早期 AI 项目值不值得做：六个维度，别用结果指标倒推

深度思想，谈 AI 与向往

—— 字节深思圈

一个创业想法还停在 Idea 阶段，能拿什么判断它值不值得做？

很多人会下意识看 ARR、NRR、留存率这些结果指标。但在产品还没上线、用户还没影子的阶段，这些数字根本不存在，硬凑出来的都是预测和包装。

我的判断是：Idea 阶段不能靠结果指标倒推价值。正确顺序是先判断 AI 是否在一个高价值场景里拿到了可验证的技术时机、数据反馈、自我纠错和规模化交付优势，再把主观洞察翻译成可证伪的假设。

六个评估维度

一、行业价值与替代单元。 问题是否直接连接收入、成本或关键生产力？产品卖的是辅助工具，还是可度量的劳动力/结果？同样是 AI 写代码，卖"帮你省时间"和卖"交付一个可验收的任务"是两种生意。

二、技术—市场时机（TMF）。 项目依赖的模型能力、成本下降或基础设施突破是什么？它会在什么临界点从"能演示"变成"可规模交付"？很多 demo 惊艳的项目死在商业化之前，因为跨越临界点的成本还没降下来。

三、数据与反馈闭环。 输出能否快速获得客观反馈？使用过程是否独家产生结构化数据并支持自我纠错？编程 Agent 的有利条件就在这：编译器/测试提供相对确定的反馈，IDE 内高频交互，工作成果可机器读取。营销也有 CTR、ROI 反馈，但归因噪声、平台规则和延迟会削弱"确定性沙盒"。

四、自动化 × 智能化。 自动化决定能否突破线性人力，智能化决定能否产生新价值与结果溢价。只自动化不智能化，是廉价外包；只智能化不自动化，无法规模化。

五、切口与扩展路径。 最小切口是否高频、可付费，并能自然积累进入相邻高价值环节所需的数据或关系？切口小不怕，怕的是切进去之后没有路径。

六、增长与防御。 输出物是否天然传播？基础模型升级时，产品会被替代，还是因工作流、数据和网络效应而增强？这决定了你是给模型打工，还是借模型的力。

从洞察到指标

每个主观判断都要能翻译成可验证的指标：

反方观点：别制造虚假的确定感

这套框架本身要打个折扣：它仍是先验筛选器，不是项目评分真相。所谓 TMF、数据飞轮、自传播，很容易被事后叙事包装。没有真实用户行为、付费承诺和单位经济数据时，打分越精细，越可能制造虚假的确定感。

所以正确用法是：把它当"假设生成层"，用来决定先验证什么。真正下判断，还是要回到用户访谈、最小验证和单位经济。框架负责提出对的问题，现实负责给出答案。

注：本文框架为方法论提炼，其中行业判断与案例来自原始讨论记录，事实与数字尚未逐项核验；不替代四要素评估与真实用户验证。