3. 项目启动与背景调研：如何发起一个AI项目

说实话，我见过太多AI项目死在起跑线上。不是技术不行，而是根本就没想清楚「为什么要做」。

2018年我接手过一个智能客服项目。老板说「别人都在做，我们也得上」。结果呢？花了三个月搭出来的模型，业务部门根本不用。为什么？因为客服团队每天处理的是退换货纠纷，而我们做的模型只会回答「您好，请问有什么可以帮您」。

所以这一章，我想跟你聊聊AI项目启动前那些「必须想明白的事」。

3.1 如何发起一个AI项目

发起AI项目，不是写个PRD就完事了。我个人习惯分三步走：

1. 找到真问题：别被「AI赋能」这种词忽悠了。先问自己：这个场景不用AI，会死吗？
2. 确认数据基础：没有数据，AI就是空中楼阁。我见过太多项目，模型选好了，才发现数据根本拿不到。
3. 拉齐干系人预期：业务方想要「全自动」，技术方只能做到「半自动」。这个gap不填平，项目必死。

3.2 市场分析与竞品调研

市场分析怎么做？别整那些虚的。我一般用这个框架：

维度	关键问题	输出物
市场规模	这个赛道有多大？年增长率多少？	市场容量估算表
用户痛点	用户现在怎么解决问题的？	用户痛点清单
竞品分析	头部玩家是谁？他们的优劣势？	竞品对比矩阵
技术趋势	最近一年有什么新突破？	技术趋势报告

举个例子。我之前做AI写作助手项目，调研发现：

• 市场上有20+同类产品，但都集中在「长文生成」
• 用户真正的痛点是「写邮件、写周报这种短文本」
• 头部产品准确率只有70%，用户吐槽「改的时间比写的时间还长」

你看，这就是机会。我们后来聚焦「短文本+高准确率」，直接切中空白市场。

3.3 技术可行性评估

技术可行性评估，说白了就是回答三个问题：

1. 数据够不够？ 标注数据量、数据质量、数据获取成本
2. 模型行不行？ 现有模型能否达到业务要求的准确率
3. 工程能不能落地？ 推理速度、部署成本、运维复杂度

我曾经踩过一个坑。有个项目要做实时语音识别，业务要求延迟低于200ms。我们选了个SOTA模型，准确率确实高，但推理一次要500ms。后来换了轻量级模型，准确率降了3%，但延迟降到了150ms。

嗯，这里要注意：技术选型不是选最好的，而是选最合适的。

我一般会用这个评估表：

评估项	权重	评分标准
数据可得性	30%	1-5分，5分表示数据已就绪
模型成熟度	25%	1-5分，5分表示有开源方案
工程复杂度	25%	1-5分，5分表示可快速部署
团队能力	20%	1-5分，5分表示团队有经验

总分低于3分的项目，我建议先缓一缓。

3.4 业务价值与ROI分析

ROI分析是老板最关心的。别整那些复杂的公式，我一般用这个框架：

收益端：

• 降本：替代了多少人力？节省了多少时间？
• 增收：提升了多少转化率？带来了多少新用户？
• 提效：处理速度提升了多少倍？

成本端：

• 研发成本：人力、算力、数据标注
• 运维成本：服务器、模型更新、监控
• 机会成本：如果这个项目不做，团队能做什么？

举个例子。我之前做的智能质检项目：

• 收益：替代了5个质检员，每年节省60万
• 成本：研发投入30万，每年运维10万
• ROI = (60 - 40) / 40 × 100% = 50%

这个数字，老板看了直接签字。

3.5 项目启动检查清单

最后，我分享一个自己用了多年的检查清单。每次启动AI项目前，我都会过一遍：

1. 业务痛点是否真实？有没有数据支撑？
2. 目标用户是谁？他们愿意为这个功能付费吗？
3. 数据从哪里来？获取成本是多少？
4. 技术方案是否可行？有没有备选方案？
5. ROI是否为正？回本周期多长？
6. 团队是否有能力交付？
7. 有没有法律合规风险？

这7个问题，只要有一个回答不了，我就不会启动项目。

你想想看，AI项目失败的原因千千万，但归根结底就一条：没想清楚就开干。这一章的内容，就是帮你「想清楚」的。

下一章，我们会聊聊数据采集与标注。那可是AI项目的「粮草先行」啊。