# 03｜优先级判断与避坑：什么值得做，什么别碰

## 先说结论
如果你现在准备基于 AI 做一个方向，最重要的不是先想“我能做什么功能”，而是先过这 4 个判断：

1. **是不是高频问题？**
2. **是不是贵问题？**
3. **是不是可验证问题？**
4. **是不是能接进已有工作流？**

满足越多，越值得做。

## 一、一个好 AI 方向的 6 个判断标准

### 1. 高频
用户是不是经常遇到？

- 每天
- 每周
- 每月大量出现

高频问题更容易留下来，低频问题更容易变成“用一次就走”。

### 2. 成本显性
这个问题现在是不是已经在花钱？

比如：

- 需要专人处理
- 外包/BPO 成本高
- 错误成本高
- 时间成本高

如果现在已经在烧钱，你的价值就更容易被理解。

### 3. 输出可验证
这特别关键。

AI 最适合做的，不是所有任务，而是那些输出能被验证的任务，比如：

- 分类对不对
- 字段抽取对不对
- 文档总结是否可回溯
- 代码测试是否通过
- 工单有没有被正确路由

### 4. 工作流边界清晰
如果一个任务的成功条件模糊、目标不断变化、依赖大量隐形经验，就不适合作为早期切入点。

更好的任务是：

- 输入相对稳定
- 中间步骤能拆解
- 输出有明确完成定义

### 5. 能嵌入现有系统
AI 产品真正变现，通常不是因为“很酷”，而是因为它能接进：

- 邮件
- 表格
- CRM
- 工单系统
- ERP
- 文档系统
- 代码仓库

如果不能接进去，通常只是额外操作负担。

### 6. 有复利数据或流程护城河
最危险的项目，是任何人两周都能抄一版。

更好的方向通常会逐渐积累：

- 行业 prompt / workflow know-how
- 真实业务数据
- 模板与知识库
- 审核机制
- 用户历史上下文

## 二、最值得优先做的项目长什么样
### 理想项目画像
- 明确服务某类用户
- 解决一个真实流程，而不是一堆零散功能
- 有现成预算池
- AI 只是交付系统的一部分，不是全部卖点
- 人工可以兜底
- 结果可以评估

### 例子
#### 好例子 1：销售线索研究助手
输入：公司名单 / 潜在客户名单  
输出：公司概况、痛点推测、触达角度、个性化首封邮件草稿  
价值：节省销售研究时间  
为什么好：高频、可验证、能接流程

#### 好例子 2：招聘初筛系统
输入：JD + 简历  
输出：匹配度、风险点、追问问题、安排下一步建议  
为什么好：本来就在花人力、流程明确

#### 好例子 3：行业情报周报代理
输入：指定来源 + 主题  
输出：结构化摘要 + 影响判断 + 行动建议  
为什么好：研究任务高频、对知识工作者价值高

## 三、不值得优先做的项目长什么样
### 1. “啥都能做”的 AI 助手
这类产品最大的问题不是做不出来，而是：

- 用户没有明确使用场景
- 很难形成留存
- 大厂直接下沉就能覆盖

### 2. 纯演示型 agent
比如：

- 自动帮你点网页
- 自动帮你用电脑
- 自动完成复杂流程

这些 demo 很抓眼球，但如果：

- 依赖页面结构
- 异常分支多
- 无法保证成功率
- 没有人工接管机制

那它就不适合当主业务引擎。

### 3. 只提升“生成效率”，却不进入业务闭环
比如帮你更快写 10 条文案，但无法：

- 发布
- 测试
- 追踪效果
- 接回销售或运营流程

那用户最终会觉得“可有可无”。

## 四、当前最容易踩的坑

### 坑 1：把模型能力错当成产品能力
模型变强，不等于你已经有产品。

真正的产品能力包括：

- 流程设计
- 数据接入
- 权限控制
- 错误兜底
- 结果验证
- 审计与回溯

### 坑 2：用“会不会被大厂做掉”阻止自己开始
正确问题不是这个，而是：

> 在一个足够具体的垂直问题上，我能不能比通用产品更懂流程、更懂用户、更快交付结果？

大厂做的是平台层，机会常常在应用层、流程层、垂直层。

### 坑 3：一开始就想做大而全平台
通常更好的路径是：

- 先做单点场景
- 先做一个流程
- 先把一个角色服务好
- 先跑出一个付费案例

### 坑 4：只盯模型，不盯预算
真正应该看的不是“这个 demo 厉不厉害”，而是：

- 谁会掏钱
- 为什么现在就掏钱
- 用了以后能省什么/赚什么

### 坑 5：忽视人工兜底
当前阶段最现实的交付模式通常不是全自动，而是：

> AI 先完成 70%–90%，关键步骤由人确认。

这不丢人，反而更容易落地。

## 五、一个非常实用的优先级评分法
你可以给任何方向打 1–5 分：

| 维度 | 问题 |
|---|---|
| 需求频率 | 用户是否经常遇到？ |
| 预算强度 | 用户是否已经为这件事花钱？ |
| AI 匹配度 | AI 是否天然适合这个任务？ |
| 可验证性 | 输出是否容易检查？ |
| 嵌入性 | 是否能接入现有流程/系统？ |
| 启动成本 | 你能否低成本做出第一版？ |
| 差异化 | 是否能积累行业/流程护城河？ |

总分高的优先做。

## 六、对个人行动者最现实的优先级建议
### 第一优先级
- 你自己懂的问题
- 你身边人已经有的需求
- 结果好坏容易判断的问题
- 可以先服务化再产品化的问题

### 第二优先级
- 你愿意深入学习一个行业流程的问题
- 能积累数据和 know-how 的问题

### 低优先级
- 你只是觉得“看起来很酷”的问题
- 需要大量资本/销售/关系网络才能做的问题
- 完全依赖基础模型红利、没有自己的流程价值的问题

## 七、这一章的底层结论
真正值得做的 AI 方向，通常都不是最花哨的。

它们往往是：

- 无聊一点
- 重复一点
- 结构化一点
- ROI 更清楚一点

但也正因为这样，它们更容易变成现金流、产品和长期业务。

> **如果一个方向能稳定替你或替客户完成一个原本要花钱、花时间、反复发生的任务，它就比 90% 的“AI 创意”更值得做。**