解读

面试官想验证三件事：

1. 你能否把“业务目标”拆成可量化的输入-输出对，并识别其中是否存在“高维、非线性、不确定”特征；
2. 你能否用“规则/流程优化”做基线，证明AI带来的增量价值大于其额外成本（数据、算力、合规、维护）；
3. 你能否给出可落地的决策框架，而不是拍脑袋“AI万能”或“AI烧钱”。

在国内真实场景里，还要考虑数据可得性、合规红线（个人信息保护法、数据跨境、算法备案）、甲方采购习惯“先看ROI再看PPT”。

知识点

1. 可模型化四要素：明确输入X、明确输出Y、可标注样本、可接受误差边界。
2. 规则基线三问：①是否可用“if-else+专家知识”覆盖95%场景；②规则迭代周期是否<2周；③规则维护人力是否<1 FTE。若答案都是“是”，优先规则。
3. AI增益公式：Δ价值 =（AI指标 – 规则指标）× 业务杠杆系数 – 额外总成本（数据+算力+合规+维护）。Δ价值≥0才可立项。
4. 数据闭环可行性：数据源是否在企业内可控、是否涉及用户敏感字段、能否获得用户“单独同意”、能否在30天内完成冷启动标注。
5. 合规与备案：生成式、推荐类、人脸识别等场景需做“算法备案”“安全评估”“深度合成标识”，周期2-6个月，成本需提前算进项目预算。
6. 上线后迭代成本：模型漂移监控、bad case回收、标注团队持续投入，国内通常按“每千条bad case成本=300–500元”估算。

答案

我用的判断框架是“4+3+1”模型，全程量化，方便向管理层拍桌子要资源，也方便向研发解释为啥不直接用规则。

第一步：4个可模型化要素
① 输入X能否数字化：例如客服场景，用户语音转文本后≥95%准确率，且能拿到历史对话日志；
② 输出Y能否数字化：例如“用户是否需转人工”，可打0/1标签；
③ 样本量是否够冷启动：按经验，文本分类≥5000条、实体抽取≥10000条、图像检测≥2000张才能训出可用baseline；
④ 误差能否被业务接受：客服转人工率允许±2%浮动，超过就触发兜底流程。

第二步：3条规则基线对比
① 用现有IVR或关键词规则跑一周，得出转人工率基线；
② 评估规则覆盖场景是否>95%，若已覆盖，则ROI天花板太低；
③ 计算规则维护人力：目前4人/年，成本80万，若AI方案节省<80万，优先优化规则。

第三步：1次合规与成本测算
把数据标注、GPU租赁、算法备案、bad case回收、 drift监控全部折算成三年TCO，再用Δ价值公式计算。若Δ价值≥0且回收期≤12个月，立项AI；否则退回流程优化。

案例：我曾负责“货运车货匹配”智能定价。规则定价误差率18%，年损失运费3.2亿；AI模型误差率8%，年节省1.6亿，三年TCO 2200万，Δ价值>1.3亿，回收期2个月，因此走AI路线。反之，在“内部费用报销单据审核”场景，规则+OCR模板即可覆盖97% case，AI仅降1%误差，年节省不足30万，成本却增加200万，直接砍掉AI方案。

拓展思考

1. 灰度策略：当规则与AI差距在5%以内，可采用“规则先行+AI兜底”双通道，先上线拿数据，再逐步切换，降低一次性投入风险。
2. 数据资产复用：判断时不仅看单点ROI，还要评估模型是否可迁移到集团内其他事业部，摊薄成本。国内头部互联网公司常把“通用语义理解”做成中台，一次性投入，多业务线分摊。
3. 政策窗口：生成式AI备案细则仍在更新，若业务目标涉及“文本/图片/视频生成”，需把“政策不确定”当成风险项，折现率提高5–8%，避免“技术能跑、牌照卡死”。