# 该先做的 AI 场景，往往不是价值最高的那个

> 给十个想法按价值和可行性打分，再和掌握预算的人书面约定一个成功指标。

原文: https://fdetimes.net/zh/guides/value-feasibility-matrix-ai-use-cases/

和客户的第一次研讨会，通常以一面写满想法的白板收场。运营负责人想要需求预测，客服经理想要聊天机器人，IT 部门有人刚看过一个邮件摘要的演示，印象深刻。然后所有人转向那个要负责实现的人，问：先做哪个？

这个回答决定了接下来三个月。选错了，要么在一个没有数据的项目上耗掉一个季度，要么交付一个运行得很漂亮、却没人需要的东西。

Decagon 前线部署工程师（FDE）团队的 CTO Sunny Rekhi 认为，需求收集从最初讨论合同范围时就开始了。换句话说，在写下第一行代码之前，选择用例就是 FDE 的工作。

在这个阶段，价值-可行性矩阵是一个拿来就能用的轻量工具。它不会比你更聪明，它的作用是把会议室里的争论，从“谁的声音最大”变成“打了几分，为什么”。

## 两个维度，五个数字

独立顾问网络 Umbrex 定义了两个核心维度。业务价值指对服务、成本、现金流和质量的影响。

可行性指在目标时间内，从技术和运营上交付的能力。后半句很关键：一个要一年才能交付的想法，对本季度的试点毫无帮助。

如果要打得更细，Umbrex 建议用五项加权标准：价值 35–45%，可行性 25–35%，见效时间 10–15%，可复用性 10–15%，风险 5–10%。

一组落在这些区间内的实用权重是 40/30/10/10/10。风险一项要事先约定：分数高代表风险低，这样每一列都是“越高越好”。

每项标准都按 1–5 分打分。Umbrex 和 Moveworks 都强调，要事先为每个分数档写好描述，以减少偏差。

以可行性为例：1 分表示数据不存在，或者分散在几个没人有权限的系统里；3 分表示数据存在，但需要几周清洗；5 分表示数据干净、可以通过 API 获取，客户也有人随时可以配合。

## 示例：一家分销商的十个想法

假设有一家快消品分销商。研讨会结束后，你手上有 10 个想法。下表是一轮假设的打分，总分计算方式为 0.4×价值 + 0.3×可行性 + 0.1×（见效时间、可复用性、风险）。

| 想法 | 价值 | 可行性 | 见效时间 | 可复用性 | 风险 | 总分 |
|---|---|---|---|---|---|---|
| 为运营负责人回答库存问题的 Agent | 4 | 4 | 4 | 4 | 4 | 4.0 |
| 投诉工单分类 | 3 | 4 | 4 | 4 | 4 | 3.6 |
| 供应商发票数据提取 | 3 | 4 | 4 | 3 | 4 | 3.5 |
| 异常订单检测 | 4 | 3 | 3 | 3 | 3 | 3.4 |
| 全供应链需求预测 | 5 | 2 | 1 | 3 | 3 | 3.3 |
| 仓储流程文档检索（RAG） | 2 | 4 | 4 | 4 | 4 | 3.2 |
| 内部邮件摘要 | 1 | 5 | 5 | 2 | 5 | 3.1 |
| 官网客服聊天机器人 | 3 | 3 | 3 | 3 | 2 | 2.9 |
| 配送路线优化 | 4 | 2 | 2 | 2 | 3 | 2.9 |
| 折扣自动审批 | 4 | 2 | 2 | 2 | 1 | 2.7 |

最值得细看的两行不在顶部。需求预测的价值分最高，为 5 分，却只排第五，因为销售数据还没准备好。Moveworks 强调，给可行性打分时要特别关注数据就绪程度，这正是一个典型案例。

邮件摘要正好相反：可行性 5 分，一个下午就能做出演示，但价值只有 1 分。Moveworks 提醒，做演示确实令人兴奋，但演示本身不产生业务价值。因此，“见效时间”应该算到系统在真实流程中跑通真实数据为止，而不是原型能跑就停。

## 画出 2×2，让全场都看得见

Umbrex 建议用 2×2 图呈现结果：一个轴是影响，另一个轴是可行性（或见效时间）。把分界线画在 3.5，上表就清楚地分成四个象限。只有库存 Agent 落在高价值、高可行性的角落。

高价值、低可行性的角落里是需求预测、配送路线、折扣审批和异常检测。这是长期路线图，是目的地，而不是起点。

低价值、高可行性的角落里是邮件摘要、文档 RAG、工单分类和发票提取：容易做，但每一个都需要一个真正的理由才值得选。官网客服聊天机器人落在剩下的那个角落，两个维度都偏低。

这张图对干系人的说服力，是一张数字表格很难做到的。运营负责人能看到，需求预测没有被否决，只是排到了后面。Moveworks 有句话值得记住：一个用例在技术上可行，未必就是这家企业该走的那一步。

**要点:** 矩阵只产出一份候选清单；真正的决定在于客户签字确认的成功指标。

## 从分数到边界清晰的试点

库存 Agent 排在第一，但这还不是一个范围。AI Codex 建议 FDE 坚持拿到一个可衡量的成功定义，并由掌握预算的人认可。Decagon 同样认为，部署团队需要和客户一起明确什么算成功，最好落在书面上。

好的指标通常是行为上的变化，而不是技术指标。AI Codex 举过一个例子：“运营负责人不再找 IT 要库存报表”就是一条真正的终点线。对上面的分销商来说，这句话几乎就是为库存 Agent 写的。

接下来要收窄范围。AI Codex 建议把试点当作回答一个问题的手段，不要把它做成缩小版的全面推广。这里的问题可以是：在四周内，这个 Agent 能否正确回答一个仓库的库存问题？

PostHog 的 FDE 手册解释了为什么窄更好：扩大一个收紧的范围，远比收回一个松散的范围便宜。

PostHog 还把 FDE 工作中的价值单位定义为可衡量的客户成果，并且要在开工前约定好。矩阵把你带到一个想法；可衡量的成果把这个想法变成承诺。

## 五步自己动手

先把每个想法单独列一行，每行都写成“谁会以不同的方式做什么”。然后在给任何一行打分之前，先写好五项标准的 1–5 分描述，免得分数被你本来就偏爱的想法带偏。

和客户一起打分，绝不要一个人打：运营人员了解价值，IT 人员了解数据。算出加权总分，画出 2×2，把前三名作为候选清单。最后，为排名第一的想法写下成功指标和试点要回答的问题，发给预算负责人确认。

## 让矩阵“说谎”的错误

最常见的错误是凭演示给可行性打分。模型能回答示例问题，不代表真实数据已经就绪、权限已经开通，或者流程里有 Agent 的位置。打 4 分之前，先问清楚“数据在哪里、谁来开权限、需要多长时间”。

第二个错误是不写描述就打分，于是每个人对“3 分”的理解都不一样，会议又退回到凭感觉争论。第三个错误是让风险一列和其他列方向相反，结果给最危险的想法加了分。

最后一个错误是把总分当成判决：0.1 分的差距，不足以成为放弃一个有热心支持者的想法的理由。

## 这项技能在简历上怎么体现

在简历上，要展示你懂得基于清晰的理由把一个想法往后排。像“与客户一起为 12 个用例打分，选定一个为期四周的试点，成功指标由运营负责人签字确认”这样的一行，比任何框架清单都更有说服力。招聘启事里提到 scoping、discovery 或 prioritization 时，指的就是这项技能。

面试时如果被问到“客户给你十个想法，你怎么做？”，就按顺序讲：带描述的量表、权重、2×2，然后是书面指标。

再补充一个因数据没准备好而被你排到后面的想法，并说明理由。这个细节说明你在真实项目中用过这个矩阵，而不只是懂理论。

白板上价值最高的那个想法，下个季度还会在那里。今天的任务，是选一个能尽早证明价值的东西，让客户在轮到那个想法时依然信任你。

**本周动手试试:**

- 拿一个客户项目或内部项目，列出 10 个 AI 想法，在电子表格里按 40/30/10/10/10 的权重打分。
- 为排名第一的想法写一句话的成功指标，表述为某个具体的人在行为上的变化，然后发给预算负责人确认。

## 信源

- [AI Use-Case Prioritization Framework (Umbrex)](https://umbrex.com/resources/frameworks/supply-chain-frameworks/ai-use-case-prioritization-framework/)

- [How to Prioritize AI Use Cases That Deliver Fast Wins and Long-Term Enterprise Value](https://www.moveworks.com/us/en/resources/blog/how-to-prioritize-ai-use-cases-enterprise-it)

- [Scoping an FDE engagement: the first week decides the next three months](https://www.aicodex.to/articles/fde-scoping-an-engagement)

- [How forward deployed engineers work - Handbook (PostHog)](https://posthog.com/handbook/forward-deployed-engineering/how-we-work)

- [How Forward Deployed Engineering is done at Decagon (AI Engineer World's Fair 2026)](https://ai.engineer/talks/7wu2hsRfvV0-forward-deployed-engineering-is-done-at-decagon)
