廣東
之前有總結過四種 AI 賦能業務的方式：
目前大部分企業都在服務內部-升級型這個象限探索業務賦能的可行性。
但大都是“拍腦門”的，結果很可能是折騰一個月，發現不行。
這篇文章，聊一聊“如何量化評估一項業務能不能引入 AI、如何引入”。
全文包含以下幾個板塊：
1. 全新視角，明確什么樣的場景適合引入 AI 技術
2. 通過將業務原子化拆解找到 AI 切入點
3. AI 引入可行性評估量化維度和標準
4. 兩句話總結適合引入 AI 的業務/場景特征
內容節選自我的《AI產品經理轉崗特訓營》第四章「AI 產品從立項到測評、上線的全流程」的第一節。
如果你正想快速轉型進入 AI 大模型領域、或者已經在公司開展 AI 相關業務，歡迎報名學習。
課程早鳥優惠將在 11 月底結束，強烈建議先添加班主任領取優惠券保留早鳥名額。
新的分析視角
工程師（包括產品經理和程序員）在設計任何一款產品或者工具時，終極目標其實只有一個：讓技術盡可能多地接管原本由人完成的工作。
在傳統軟件時代，由于技術能力的邊界，這個目標始終無法徹底實現。
很多業務流程中總有一些環節，程序“接不住”，只能交給人工來兜底。
如果回頭去看這些必須由人來處理的任務，它們往往有幾個共同特征：
? 輸入是非結構化的，事先難以窮舉和預測，無法簡單抽象成幾類
? 決策規則說不清楚，很難被寫成明確的“如果……就……”的程序邏輯，示例再多也覆蓋不全
? 輸出缺乏統一的客觀標準，結果往往只能“看著差不多”，難以用規則自動驗證對錯
而傳統“程序型”任務的特征則剛好相反：輸入結構化、規則可嚴密推導成“是/否”判斷、輸出可以預期并被自動校驗（圖一中的“程序”一側）。
過去軟件工程所實現的“提效”，正是通過不斷用這種“規則可編碼”的程序，去替代重復、穩定的人工操作。
AI 技術之所以被稱為“革命性”的關鍵，在于它打開了第三種可能：
?AI 能接受非結構化輸入—— 借助對自然語言和上下文的理解能力，從雜亂的信息中提取出有用的信號；
?AI 能在規則不完全清晰時給出“合理解”—— 通過少量示例自行歸納出隱含模式，而不必把規則窮盡到每一條 if-else；
?AI 的輸出允許存在彈性—— 它不一定給出唯一標準答案，但可以在可控范圍內提出建議、備選方案，由人或后續程序來做最終裁決。
在相當一部分過去“只能人工、程序接不了”的環節上，AI 開始具備了可用甚至可觀的承擔能力。
這是一次任務分工方式的根本變化。
因為有了這一層“彈性理解和生成”的能力，我們可以不再只用“能不能寫成程序”這一維度來判斷任務是否可被技術接管，而是引入一個新的觀察框架。
任何一項工作內容，都可以從兩個維度來重新審視：
?任務的彈性：輸入和輸出是否多樣、模糊、帶有創意空間，還是高度標準化、可嚴格預期；
?規則的可表達性：決策規則能否被語言化、公式化、寫成清晰的指令，還是高度依賴經驗直覺、難以說清楚。
把這兩個維度畫成一個坐標系，我們可以得到一個全新的任務分工邏輯：
? 規則難以說清但任務又具有較高彈性的區域，更適合由人和 AI 共同完成，由 AI 提供理解和生成能力，人負責判斷與拍板
? 規則可以語言化但仍有較高彈性的區域，適合由 AI 與程序協同
? 規則清晰、彈性低的區域，適合完全由程序自動化
有了這個新的觀察視角，“一項業務能否引入 AI 技術來賦能提效”就不再僅憑拍腦門了，而可以被拆解為一套可執行的方法：
對業務進行任務拆解 → 分析每一項工作的輸入、處理與輸出邏輯 → 據此判斷每個環節更適合由人、AI、程序，還是三者的某種組合來承擔。
原子化拆解
所以業務都是由一個個更細顆粒度的具體工作節點組成的，產品設計最大的忌諱就是“雕刻巨石”。
試圖用 AI 賦能整個業務是非常外行的表現，我有總結過 3 個 AI 產品設計的天坑，在這里再次分享：
對場景進行原子化拆解是每個產品經理的必修課。
因為我們的終極目的是為了考量一項業務能否以及如何引入 AI，所以需要觀察每個原子任務在“輸入-處理-輸出”這三個維度上的表現。
以“撰寫調研報告”這個場景為例，它可以被拆解為以下：
拆到這里，一項業務的全流程，能否以及在哪些環節引入 AI 其實已經相對清晰了。
但要實現明確、清晰、量化，還需要更多、更細顆粒度的分析維度，我在這里把“輸入-處理-輸出”擴展成了 6 個：
右側是對每個維度的打分，不同分值對應不同承擔對象的適配性。
比如一項任務：
1. 輸入的彈性非常低，都是結構化輸入，那么它就適合由傳統程序來完成；
2. 但如果任務的規則由不可語言化（不能表達不能標準化），就比如把人類或者AI 引入進來輔助程序
3. 如果同時它的重復度非常高，讓人來做很“費”人，那么引入 AI 的價值就非常高了。
回到剛才“撰寫調研報告”的示例，在新的 6 維下對每個原子化工作進行打分可以得到：
基于此，一項包含 6 個子步驟的任務，每一項任務及整個場景都可以得到量化的可行性判斷了：
此場景任務可拆解為 6 個關鍵步驟，其中 5 個節點可引入 AI 來提效或提質，3 個節點可直接被 AI 托管，2 個節點需要人機協作。
總結一下
經過這么一輪拆解，再回看開始對場景任務的觀察維度，可以用這么兩句話來總結：
找到那些
規則可表達(提示詞) 但輸入彈性大的任務(程序不能做)
規則不易表達(不好教學) 但有清晰示例可參考的任務(提示詞)
的任務，引入 AI 來賦能。
我的《AI產品經理轉崗特訓營》課程中，包含一個產品經理必須了解和掌握的 AI 大模型全部信息。
如果你正想快速轉型進入 AI 大模型領域、或者已經在公司開展 AI 相關業務，歡迎報名學習。
最后提醒，課程早鳥優惠將在 11 月底結束，強烈建議先添加班主任領取優惠券保留早鳥名額。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
