在AI技術迅速發展的今天，如何有效地選擇和實施適合自己企業或項目的AI解決方案成了眾多決策者面臨的難題。本文將深入探討如何評估AI項目的價值和可行性，確保您的決策能夠帶來最大的收益和競爭力。

在AI時代到來的當下，各位內部B端產品想必都受到來自上面和業務的各種壓力吧？說要研究AI，說要落地AI，說要AI賦能。

“我們的客服人力成本很高！要看看怎么用AI降低成本！”

“我們的美術設計成本很高！要看看怎么用AI降低成本！”

…………

雖然前面有一篇文章提到《如何避免業務提“離譜的AI需求”》，用一些手段盡量避免業務提出不合理的訴求了。但是有些AI方向實際上是還是具有落地的可行性的，那么這些方向到底該不該做呢？我們手上拿著AI這把錘子，要懟哪個釘子？

個人覺得，可以分為下面幾個維度進行判斷。

一、價值判斷

“價值判斷”這是最直觀的判斷方式之一了。這個AI方向落地之后，到底能發揮什么樣的價值？有些AI方向雖然看起來高大上，但是一結合業務并無什么卵用，那研究并落地這些AI能力的目的是什么呢？只是為了看起來牛逼嗎？

比如我們是一個內部客服系統，最近AIGC很火，我們在客服系統上增加了生成圖畫內容的功能。這看起來很高端，但實際上并不能解決客服業務中的“用戶問題解決”的核心訴求。

比如我們是一個內部的視頻處理系統，最近讓角色跳科目三很火，為了趕上熱點，我們趕緊在系統上弄了一個圖片跳舞的AI能力?？雌饋泶_實挺跟熱點的，但是這個實際內部業務上會用到多少這種需求？做了似乎浪費人力成本。

價值判斷有幾個維度：

1. 用戶數量

該AI能力能被多少內部B端用戶所需要？這決定了AI發揮作用的范圍，即用戶量有多少，涵蓋什么范圍？

2. 使用頻次

該AI能力能被使用的頻率有多少？這決定了AI能力能否經常性發揮作用，還是偶爾被用一兩次。

“用戶數量”和“使用頻次”兩個維度都是用來判斷AI能力方向的需求規模的。如果最終盤下來只有一兩個人能夠使用上 或者 整體使用頻次很低，那么可以說這個AI能力其實發揮作用的空間很有限。

3. 提效價值

使用AI能力后，能夠節省人力多少成本。一般在同等工作內容和工作質量下，對比人工處理的時間和機器處理時間的差異。

4. 產出價值

使用AI能力產出的內容，能在業務中發揮多少價值。這里可以用直接產生的收益，或者間接產生的輔助收益進行衡量。

“提效價值”和“產出價值”兩個維度是用來衡量AI能力的單次價值的。

我們可以使用一個公式來進行整體AI方向的價值衡量：

AI方向價值 = 用戶數量 * 人均使用頻次 * 單次提效價值 + 用戶數量 * 人均使用頻次 * 單次產出價值

通過使用量化價值和量化的成本對比，我們便能判斷這個生意是否值當。

舉一些實際的例子。

假設我們在研究AI美術相關的能力，目前有視頻編輯和圖片編輯兩個方向，但是團隊人力有限，我們要選擇優先哪個方向呢？

那么我們便按上面4個維度進行拆解：

以上數據為虛構示例。

那么，可以分別算出兩個內容的具體值。

AI視頻編輯的工具價值 = 100*100*2*100 +100*100*20*10 = 400w

AI圖片編輯的工具價值 = 10*100*1*100 + 100*100*10*10 = 110w

那么很明顯可以看到，AI視頻編輯工具的價值是整體更高的。在不討論其他因素的前提下，AI視頻編輯工具是更值得探索的。

二、AI落地可行性判斷

AI方向有價值，但是卻不一定有可行性。比如我們提出用AI直接生成能用于廣告買量的視頻，用來替代視頻設計師。這個方向怎么看都價值很大，用戶量龐大、頻次高、提效多、產出價值高。

但是這個卻是最難的一個方向，就拿最接近這個方向的文/圖生視頻領域來說，目前都還是存在諸如“指令識別不準”、“無法修改”、“模糊”、“主體不一致”、“物理運動BUG”等問題。這些問題導致“AI直接生成能用于廣告買量的視頻”這個方向在目前階段并不具備可行性。

那么我們要如何判斷一個AI方向具有可行性呢？這里有幾個調研方法。

1. 這個方向有多少相關的公開信息？

我們可以查查這個AI方向，有多少公開的學術研究、專利、媒體報道。相關的信息多說明這個方向具有一定的可行性。但是也有可能說明該方向只是前沿研究性質的內容，距離實際落地還有距離，所以在調研完這個方向后，我們還要調研下后面兩個方向。

2. 這個方向有多少企業在發力？

我們可以查查這個AI方向，有多少企業在發力研究，或者表示對這個方向有研究意愿。發力的企業多說明這個方向具有一定的價值，且具有較高的可行性。當然，這里也有一些企業在“做難且正確的”事情的，因此這個判斷維度主要是作為輔助參考。

3. 這個方向有多少開源能力/商業化能力？

我們可以查查這個AI方向，有多少已經現成的開源能力，或者是商業化能力的。因為這意味著，這個AI方向已經具有一定的成熟度了，我們可以直接站在企業的肩膀上發力。

這幾個方向的調研本質上都是在判斷“當前AI方向是否有足夠的借力點”，這決定了項目的成功率。

我們要記住，我們是對內B端產品，我們并沒有那么人力去“大力出奇跡”地訓練AI，我們要做的是順勢而為，不要與之抗衡。我們要通過借力行業有一定成熟度的AI能力，結合我們的具體的行業需求，提供定制化的服務能力，幫助AI落地走完“最后一公里”。

三、壁壘構建可行性

前面也有講到，行業是有不少廠商在大力發展AI的。

雖然當前階段，大部分廠商都是通用場景方案，而不是滿足企業的定制化需求。因此，對于我們垂直某行業的B端企業來說，這些AI能力的提效程度有限的，這里存在著“最后一公里的問題”。

在這個階段，我們可以結合通用方案的情況和我們的垂直行業需求，輸出提示詞工程、內部使用指引、工作流組合工具等相關內容，提高在具體業務下的準確度，給到業務定制化的解決方案，最高效地滿足業務訴求，從而輔助解決第三方工具的“最后一公里”問題。

但是隨著外部廠商的發展，隨著他們能力、場景、行業的深耕，這意味著，有可能某一天有某家廠商會推出“能滿足我們業務需求”、“好用”、“便宜”的工具的，那這樣我們內部B端產品團隊的努力就白費了。

所以說，我們在探索AI方向的時候，也要考慮壁壘構建的可行性。

個人覺得，判斷是否能形成壁壘可以有這幾個方面：

1. 是否具有足夠的定制化優勢？

第三方廠商（SaaS）是做多家公司需求的，做的是標準化產品，在特定場景上一定存在效率流失，相比起定制化工具，效率存在流失。而且有些特殊的業務場景，第三方廠商并不一定能賦能。就算第三方廠商推出低代碼平臺，短時間內這里還是有巨大的入坑門檻。

因此我們要判斷，我們企業的流程是否有足夠多的定制化場景，能夠區別于第三方廠商提供的“賦能”，保證使用內部的工具能夠有足夠高的效率提升。

同時，我們要保證這里的定制化場景是否足夠多，是否會被第三方廠商在短時間內覆蓋，以保證我們能夠區別于第三方廠商，不然老板是沒有理由為“B端產品團隊”買單的。

2. 是否能夠積累行業最佳實踐？

第三方（SaaS）是行業最佳實踐，內部系統是企業最佳實踐。如果我們內部企業是能夠形成領先于行業的最佳實踐的，那么我們便不需要第三方廠商的賦能，而是可以自行探索，并進行沉淀，從而實現自我內部的賦能。

3. 是否能避免數據風險和安全問題？

這一點是頭部公司和處在競爭激烈行業的公司的擔心點。采用內部系統是能夠一定程度避免這些風險的。所以我們要判斷我們所處的行業，是否能通過內部系統避免這種風險。

如果不是頭部公司，或者競爭并不激烈的行業，這一塊的風險是相對較小的，那么我們便有可能不需要通過自研內部系統來規避風險。

4. 是否能夠提供更便宜的解決方案？

部分SaaS提供的定價往往很高，會打包販賣一些不需要的額外服務，導致整體溢價。因此，如果內部B端產品能結合業務的實際需求，提供剛好合適的功能，并且控制整體的開發成本。那么我們相對SaaS來說，也是具有一定的優勢的。

四、人力支持

AI方向的落地，還需要判斷人力支持的情況。人力支持越多，說明AI方面更具有成功率。

“人力支持”這個維度除了“研究團隊、開發團隊有投入多少人支持”，更重要的是來自上級、業務的支持。

“人力支持”這個維度可分為三點：

1. 團隊支持

開發團隊是我們研究并落地AI的關鍵，“團隊有多少人、團隊的能力如何、團隊的成員配比、團隊效率如何”這些因素都影響著團隊對AI的研究進展。

2. 上級支持：

團隊人力和上級支持息息相關，人力充足意味著上級對AI項目的重視。

因此，我們需要給上級描繪AI具有可實現性的前景，能夠讓上級結合自身評估給到我們關鍵的支持（如成員、資金、數據等）。

同時，管理上級的預期是一個“同頻”的過程，這個過程能引導上級建立合理的項目預期和評價指標，避免AI落地時的預期偏差產生對我們的負面評價。同時，我們能夠讓上級從更高的維度對AI與業務的結合進行思考，讓我們的方案設計更具價值，避免在自身的慣性思維中撞到南墻。

3. 業務支持：

AI落地到對內B端業務中是一個“與業務深度結合”的過程。

首先，B端工具的使用者是業務成員，我們的需求需要從業務中來，再到業務中去，否則就是閉門造成，會作出不符合業務需求的功能。

目前大部分AI工具都有一個問題，就是“拿著錘子，去到處找釘子”。這種做法導致，他們的功能并不一定是有需求支持的，可能只是“見到別人做了，自己也要做”的恐懼心理。

所以說，我們的需求要充分基于“我們的用戶需要什么”這一點。

其次，業務可能會對AI工具產生抵觸情緒，擔心“AI會取代他們的工作”，這種抵觸情緒會導致不配合的行為。例如，他們會隱藏真正的需求，從而干擾我們挖掘到真正有價值的功能點。

當然，我們可以用一線輪崗體驗、引導上級接入等手段來解決這些問題，但是最好的解決方案還是“與業務一起共創”。我們可以先輔助業務了解AI的幫助作用，并且說明AI與人的合作方式，從而讓業務不抵觸并接納AI，然后一起去更全面地挖掘AI在內部B端系統上的應用。

前文提到的“AI落地可行性”和“壁壘構建可行性”決定了當前AI方向是否可做。如果通過這些維度的分析發現“當前AI方向不值得”，那么我們就沒必要浪費人力去推動了。

如果在“AI落地可行性”和“壁壘構建可行性”具有可行性，那么產品經理就需要去推動內部，獲取內部團隊、業務、上級的支持，提高業務的成功率。

五、成本判斷

最后一點，就是成本判斷了。那么如何判斷一個AI方向的成本呢？AI研究的成本主要構成是“人力成本”、“AI調用成本”、“機器成本”。

• 人力成本：人力成本分為兩個方面。一方面是需要多少人進行研究，這部分人每個月的薪資成本、辦公支持等成本是多少。另一方面是這些人需要研究多長時間，這取決于我們內部對AI方向的難度評估。
• AI調用成本：調用大模型時候，所需要的費用。比如調用LLM時候按token計費的成本。
• 機器成本：訓練AI使用的數據機器以及部署并執行模型的算力成本。比如美術類AI，往往對顯卡的要求很高，幾張4090顯卡，就是好幾萬的成本了。

六、小結

總的來說，對內B端系統如何判斷一個AI方向是否值得做呢？

一般來說，只要“收益>成本”，那么這個方向就是值得去做的方向。

但是這是AI研究相關的判斷，除開收益和成本，還有以下判斷因素：

• 成功率：我們需要判斷“AI落地可行性”、“壁壘構建可行性”、“人力支持”三個因素構成的成功率有多少，內部是否接受當前成功率，內部能接受成功率才能進行后續的推進。
• 壁壘時效性：在評價“壁壘構建可行性”時，有可能只能在短期內構建起壁壘，那么我們評估價值的時候，就要結合時效性進行價值評估。

因此，我們可以得出。

成本 = （單月人力成本 + AI調用成本 + 機器成本 + 其他成本）* 研究時長

收益 = （用戶數量 * 人均使用頻次 * 單次提效價值 + 用戶數量 * 人均使用頻次 * 單次產出價值）* 壁壘時效

只要“收益>成本”，那么這個生意就是值當的。