McKinsey 2025 年的调查显示，超过 60% 的企业已经启动了 AI 项目，但其中近一半未能达到预期效果。失败原因很少是技术不够先进，而是需求分析阶段就出了问题——场景选错了、数据没准备好、或者期望值设定不合理。AI 项目的需求分析，需要一套不同于传统软件工程的方法论。

传统软件项目的需求是确定性的。用户点按钮 A，系统执行操作 B，返回结果 C，逻辑链条清晰。AI 项目则不同，它本质上是在对不确定性建模。

这种不确定性体现在三个层面：

• 效果不确定：模型的准确率不可能 100%，需要定义 "足够好" 的标准
• 路径不确定：同一个输入可能产生不同的合理输出，需要评估容错空间
• 演化不确定：数据分布会变化，模型效果会衰减，需要规划持续迭代

Google AI Playbook 中提到，AI 项目的需求文档应该像实验方案，而不是功能规格书。你需要定义假设、验证方法和成功标准，而不仅仅是功能列表。

在选定 AI 场景之前，建议用以下四个维度进行系统评估：

业务价值维度

• 这个场景的痛点是否真实且紧迫？（不是 "听起来很酷"，而是 "不做就亏钱"）
• 效果能否量化？比如提效百分比、降本金额、转化率提升
• 谁是最终受益者？他们是否愿意为 AI 方案买单或改变现有流程

数据就绪维度

• 是否有足够的历史数据？数据量、数据质量、数据覆盖面如何
• 数据是否已标注？标注成本和周期是多少
• 数据管道是否通畅？数据更新频率能否支撑实时或近实时的 AI 服务

技术可行性维度

• 当前技术能否达到业务要求的效果？比如准确率 85% 能否接受
• 是否有可参考的行业案例？完全没先例的场景风险极高
• 系统集成难度如何？是否需要改造现有 IT 架构

ROI 维度

• 总投入（数据、开发、算力、运维）是多少
• 预期收益是什么，多久能回本
• 机会成本——同样的资源投入其他方向收益是否更高

Microsoft AI Business School 建议企业用评分卡对候选场景打分，优先推进得分最高的场景。

实际操作中，我们建议企业建立一个简单的场景筛选矩阵。横轴是业务价值（高 / 低），纵轴是实施难度（高 / 低），形成四个象限：

• 高价值低难度：优先做。典型场景如 FAQ 自动回复、文档智能摘要
• 高价值高难度：规划做。需要较长的数据准备和技术攻关周期，建议拆分为多个 MVP 逐步推进
• 低价值低难度：看资源。有余力就做，不值得投入核心团队
• 低价值高难度：不做。这是最常见的陷阱——技术上很酷但业务上无感

很多企业踩的坑是，被技术供应商的 demo 吸引，选了 "高价值高难度" 的场景直接上马，跳过了数据评估和 MVP 验证，最终项目烂尾。

数据是 AI 项目的基础。在需求分析阶段，必须回答以下问题：

• 数据有没有：目标场景需要什么数据，企业是否已经拥有
• 数据够不够：数据量是否满足模型训练的最低要求
• 数据好不好：数据质量如何，噪声比例如何，是否存在系统性偏差
• 数据能不能用：数据合规性如何，是否存在隐私和授权问题

我们见过太多项目，业务场景评估通过了，但做到一半发现数据根本不够，或者数据质量差到无法使用。数据评估应该在项目立项前完成，而不是开发过程中才发现问题。

AI 项目的 MVP 和传统软件的 MVP 有本质区别。传统软件 MVP 是功能的子集，AI 项目 MVP 是风险的验证。

一个合格的 AI 项目 MVP 应该包含：

• 一条完整的数据链路：从数据采集、处理、模型推理到结果输出的端到端链路
• 一个可体验的效果 demo：让业务方能直观感受到 AI 的能力和局限
• 一套评估指标：准确率、召回率、响应时间、用户满意度等
• 一个明确的时间盒：通常 4-6 周，不超过 8 周

MVP 的目标不是做出来能用，而是回答 "这条路走得通吗"。如果答案是否定的，尽早止损比硬撑更有价值。

基于数舵科技服务企业的经验，AI 项目需求分析阶段最常犯的错误包括：

• 目标模糊："用 AI 提升效率" 不是目标，"用 AI 将客服工单处理时间从 5 分钟降到 2 分钟" 才是
• 忽视数据：在数据就绪度不足的情况下强行立项，导致项目中途卡死
• 过度设计：一开始就规划全场景覆盖，MVP 应该聚焦单一场景验证
• 期望错位：业务方期望 AI 做到 100% 准确，技术方没提前管理预期
• 缺少评估标准：没有定义清楚 "成功" 的量化指标，项目做完无法评判效果

数舵科技为企业提供 AI 项目需求诊断服务。我们不会直接推荐技术方案，而是先帮企业梳理业务场景、评估数据就绪度、定义成功标准。我们的方法论是 "先验证、再投入"——通过 4-6 周的诊断和 MVP 验证，帮企业在正式投入前确认方向是否正确。对于数据就绪度不足的场景，我们也会提供数据治理和标注的规划建议，确保后续项目有坚实的基础。

AI 项目的需求分析，核心是管理不确定性。传统软件工程追求 "需求确定后再开发"，AI 项目则需要 "边验证边收敛"。企业应该建立科学的评估框架，用数据说话，用 MVP 验证，而不是凭直觉决策。选对场景、准备好数据、定义好标准，AI 项目的成功率会显著提升。