果往往只能“看着差不多”，难以用规则自动验证对错

而传统“程序型”任务的特征则刚好相反：输入结构化、规则可严密推导成“是/否”判断、输出可以预期并被自动校验（图一中的“程序”一侧）。

过去软件工程所实现的“提效”，正是通过不断用这种“规则可编码”的程序，去替代重复、稳定的人工操作。

AI 技术之所以被称为“革命性”的关键，在于它打开了第三种可能：

• •AI 能接受非结构化输入—— 借助对自然语言和上下文的理解能力，从杂乱的信息中提取出有用的信号；

• •AI 能在规则不完全清晰时给出“合理解”—— 通过少量示例自行归纳出隐含模式，而不必把规则穷尽到每一条 if-else；

• •AI 的输出允许存在弹性—— 它不一定给出唯一标准答案，但可以在可控范围内提出建议、备选方案，由人或后续程序来做最终裁决。

在相当一部分过去“只能人工、程序接不了”的环节上，AI 开始具备了可用甚至可观的承担能力。

这是一次任务分工方式的根本变化。

因为有了这一层“弹性理解和生成”的能力，我们可以不再只用“能不能写成程序”这一维度来判断任务是否可被技术接管，而是引入一个新的观察框架。

任何一项工作内容，都可以从两个维度来重新审视：

• •任务的弹性：输入和输出是否多样、模糊、带有创意空间，还是高度标准化、可严格预期；

• •规则的可表达性：决策规则能否被语言化、公式化、写成清晰的指令，还是高度依赖经验直觉、难以说清楚。

把这两个维度画成一个坐标系，我们可以得到一个全新的任务分工逻辑：

• • 规则难以说清但任务又具有较高弹性的区域，更适合由人和 AI 共同完成，由 AI 提供理解和生成能力，人负责判断与拍板

• • 规则可以语言化但仍有较高弹性的区域，适合由 AI 与程序协同

• • 规则清晰、弹性低的区域，适合完全由程序自动化

有了这个新的观察视角，“一项业务能否引入 AI 技术来赋能提效”就不再仅凭拍脑门了，而可以被拆解为一套可执行的方法：

对业务进行任务拆解 → 分析每一项工作的输入、处理与输出逻辑 → 据此判断每个环节更适合由人、AI、程序，还是三者的某种组合来承担。

原子化拆解

所以业务都是由一个个更细颗粒度的具体工作节点组成的，产品设计最大的忌讳就是“雕刻巨石”。

试图用 AI 赋能整个业务是非常外行的表现，我有总结过 3 个 AI 产品设计的天坑，在这里再次分享：

对场景进行原子化拆解是每个产品经理的必修课。

因为我们的终极目的是为了考量一项业务能否以及如何引入 AI，所以需要观察每个原子任务在“输入-处理-输出”这三个维度上的表现。

以“撰写调研报告”这个场景为例，它可以被拆解为以下：

拆到这里，一项业务的全流程，能否以及在哪些环节引入 AI 其实已经相对清晰了。

但要实现明确、清晰、量化，还需要更多、更细颗粒度的分析维度，我在这里把“输入-处理-输出”扩展成了 6 个：

右侧是对每个维度的打分，不同分值对应不同承担对象的适配性。

比如一项任务：

1. 1. 输入的弹性非常低，都是结构化输入，那么它就适合由传统程序来完成；

2. 2. 但如果任务的规则由不可语言化（不能表达不能标准化），就比如把人类或者AI 引入进来辅助程序

3. 3. 如果同时它的重复度非常高，让人来做很“费”人，那么引入 AI 的价值就非常高了。

回到刚才“撰写调研报告”的示例，在新的 6 维下对每个原子化工作进行打分可以得到：

基于此，一项包含 6 个子步骤的任务，每一项任务及整个场景都可以得到量化的可行性判断了：

此场景任务可拆解为 6 个关键步骤，其中 5 个节点可引入 AI 来提效或提质，3 个节点可直接被 AI 托管，2 个节点需要人机协作。

总结一下

经过这么一轮拆解，再回看开始对场景任务的观察维度，可以用这么两句话来总结：

找到那些

规则可表达(提示词) 但输入弹性大的任务(程序不能做)

规则不易表达(不好教学) 但有清晰示例可参考的任务(提示词)

的任务，引入 AI 来赋能。

我的《AI产品经理转岗特训营》课程中，包含一个产品经理必须了解和掌握的 AI 大模型全部信息。

如果你正想快速转型进入 AI 大模型领域、或者已经在公司开展 AI 相关业务，欢迎报名学习。

最后提醒，课程早鸟优惠将在 11 月底结束，强烈建议先添加班主任领取优惠券保留早鸟名额。