选择 AI 项目时，同时判断任务边界、员工意愿、人类判断权和验证难度，才能筛掉不值得做的 AI 项目。

AI 不是一条平滑的能力曲线，而是一条锯齿状边界

同一个模型可能在某些任务上表现惊人，在另一些看似相近的任务上非常不稳定。选项目时不能只问”能不能做”，而要问”在哪些条件下稳定”。

能力边界不是平滑曲线

好项目通常不是最炫的项目，而是任务边界清晰、输出可验证、错误成本可控、员工愿意采用的项目。

第一条原则：不要按岗位选 AI 项目，要按任务选

“销售能不能用 AI”太宽泛。更好的问题是：销售每天哪些具体任务足够高频、足够痛、输出可验证？

第二条原则：不要只看 AI 能力，还要看员工意愿

如果员工不愿意把任务交给 AI，或者担心输出不可控，再强的模型也很难进入真实流程。

四个区域决定项目优先级

象限判断
Green Light员工想要，AI 也能做。优先考虑进入试点。
Red LightAI 能做，但员工不想交出去。需要谨慎处理采用阻力。
Opportunity员工想要，但 AI 现在还不够强。适合持续观察和小范围实验。
Low Priority员工不想要，AI 也不强。通常不适合作为早期项目。

第三条原则：区分”自动化”和”增强”

不是人越少越好，而是匹配才好。很多高价值场景不是全自动，而是让人做出更快、更稳、更有证据的判断。

不是人越少越好，而是匹配才好

层级模式适用
H1自动化低风险、高重复、输出容易验证。
H2审核式协作AI 先处理，人做最终确认。
H3人机共创AI 提供候选和证据，人做判断。
H5人类主导高风险、高责任、高情境任务。

第四条原则：先选”容易验证”的任务

越容易验证，越适合早期试点。验证难度高的任务可以做探索，但不适合成为第一个组织级 AI 项目。

第五条原则：小心”质量提升”的错觉

“质量更好”必须被拆成可观察指标，否则很容易被一次漂亮 demo 误导。

第六条原则：防止 AI 把大家变得越来越像

如果 AI 让所有输出都趋同，就可能削弱差异化判断、品牌表达和专业深度。

第七条原则：不要用 demo 选项目，要用实验选项目

Demo 用来帮助理解可能性，实验用来判断是否值得投入。两者不能混为一谈。

10 个问题，先问清楚再立项

  1. 这个任务是否足够高频？ — 低频任务不一定不重要，但很难快速形成 ROI。
  2. 这个任务是否足够痛？ — 如果员工没有强烈痛点，AI 再好也很难形成持续使用。
  3. 员工是否愿意让 AI 介入？ — 不要只问管理层。要问真正每天做这个任务的人。
  4. AI 当前能力是否足够稳定？ — 不要被一次成功 demo 说服。要看不同样本和边界条件下的表现。
  5. 输出是否容易验证？ — 越容易验证，越适合早期试点。
  6. 错误成本有多高？ — 错误成本高的任务，可以用 AI 辅助，但要谨慎自动化。
  7. 这个任务需要多少 Human Agency？ — 是 H1 全自动，还是 H3 人机合作，还是 H5 人必须主导？
  8. 这个任务是否嵌入真实流程？ — 一个孤立的 AI 工具，很容易变成没人打开的新系统。
  9. 成功指标是什么？ — 节省时间、提高质量、减少错误、提高转化、改善体验，必须提前说清楚。
  10. 如果 AI 明天变得更强，这个项目是否还能扩展？ — 好的 AI 项目也应该能随着模型能力提升不断进化。

最后的判断：好 AI 项目通常长得很朴素

它往往不是最像发布会的项目，而是最能进入真实工作、被团队持续使用、并且可以清楚验证价值的项目。