在 AI 技术迅速发展的今天，如何有效地选择和实施适合自己企业或项目的 AI 解决方案成了众多决策者面临的难题。本文将深入探讨如何评估 AI 项目的价值和可行性，确保您的决策能够带来最大的收益和竞争力。

在 AI 时代到来的当下，各位内部 B 端产品想必都受到来自上面和业务的各种压力吧？说要研究 AI，说要落地 AI，说要 AI 赋能。

" 我们的客服人力成本很高！要看看怎么用 AI 降低成本！"

" 我们的美术设计成本很高！要看看怎么用 AI 降低成本！"

…………

虽然前面有一篇文章提到《如何避免业务提 " 离谱的 AI 需求 "》，用一些手段尽量避免业务提出不合理的诉求了。但是有些 AI 方向实际上是还是具有落地的可行性的，那么这些方向到底该不该做呢？我们手上拿着 AI 这把锤子，要怼哪个钉子？

个人觉得，可以分为下面几个维度进行判断。

一、价值判断

" 价值判断 " 这是最直观的判断方式之一了。这个 AI 方向落地之后，到底能发挥什么样的价值？有些 AI 方向虽然看起来高大上，但是一结合业务并无什么卵用，那研究并落地这些 AI 能力的目的是什么呢？只是为了看起来牛逼吗？

比如我们是一个内部客服系统，最近 AIGC 很火，我们在客服系统上增加了生成图画内容的功能。这看起来很高端，但实际上并不能解决客服业务中的 " 用户问题解决 " 的核心诉求。

比如我们是一个内部的视频处理系统，最近让角色跳科目三很火，为了赶上热点，我们赶紧在系统上弄了一个图片跳舞的 AI 能力。看起来确实挺跟热点的，但是这个实际内部业务上会用到多少这种需求？做了似乎浪费人力成本。

价值判断有几个维度：

1. 用户数量

该 AI 能力能被多少内部 B 端用户所需要？这决定了 AI 发挥作用的范围，即用户量有多少，涵盖什么范围？

2. 使用频次

该 AI 能力能被使用的频率有多少？这决定了 AI 能力能否经常性发挥作用，还是偶尔被用一两次。

" 用户数量 " 和 " 使用频次 " 两个维度都是用来判断 AI 能力方向的需求规模的。如果最终盘下来只有一两个人能够使用上 或者 整体使用频次很低，那么可以说这个 AI 能力其实发挥作用的空间很有限。

3. 提效价值

使用 AI 能力后，能够节省人力多少成本。一般在同等工作内容和工作质量下，对比人工处理的时间和机器处理时间的差异。

4. 产出价值

使用 AI 能力产出的内容，能在业务中发挥多少价值。这里可以用直接产生的收益，或者间接产生的辅助收益进行衡量。

" 提效价值 " 和 " 产出价值 " 两个维度是用来衡量 AI 能力的单次价值的。

我们可以使用一个公式来进行整体 AI 方向的价值衡量：

AI 方向价值 = 用户数量 * 人均使用频次 * 单次提效价值 + 用户数量 * 人均使用频次 * 单次产出价值

通过使用量化价值和量化的成本对比，我们便能判断这个生意是否值当。

举一些实际的例子。

假设我们在研究 AI 美术相关的能力，目前有视频编辑和图片编辑两个方向，但是团队人力有限，我们要选择优先哪个方向呢？

那么我们便按上面 4 个维度进行拆解：

以上数据为虚构示例。

那么，可以分别算出两个内容的具体值。

AI 视频编辑的工具价值 = 100*100*2*100 +100*100*20*10 = 400w

AI 图片编辑的工具价值 = 10*100*1*100 + 100*100*10*10 = 110w

那么很明显可以看到，AI 视频编辑工具的价值是整体更高的。在不讨论其他因素的前提下，AI 视频编辑工具是更值得探索的。

二、AI 落地可行性判断

AI 方向有价值，但是却不一定有可行性。比如我们提出用 AI 直接生成能用于广告买量的视频，用来替代视频设计师。这个方向怎么看都价值很大，用户量庞大、频次高、提效多、产出价值高。

但是这个却是最难的一个方向，就拿最接近这个方向的文 / 图生视频领域来说，目前都还是存在诸如 " 指令识别不准 "、" 无法修改 "、" 模糊 "、" 主体不一致 "、" 物理运动 BUG" 等问题。这些问题导致 "AI 直接生成能用于广告买量的视频 " 这个方向在目前阶段并不具备可行性。

那么我们要如何判断一个 AI 方向具有可行性呢？这里有几个调研方法。

1. 这个方向有多少相关的公开信息？

我们可以查查这个 AI 方向，有多少公开的学术研究、专利、媒体报道。相关的信息多说明这个方向具有一定的可行性。但是也有可能说明该方向只是前沿研究性质的内容，距离实际落地还有距离，所以在调研完这个方向后，我们还要调研下后面两个方向。

2. 这个方向有多少企业在发力？

我们可以查查这个 AI 方向，有多少企业在发力研究，或者表示对这个方向有研究意愿。发力的企业多说明这个方向具有一定的价值，且具有较高的可行性。当然，这里也有一些企业在 " 做难且正确的 " 事情的，因此这个判断维度主要是作为辅助参考。

3. 这个方向有多少开源能力 / 商业化能力？

我们可以查查这个 AI 方向，有多少已经现成的开源能力，或者是商业化能力的。因为这意味着，这个 AI 方向已经具有一定的成熟度了，我们可以直接站在企业的肩膀上发力。

这几个方向的调研本质上都是在判断 " 当前 AI 方向是否有足够的借力点 "，这决定了项目的成功率。

我们要记住，我们是对内 B 端产品，我们并没有那么人力去 " 大力出奇迹 " 地训练 AI，我们要做的是顺势而为，不要与之抗衡。我们要通过借力行业有一定成熟度的 AI 能力，结合我们的具体的行业需求，提供定制化的服务能力，帮助 AI 落地走完 " 最后一公里 "。

三、壁垒构建可行性

前面也有讲到，行业是有不少厂商在大力发展 AI 的。

虽然当前阶段，大部分厂商都是通用场景方案，而不是满足企业的定制化需求。因此，对于我们垂直某行业的 B 端企业来说，这些 AI 能力的提效程度有限的，这里存在着 " 最后一公里的问题 "。

在这个阶段，我们可以结合通用方案的情况和我们的垂直行业需求，输出提示词工程、内部使用指引、工作流组合工具等相关内容，提高在具体业务下的准确度，给到业务定制化的解决方案，最高效地满足业务诉求，从而辅助解决第三方工具的 " 最后一公里 " 问题。

但是随着外部厂商的发展，随着他们能力、场景、行业的深耕，这意味着，有可能某一天有某家厂商会推出 " 能满足我们业务需求 "、" 好用 "、" 便宜 " 的工具的，那这样我们内部 B 端产品团队的努力就白费了。

所以说，我们在探索 AI 方向的时候，也要考虑壁垒构建的可行性。

个人觉得，判断是否能形成壁垒可以有这几个方面：

1. 是否具有足够的定制化优势？

第三方厂商（SaaS）是做多家公司需求的，做的是标准化产品，在特定场景上一定存在效率流失，相比起定制化工具，效率存在流失。而且有些特殊的业务场景，第三方厂商并不一定能赋能。就算第三方厂商推出低代码平台，短时间内这里还是有巨大的入坑门槛。

因此我们要判断，我们企业的流程是否有足够多的定制化场景，能够区别于第三方厂商提供的 " 赋能 "，保证使用内部的工具能够有足够高的效率提升。

同时，我们要保证这里的定制化场景是否足够多，是否会被第三方厂商在短时间内覆盖，以保证我们能够区别于第三方厂商，不然老板是没有理由为 "B 端产品团队 " 买单的。

2. 是否能够积累行业最佳实践？

第三方（SaaS）是行业最佳实践，内部系统是企业最佳实践。如果我们内部企业是能够形成领先于行业的最佳实践的，那么我们便不需要第三方厂商的赋能，而是可以自行探索，并进行沉淀，从而实现自我内部的赋能。

3. 是否能避免数据风险和安全问题？

这一点是头部公司和处在竞争激烈行业的公司的担心点。采用内部系统是能够一定程度避免这些风险的。所以我们要判断我们所处的行业，是否能通过内部系统避免这种风险。

如果不是头部公司，或者竞争并不激烈的行业，这一块的风险是相对较小的，那么我们便有可能不需要通过自研内部系统来规避风险。

4. 是否能够提供更便宜的解决方案？

部分 SaaS 提供的定价往往很高，会打包贩卖一些不需要的额外服务，导致整体溢价。因此，如果内部 B 端产品能结合业务的实际需求，提供刚好合适的功能，并且控制整体的开发成本。那么我们相对 SaaS 来说，也是具有一定的优势的。

四、人力支持

AI 方向的落地，还需要判断人力支持的情况。人力支持越多，说明 AI 方面更具有成功率。

" 人力支持 " 这个维度除了 " 研究团队、开发团队有投入多少人支持 "，更重要的是来自上级、业务的支持。

" 人力支持 " 这个维度可分为三点：

1. 团队支持

开发团队是我们研究并落地 AI 的关键，" 团队有多少人、团队的能力如何、团队的成员配比、团队效率如何 " 这些因素都影响着团队对 AI 的研究进展。

2. 上级支持：

团队人力和上级支持息息相关，人力充足意味着上级对 AI 项目的重视。

因此，我们需要给上级描绘 AI 具有可实现性的前景，能够让上级结合自身评估给到我们关键的支持（如成员、资金、数据等）。

同时，管理上级的预期是一个 " 同频 " 的过程，这个过程能引导上级建立合理的项目预期和评价指标，避免 AI 落地时的预期偏差产生对我们的负面评价。同时，我们能够让上级从更高的维度对 AI 与业务的结合进行思考，让我们的方案设计更具价值，避免在自身的惯性思维中撞到南墙。

3. 业务支持：

AI 落地到对内 B 端业务中是一个 " 与业务深度结合 " 的过程。

首先，B 端工具的使用者是业务成员，我们的需求需要从业务中来，再到业务中去，否则就是闭门造成，会作出不符合业务需求的功能。

目前大部分 AI 工具都有一个问题，就是 " 拿着锤子，去到处找钉子 "。这种做法导致，他们的功能并不一定是有需求支持的，可能只是 " 见到别人做了，自己也要做 " 的恐惧心理。

所以说，我们的需求要充分基于 " 我们的用户需要什么 " 这一点。

其次，业务可能会对 AI 工具产生抵触情绪，担心 "AI 会取代他们的工作 "，这种抵触情绪会导致不配合的行为。例如，他们会隐藏真正的需求，从而干扰我们挖掘到真正有价值的功能点。

当然，我们可以用一线轮岗体验、引导上级接入等手段来解决这些问题，但是最好的解决方案还是 " 与业务一起共创 "。我们可以先辅助业务了解 AI 的帮助作用，并且说明 AI 与人的合作方式，从而让业务不抵触并接纳 AI，然后一起去更全面地挖掘 AI 在内部 B 端系统上的应用。

前文提到的 "AI 落地可行性 " 和 " 壁垒构建可行性 " 决定了当前 AI 方向是否可做。如果通过这些维度的分析发现 " 当前 AI 方向不值得 "，那么我们就没必要浪费人力去推动了。

如果在 "AI 落地可行性 " 和 " 壁垒构建可行性 " 具有可行性，那么产品经理就需要去推动内部，获取内部团队、业务、上级的支持，提高业务的成功率。

五、成本判断

最后一点，就是成本判断了。那么如何判断一个 AI 方向的成本呢？AI 研究的成本主要构成是 " 人力成本 "、"AI 调用成本 "、" 机器成本 "。

人力成本：人力成本分为两个方面。一方面是需要多少人进行研究，这部分人每个月的薪资成本、办公支持等成本是多少。另一方面是这些人需要研究多长时间，这取决于我们内部对 AI 方向的难度评估。

AI 调用成本：调用大模型时候，所需要的费用。比如调用 LLM 时候按 token 计费的成本。

机器成本：训练 AI 使用的数据机器以及部署并执行模型的算力成本。比如美术类 AI，往往对显卡的要求很高，几张 4090 显卡，就是好几万的成本了。

六、小结

总的来说，对内 B 端系统如何判断一个 AI 方向是否值得做呢？

一般来说，只要 " 收益>成本 "，那么这个方向就是值得去做的方向。

但是这是 AI 研究相关的判断，除开收益和成本，还有以下判断因素：

成功率：我们需要判断 "AI 落地可行性 "、" 壁垒构建可行性 "、" 人力支持 " 三个因素构成的成功率有多少，内部是否接受当前成功率，内部能接受成功率才能进行后续的推进。

壁垒时效性：在评价 " 壁垒构建可行性 " 时，有可能只能在短期内构建起壁垒，那么我们评估价值的时候，就要结合时效性进行价值评估。

因此，我们可以得出。

成本 = （单月人力成本 + AI 调用成本 + 机器成本 + 其他成本）* 研究时长

收益 = （用户数量 * 人均使用频次 * 单次提效价值 + 用户数量 * 人均使用频次 * 单次产出价值）* 壁垒时效

只要 " 收益>成本 "，那么这个生意就是值当的。

专栏作家

柠檬饼干净又卫生，公众号：柠檬饼干净又卫生，人人都是产品经理专栏作家。一名游戏行业的 B 端产品，负责过游戏行业内 CRM 、风控、BI、SDK、AI 相关的内容，定期输出个人思考或总结文章 ~

本文原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议