一句话结论：用五问评估法——问题真不真、数据齐不齐、ROI算不算得清、执行靠不靠谱、时机对不对。五问全过值得做，两问以上存疑先缓做。这套清单不用花一分钱，立项前10分钟过一遍，能帮你筛掉大多数注定失败的项目。
过去几年观察到的AI项目失败，绝大多数不是技术不行，而是立项就没立对：说不清要解决什么问题就开工、数据一团乱麻就上系统、供应商画个饼就签约、项目做完了没人用也没人买单。技术只是最后一步，前面四步错了，再好的模型也救不回来。
反过来，判断"值不值得做"其实有一套固定的问法。这套问法跟行业无关，跟公司大小无关，只跟一件事有关：这个项目到底在解决谁的什么问题，解决完有没有人愿意买单。
立项前把下面五个问题写下来，每个问题按0-10分打分，20分以下缓做，30分以上值得推进。打分的时候别凭感觉，每问都要能写出证据。
这个需求是真实存在、高频发生、还是你想象出来的？判断标准有三条：是不是有人已经在为这个问题付钱（不管付给谁）；是不是每周都在发生（不是一年一次的小概率事件）；解决了别人会不会明显感知（省时间还是省钱，得说得出具体数字）。
写不出一页纸说明"谁、在什么场景、遇到了什么问题"的项目，大概率是伪需求。
AI的效果上限由数据决定。立项前先盘三样东西：数据量够不够（做客服，有没有历史对话记录；做质检，有没有历史工单）；格式规不规范（散在Excel、聊天记录、纸质文件里，还是已经结构化）；能不能持续更新（数据停在一年前，系统学完就过时）。
数据盘完如果发现"啥都没有"，那就不是AI项目，是数据治理项目——先花1-2个月把数据整理出来，再谈AI。
立项前必须写下三行账：投入（采购+开发+运维+人力，按一年算）；收益（省下的成本+多赚的钱，按月算）；回本周期（多久回本，能不能接受）。
算不出来这三行的项目，做了也没法证明值不值。ROI不是算给老板看的，是算给自己看的——它是项目做完后唯一能救你的数据。
自己做，团队里有没有懂AI的人（不是听说过，是真跑过）；外包做，供应商能不能用你的真实数据做验证、敢不敢把验收标准写进合同。最危险的信号是：演示很惊艳，一用真实数据就露馅。
执行层不行，再好的方案也白搭。这问扣分，前面三问分数再高也要打五折。
不是所有好项目都该现在做。三个时机信号：技术成熟度（现在这个需求用AI做，效果比人做到底好多少）；竞品验证（有没有同行已经在跑，跑得怎么样）；内部节奏（公司现在有没有精力扛住前3个月的磨合期）。
时机没到不等于永远不做，先记进清单，等信号出现再启动。
| 评估项 | 打分标准（0-10） | 你的分 |
|---|---|---|
| 问题真实性 | 有人付费+高频+可感知，各3分，缺一项扣3分 | |
| 数据就绪度 | 量够+规范+可持续，各3分，缺一项扣3分 | |
| ROI清晰度 | 投入/收益/回本周期三行账都写得出=10分 | |
| 执行靠谱度 | 内部有懂行的人，或供应商敢拿真实数据验证 | |
| 时机成熟度 | 技术有效+有竞品验证+内部扛得住磨合 |
总分判读：≥40分，值得做；25-39分，先补短板再做；<25分，建议缓做或放弃。
信号1：需求一页纸写不出来。说不清解决谁的什么问题，后面每一步都是赌。
信号2：数据盘点全是坑。没数据、乱数据、不能更新的数据，做出来就是玩具。
信号3：供应商只承诺不给验证。"效果你放心"却不让你拿真实数据试跑的，合同签完就翻脸。
核心建议：AI项目最大的浪费不是钱，是做完了发现没人为结果买单。花10分钟过五问，比花十万块试错便宜得多。
先看问题真不真：这个需求是不是真实存在、高频发生、别人愿意付钱解决？说不清要解决什么问题、解决给谁看的项目，后面每一步都是赌。
不能。AI的效果上限由数据决定，数据乱、格式杂、没沉淀，系统再先进也答不对。数据不达标的项目，先花1-2个月整理数据，比急着上系统有用。
立项前写下三行：投入（采购+开发+运维+人力）、收益（省的成本+多赚的钱）、时间（多久回本）。算不出这三行的项目，做了也没法证明值不值，建议先别动。
三个信号：需求一页纸写不出来、数据盘点全是坑、供应商只承诺不给验证。这三个任一命中，先缓做。AI项目最大的浪费不是钱，是做完了发现根本没人为结果买单。
先做小不做大：选一个高频痛点、用现成方案跑通、2-4周看到真实数据再决定加码。不要一上来就私有化、就大模型训练，验证价值永远优先于搭建宏大系统。
手上有个AI项目拿不准值不值得做？
免费帮你过一遍五问评估清单我们提供 我要定制工具 · 先试做，效果好再报价 —— 源码交付、私有化部署，先看成品再谈合作。