AI 项目 POC 评估清单

用途：在投入资源做 AI 项目（RAG / Agent / 垂直应用）之前，判断「值不值得做」。 心法：先证明业务价值，再谈技术效果；先算成本账，再画大饼。

0. POC 基本信息

• 项目 / 场景：
• 提出方 / 决策人：
• 评估日期：

1. 业务价值（先于技术）

• 真实用户痛点明确（有访谈 / 数据支撑，不是拍脑袋）
• 一句话能说清 AI 带来的增量价值（省钱 / 省时 / 增收）
• 有可量化的成功指标（如：解决率 ≥ 70%、人工成本降 30%）
• 不用 AI，业务照常转——那这个项目还成立吗？

2. 数据资产

• 高质量数据存在（数量、格式、更新频率）
• 数据可访问（不在纸面上 / 老系统 / 个人电脑里）
• 数据隐私 / 合规允许使用（含脱敏）
• 效果天花板判断：这件事本身是否高度依赖「隐性知识」

3. 技术可行性

• 准确率 / 幻觉容忍度：业务能接受多高的错误率？
• 识别了「错误代价」：答错的损失 > 不用 AI 的损失吗？
• 老系统对接：API / 数据接口存在吗？改造量多大？
• 是否需要私有化部署（数据出域限制）？算力成本算过吗？

4. 成本账

• 一次性成本：开发、集成、数据治理
• 持续成本：token / 算力 / 维护（按真实用量估算）
• 对比人工成本：回本周期多长？
• 成本失控风险：有缓存 / 限流 / 降级设计吗？

5. 组织与落地阻力

• 业务方有「第一责任人」，不是技术单方面推动
• 使用方愿意改变流程（工具不做，人不变 = 白做）
• 验收标准双方共识（谁说了算、什么时候算成功）

6. 判定

• 值得做：__________________________
• 不值得做：________________________
• 缩小范围再做：____________________

7. POC 设计（决定做之后）

• POC 要验证的 1 个核心假设是：
• 通过标准（可量化）：
• 时间盒（建议 ≤ 2 周）：
• 验证后无论成败，复盘记录在哪里：