| name | ai-value-judge |
|---|---|
| description | 判断一个 AI 功能或需求值不值得做。通用价值公式 + AI 特有的五个判断维度（可行性、成本、可靠性、数据、付费意愿），把「跟风上 AI」变成理性决策。 |
| argument-hint | [要评估的 AI 功能 / 需求] |
AI 需求价值判断
定位
判断一个 AI 功能或需求值不值得做。在团队喊「加个 AI」、老板拍「上大模型」之前，先把它算清楚。
核心认知：AI 不是万能增强器，加了 AI 不一定更好。 很多 AI 需求，算完账是负的——成本高、不可靠、用户不买账。这个 Skill 就是帮你把这笔账算清楚。
为什么 AI 需求需要专门的判断方法（产品视角）
普通需求和 AI 需求，决策复杂度完全不同：
| 维度 | 普通需求 | AI 需求 |
|---|---|---|
| 核心问题 | 体验好不好 | 体验 × 可行性 × 成本 × 可靠性 |
| 主要风险 | 做出来没人用 | 做出来不靠谱 / 太贵 / 有幻觉 |
| 失败成本 | 浪费开发时间 | 浪费开发时间 + 持续的推理成本 + 用户信任 |
普通需求做错了，是「白做」；AI 需求做错了，是「白做 + 持续烧钱 + 砸口碑」。所以 AI 需求更需要前置的价值判断。
第一层：通用价值判断（所有需求都适用）
用户价值 = 新体验 - 旧体验 - 替换成本
- 新体验：用了之后，比原来好了多少？（省时间、省钱、省力、更准、更爽）
- 旧体验：用户现在是怎么解决这个问题的？（别假设用户是「裸奔」的，他一定有土办法）
- 替换成本：从旧方案换到新方案，要付出什么？（学习成本、迁移成本、习惯成本）
三个变量算下来是正的，才值得往下走。算下来是负的，AI 再炫也没用。
第二层：AI 特有的五个判断维度
通用公式通过后，再问五个 AI 特有的问题。任何一个答案是「不」，都要重新评估。
1. 技术可行性：AI 真的能稳定做到吗？
- 这是「demo 能做」还是「生产能用」？demo 能跑通 ≠ 上线能稳定
- 准确率要求是多少？99% 和 90% 的工程难度天差地别
- 有没有 benchmark 或同行验证过这条路走得通？
判断标准：如果一个需求「技术上不确定能不能做」，它就不该排在「技术上确定」的需求前面。
2. 成本：每用一次要花多少钱？
- 单次调用的 token 成本是多少？高频场景下能不能扛住？
- 是「一次性成本」还是「持续成本」？AI 通常是持续成本——每次调用都在烧钱
- 成本能不能转嫁给用户，还是自己扛？
判断标准：算一下「日活 × 人均调用次数 × 单次成本」。如果这个数字比这个功能带来的收入还高，就是负资产。
3. 可靠性：错了会怎样？
- AI 会犯错（幻觉）。这个场景里，AI 犯错的影响有多大？
- 是「错了也无所谓」（比如生成草稿），还是「错了要出事」（比如医疗、法律、财务）？
- 能不能加人工审核兜底？审核成本是多少？
判断标准：可靠性要求高的场景，AI 只能做「辅助」不能做「替代」。别把一个 90% 准确率的东西，放到一个要求 99.9% 的场景里。
4. 数据与隐私：数据从哪来，用户愿不愿意给？
- 这个功能需要喂什么数据？用户愿不愿意把这些数据交给 AI？
- 有没有合规风险？（个人隐私、商业机密、数据出境）
- 数据质量够不够？垃圾进垃圾出，AI 也不例外。
判断标准：如果「拿到高质量数据」这件事本身很难，这个 AI 需求就是空中楼阁。
5. 付费意愿：用户会为「AI 版」多付钱吗？
- 用户是为「结果」付费，还是为「AI」付费？用户只在乎结果，不在乎是不是 AI 做的
- 如果 AI 只是「换了个实现方式」，结果没变好，用户凭什么多付钱？
- 有没有「不用 AI 也能做到」的更便宜方案？
判断标准：如果去掉「AI」两个字，这个需求还成立吗？不成立，说明是「为了 AI 而 AI」。
判断流程
需求来了
↓
第一层：通用价值公式（新体验 - 旧体验 - 替换成本 > 0？）
↓ 是
第二层：AI 五问
1. 技术可行吗？
2. 成本算得过吗？
3. 错了严重吗？
4. 数据拿得到吗？
5. 用户会付费吗？
↓ 五问都过
做。但定好「验证指标」和「止损线」。
↓ 任何一问不过
砍掉 / 降级为辅助 / 换更便宜的方案。
输出模板
评估完，输出一份一页纸的结论：
【需求】一句话描述
【第一层判断】
新体验：__________
旧体验：__________
替换成本：__________
结论：值得做 / 不值得做
【第二层判断】
技术可行性：可行 / 存疑 / 不可行（依据：__________）
成本：单次约 __________，日成本约 __________
可靠性：可容忍 / 需人工兜底 / 不可容忍
数据：能拿到 / 难拿到 / 有合规风险
付费意愿：用户会付 / 不确定 / 不会付
【最终结论】做 / 不做 / 降级做
【验证指标】上线后看什么数据判断对错
【止损线】什么情况下停掉
常见坑
- ❌ 为了 AI 而 AI——去掉「AI」需求就不成立，说明是自嗨
- ❌ demo 能跑就当能做——demo 到生产之间隔着可靠性和成本两座大山
- ❌ 低估持续成本——AI 不是一次开发完就完了，每次调用都在烧钱
- ❌ 忽略幻觉风险——把 90% 准确率的 AI 放进要求 99.9% 的场景
- ❌ 假设用户会为 AI 买单——用户只为「更好的结果」买单，不为「用了 AI」买单
- ❌ 数据拿不到就硬上——没有高质量数据，再好的模型也是垃圾进垃圾出