场景判断方法论诊断
一个场景值不值得做：五条判据与一张打卡表
阅读约 3 分钟零七零六科技
先说结论
大多数 AI 项目失败，不是模型选错了，是场景选错了。
选错的典型形态是把「智能工厂建设」「全面提升效率」当成项目名——这类名字的共同点是无法度量、没有边界、也说不清谁负责。
一份能写进合同的场景描述，应该长这样：「单条产线的首件检验记录自动生成，返工单同步到工单系统」。
五条判据
我们在诊断时固定用五条，缺一条就不建议启动：
| 判据 | 不合格的样子 | 合格的样子 |
|---|---|---|
| 可度量 | 「提升整体效率」 | 「单次报价从 40 分钟降到 5 分钟」 |
| 有边界 | 「建设智能工厂」 | 「单条产线的首件检验记录自动生成」 |
| 有权限 | 「要打通集团所有系统」 | 「这条线的数据我能拿到、能改流程」 |
| 高频 | 一年做两次的事 | 每天或每周都发生 |
| 可验收 | 「上线了就算成功」 | 「换个人照说明能跑通，换种输入不会悄悄出错」 |
前两条解决「说不清」，第三条解决「改不动」，第四条解决「值不值」，第五条解决「算不算完成」。
为什么「可验收」最难
前四条是判断，第五条是承诺。
「可验收」这一条之所以难，是因为它要求你在动手之前就写清楚：谁来判断、拿什么判断、判断不通过怎么办。
行业里常见的情况是把验收写成「功能上线」，于是项目上线即终点：系统在，没人用，也没人敢说它没成功。
一份可验收的定义通常包含四行：
- 基线是什么（现在的数字，实测而非估算）；
- 验收动作是什么（谁在什么时候做什么）；
- 判断标准是什么（达到什么算通过，达不到怎么处理）；
- 三个月后谁复盘（名字，不是岗位）。
一个反例：「建设智能工厂」
这个项目名看起来宏大，但把它拆开，会发现四个问题同时出现：
- 无法度量：做完之后，用什么指标判断成功？没人能在一开始回答。
- 边界过大：涉及设备、系统、流程、人，任何一块卡住整体都动不了。
- 权限不清：谁能拍板改流程？通常是「要开会讨论」。
- 周期过长：等首期上线，业务需求已经变了。
对比一下 SLP 方法（场景—链接—试点）的做法：不选「发酵工艺优化」，选「发酵罐溶氧值实时调控」；不选「纺织厂智能化」，选「某台新设备的能耗优化」（来源：场景学社／大任智库《中国制造业 AI 场景落地之 FDE 路径研究白皮书》，2026）。
颗粒度变小之后，试点只要 2–4 周就能看到结果，效果不满意就零成本退出——这才是「敢于开始」的前提。
打卡表怎么用
把五条判据做成 0／1 分，很快能填完，但要记住两件事：
一、总分不是决策依据。 五条加起来 4 分但「有权限」是 0 分，这个场景依然做不了——因为你改不动它。
二、任何一项为 0，先补条件，不要先买工具。 缺数据就去整理数据，缺权限就去谈流程，缺验收标准就先把标准写下来。这些事都不需要 AI，但决定了 AI 有没有用。
一个更实用的用法：把候选的 5 个场景都填一遍，然后只保留「有权限 + 可验收」都成立的。通常筛完只剩一两个，选择困难症会自己消失。
做完判断之后
判断只是开始。真正决定成败的还有两件事：交付时能不能两周出一个可用版本，以及交接时能不能让第二个人接手。
前者靠方法（进现场、小范围试点、每次迭代做前后对比），后者靠纪律（运行手册、降级与回滚、交接清单）。这两件事合起来，就是 FDE 式交付与传统外包的分野。
延伸阅读：
- 案例与成果：18 个场景，每条都标了「值得做的条件」与「常见的坑」
- 课程与陪跑：管理者认知课里那张可以当场填的打分卡
- 制造业 AI 的 62.3% 与 5.4%：行业分布怎么影响你的切入点选择
判据参考：AI 增长七步法（零七零六科技）与 FDE 中国《2026 中国 FDE 人才招聘与职业能力报告》。具体交付范围以 SOW 为准。