很多 AI 项目死在选题上
一个 AI 用例能不能做成，很大程度上在选模型之前就定了，主要看两点：要 AI 做的判断有多重，公司的数据够不够。
企业 AI 项目做不下去，复盘时大家通常怪技术：模型有幻觉，准确率不够，响应太慢。就我碰到的情况，更常见的原因出在题目本身：要 AI 做很重的判断，公司却没有足够的数据支撑。这样的题目，换什么模型都很难做成。
评估一个题目，可以先看它要 AI 做多重的判断，再看它需要多深的企业自有数据。把这两件事画成两条轴，就是一张四象限图。失败的 POC 大多落在判断重、数据浅的那一格，也就是图上的左上角。
两条轴
横轴是这个用例需要多深的企业自有数据。这里要问的不是公司有没有数据，每家公司都有。关键看三点：是不是结构化的，散落在邮件、Excel 和个人电脑里的不算；可不可信，同一个客户在三个系统里有三个名字的不算；够不够细，要对每个客户做决定，数据却只到大区，也不算。越往右，越依赖多年积累下来的数据。这种数据很难得，也是别人抄不走的部分。
纵轴是交给 AI 的判断有多重，从下往上分五级：生成草稿，人会从头到尾看一遍；从一堆材料里找出相关的内容；推荐一个做法，听不听由人；给出默认决定，人只在不同意时介入；直接执行，做完留下记录。越往上，出错的代价越高。
四个象限
左下角的用例数据浅、判断轻，比如通用问答、写作助手、翻译、会议纪要。它们不用公司的数据，也不替人做决定，市面上的产品已经很成熟，直接买来全员铺开就行。这一格风险不大，主要的问题是容易被当成 AI 战略的全部。
右下角的用例要用公司自己的文档和数据，但只做检索和生成，比如产品知识库助手、模拟拜访、拜访前的准备材料。出错的代价小，买个平台，配上自己的内容就能用，见效也快。常见的问题是内容没人维护，半年以后答案就过时了。
左上角是陷阱：要 AI 做很重的判断，底下却没有数据。模型不会说“我不知道”，它会给出一个听上去很合理的答案。这一格的演示效果往往最好，所以最容易立项，失败的 POC 也最多。
右上角由 AI 给出默认的计划、分配和调整方案。这一格最难做，牵涉的面也最广，但价值也最大，因为它动的是决策本身。这一格一般没有现成的产品可以买，只能自己建。
同一个用例，位置可能不同
药企这几年流行做 NBA（下一步最佳行动），由系统建议医药代表下一步见哪位医生、谈什么。按名字，它应该在右上角。可大多数公司的医生数据撑不起它：CRM 靠代表手工填，流向数据只能到医院、到不了医生，各个系统的主数据也对不上。同样是 NBA，数据扎实的公司来做，它在右上角；数据不够的公司来做，就落到了左上角。
所以一个用例落在哪一格，取决于公司自己的数据，光看名字说明不了太多。
左上角的项目也有办法补救，有两条路。一条是花时间补数据，把它往右推；另一条是降低判断的分量，从“决策”降成“推荐”，还不行就降成一份拜访前的准备材料，把它往下拉。最可惜的是两样都不做，一直在调模型。
怎么用这张图
我自己用这张图，通常是把手头的 AI 项目逐个放进去，看看它们落在哪儿。
左上角的项目，一般需要一个明确的处理办法：补数据、降级，或者停掉。右下角的项目往往是眼下最值得加大投入的，见效快，还能顺便把数据理一理。如果右上角一个都没有，说明公司还没开始碰真正的决策。
同一个格子里先做哪个，可以看它做错了以后能不能改回来。一周的拜访计划排错了，下周就能调回来；一个人的年度指标分错了，影响的是他一整年的收入，还有他对公司的信任。能改回来的，适合先做。
我用这张图把药企商业化里常见的 AI 应用过了一遍，写在《十类 AI 应用，八类还停在问答和建议》里。
