在AI技术高速发展的今天，"要不要用AI"已不再是问题，真正的问题是"哪些场景值得用AI，哪些场景用了反而踩坑"。本节系统梳理AI项目选型的核心标准，帮助你在立项阶段就做出正确判断。
一、什么样的需求适合上AI
适合引入AI的场景通常具备以下四大特征：
1. 重复性强
每天重复执行数百甚至数千次的任务，人工处理既耗时又容易出错。AI擅长把重复性工作自动化，并保持稳定的输出质量。典型案例：客服邮件分类、合同关键信息提取、日报自动生成。
2. 规则复杂
传统规则引擎难以覆盖的模糊判断场景，例如"这条评论是否包含负面情绪"、"这份简历是否符合岗位要求"。这类问题规则多达数百条还覆盖不全，AI却可以通过语义理解一步到位。
3. 人工成本高
雇佣人工完成某项任务的边际成本远高于调用AI API。一旦任务量规模化，AI的成本优势会指数级放大。
4. 可接受一定错误率
业务允许AI偶尔出错，错误可被人工复核或下游流程兜底。例如自动标签打错了可以人工二次审核，但不会造成不可逆损失。
二、哪些场景不适合上AI
- 零容错场景：医疗诊断最终决策、金融交易执行、法律文书签署。AI的幻觉在这里可能造成严重损失。
- 实时性极强：需要毫秒级响应的系统，大模型推理延迟（通常500ms~3s）无法满足要求。
- 训练数据极少：某些高度专业化的小众领域，AI没有足够的先验知识，fine-tuning数据也严重不足，表现会大幅退化。
- 输出格式极端严格：必须100%符合特定格式的场景（如ISO标准报文），AI的自由生成特性会带来不可控风险。
- 隐私合规红线：数据无法出境、无法经过第三方API处理的场景，除非使用本地部署模型。
三、AI项目ROI初步评估框架
在决策是否立项前，可以快速用以下框架评估ROI潜力：
ROI潜力评分（满分10分）：
[ ] 任务重复频率 ≥ 每天100次 → +3分
[ ] 当前人工单次耗时 ≥ 5分钟 → +2分
[ ] 错误率容忍度 ≥ 5% → +2分
[ ] 已有相关训练数据或类似开源模型 → +2分
[ ] 监管/合规无明显障碍 → +1分
≥7分：强烈建议立项
4~6分：需要原型验证后决策
<4分：暂缓，寻找更合适场景四、适合 vs 不适合：10个对比案例
| 编号 | 业务场景 | 适合/不适合 | 原因 |
|---|---|---|---|
| 1 | 电商评论情感分析 | ✅ 适合 | 量大/重复/容错高/有大量训练数据 |
| 2 | 手术方案自动决策 | ❌ 不适合 | 零容错，AI幻觉不可接受 |
| 3 | 客服工单自动分类路由 | ✅ 适合 | 重复性强，分类错误可人工纠正 |
| 4 | 高频交易信号执行 | ❌ 不适合 | 需要微秒级延迟，LLM无法满足 |
| 5 | 合同信息抽取（甲乙方/金额/日期） | ✅ 适合 | 规则复杂，人工效率低，AI准确率高 |
| 6 | 核电站操作规程生成 | ❌ 不适合 | 合规极严，零容错，需要领域专家 |
| 7 | 每日行业动态摘要推送 | ✅ 适合 | 重复性强，人工成本高，错误可接受 |
| 8 | 小公司独特内部术语理解 | ❌ 不适合 | 训练数据极少，需大量标注工程 |
| 9 | 简历初筛打分 | ✅ 适合 | 规则多，量大，有人工复核环节 |
| 10 | 银行核心账务系统记账 | ❌ 不适合 | 精度要求分毫不差，AI无法保证 |
五、选型决策树
需求是否重复性强？
├── 否 → 人工更合适
└── 是 → 是否容忍5%以上错误率？
├── 否 → 加人工审核层，或考虑规则引擎
└── 是 → 是否有相关数据/模型？
├── 否 → 先做小规模PoC验证
└── 是 → ✅ 立项，进入需求→设计流程小结
选型是AI项目成败的第一道关卡。很多团队在错误的场景里投入大量资源，最终得到一个"能用但没人用"的系统。把选型标准内化成团队共识，在立项阶段就淘汰不合适的需求，才能把精力集中在真正有价值的AI应用上。
下一节，我们将进入具体的"需求→设计→实现"全链路，看看一个AI功能是如何从0到上线的。