FDE 系列二：企业 AI 需求分析与试点验收方法
通过任务观察、数据盘点和基线比较，确定值得投入的 AI 场景，并把业务目标转成可检查的验收条件。
更新于
企业提出“需要一个 AI 助手”，还不足以开始开发。它可能对应资料查询、工单整理、报告生成等不同任务，每种任务对数据、质量和系统集成的要求都不同。FDE 需要先把需求落到具体工作上，再选择实现方式。
观察一项任务如何完成
选择一项近期发生的实际任务，请使用者说明输入、操作步骤、判断依据和最终结果。重点记录查资料、等待回复、重复录入和返工的环节。现有制度文件可以辅助理解，但也要核对实际执行方式。
例如，售后人员频繁切换系统，可能是信息分散；多次询问同事，可能是资料缺少适用条件。这两种问题需要不同处理。统一检索入口可以改善前者，后者则需要先整理资料与业务规则。
负责人、使用者和维护人员也应参与确认。负责人关注业务目标，员工了解操作困难，数据负责人掌握资料和权限，维护人员清楚接口条件。把这些信息放在一起，才能形成可执行的范围。
先确认数据是否支持需求
资料数量多，不代表可以直接使用。应检查来源、格式、版本、更新频率和访问范围，抽样查看扫描件与表格是否能正确解析。
在新能源汽车场景中，同一条技术信息可能只适用于特定车型、配置或软件版本。历史工单中的处理意见，也未必能作为通用规则。哪些资料权威，哪些结论需要专业审核，应由相应人员确认。
这些问题会影响系统能处理什么。若关键数据缺失，应调整试点范围或安排数据准备，不宜先承诺效果，再依靠开发补齐。
选择容易验证的试点
比较候选场景时，可以考虑任务频率、业务成本、资料准备程度、结果可核查性和错误影响。内部摘要或辅助查询通常容易与原文对照；涉及重要专业结论的任务，需要更严格的审核。
选定场景后，建立原流程的基线。例如记录完整处理时间、人工修正量和返工情况。新系统应采用相同口径比较，避免只看生成速度，却忽略后续核查成本。
把目标写成可检查的行为
“回答准确”需要进一步拆解。知识助手的验收条件可以包括：
- 缺少关键条件时，先追问必要信息。
- 检索结果符合用户权限和资料适用范围。
- 回答提供能够支持结论的来源。
- 证据不足或接口异常时，说明原因并转人工。
每项条件都应有对应样本，覆盖常见任务、困难情况和不应回答的问题。必要的权限与质量条件应优先通过，再讨论效率改善。
最后，把范围、数据来源、验收方式与负责人写进简短的试点说明。资料由谁提供，口径由谁确认，接口由谁批准，都需要落实。需求分析的结果，应让团队知道下一步做什么，以及如何判断它是否完成。