发现了AI场景，接下来怎么设计一个可落地的方案？这篇文章教你AI方案设计的五要素方法。
一、从场景到方案，需要回答五个问题
发现AI场景后，你需要回答五个问题：
| 问题 | 对应要素 |
|---|---|
| 要解决什么问题？ | 目标 |
| 用什么数据？ | 数据 |
| 用什么AI能力？ | 模型 |
| 流程是怎样的？ | 流程 |
| 怎么判断成功？ | 指标 |
这五个要素，就是AI方案设计的核心框架。
二、五要素详解
2.1 目标：要解决什么问题？
好的目标要具体、可衡量。
| ❌ 模糊的目标 | ✅ 具体的目标 |
|---|---|
| 提高效率 | 理赔初审时间从3天缩短到1天 |
| 降低风险 | 欺诈识别率从70%提升到85% |
| 改善体验 | 客服响应时间从5分钟缩短到30秒 |
目标拆解示例：
场景：智能理赔审核
业务目标：
- 减少人工审核工作量30%
- 提高审核准确率，降低漏检率
- 缩短理赔处理周期
AI目标：
- 自动筛选出80%的正常案例
- 标注可疑案例供人工复核
- 每个案例处理时间<2秒
2.2 数据：用什么数据？
AI需要"燃料"，数据就是燃料。
| 数据类型 | 说明 | 风控场景例子 |
|---|---|---|
| 训练数据 | AI学习用的历史数据 | 历史理赔记录、欺诈案例 |
| 输入数据 | AI运行时的输入 | 新的理赔申请 |
| 标签数据 | 告诉AI什么是"对"什么是"错" | 已标注的欺诈/正常案例 |
数据检查清单：
| 检查项 | 问题 | 如何解决 |
|---|---|---|
| 数量够吗？ | 数据量是否足够AI学习？ | 积累数据或用预训练模型 |
| 质量好吗？ | 数据是否准确、完整？ | 数据清洗 |
| 有标签吗？ | 是否有"正确答案"？ | 人工标注或规则生成 |
| 有偏见吗？ | 数据是否代表真实情况？ | 调整采样策略 |
风控场景数据盘点：
| 数据 | 来源 | 可用性 |
|---|---|---|
| 理赔记录 | 核心系统 | ✅ 充足 |
| 欺诈案例 | 风控系统 | ⚠️ 较少（需要积累） |
| 客户画像 | CRM系统 | ✅ 充足 |
| 医疗数据 | 医院接口 | ⚠️ 需要对接 |
| 外部数据 | 第三方 | ❓ 需要采购 |
2.3 模型：用什么AI能力？
调用公司内部AI平台，你需要知道要用什么能力。
| 能力类型 | 能做什么 | 风控场景 |
|---|---|---|
| 对话能力 | 理解问题、生成回答 | 智能问答、客服 |
| 文本分析 | 提取信息、分类、摘要 | 理赔材料分析、报告生成 |
| 图像识别 | 识别图片内容 | 证件OCR、病历识别 |
| 预测模型 | 预测概率、分类 | 风险评分、欺诈预测 |
选择AI能力的三个问题：
| 问题 | 判断方法 |
|---|---|
| 输入是什么？ | 文本→文本分析；图片→图像识别 |
| 输出是什么？ | 答案→对话；分类→预测；内容→生成 |
| 实时性要求？ | 实时→轻量模型；离线→可用复杂模型 |
风控场景模型选择：
| 场景 | 输入 | 输出 | AI能力 |
|---|---|---|---|
| 理赔问答 | 用户问题 | 答案 | 对话能力 |
| 材料审核 | 理赔材料 | 可疑项 | 文本分析 |
| 风险评分 | 客户数据 | 风险分数 | 预测模型 |
| 证件识别 | 身份证照片 | 文字信息 | 图像识别 |
2.4 流程：怎么运作？
把AI嵌入业务流程，画出流程图。
现有流程 vs AI流程：
| 环节 | 现有流程 | AI流程 |
|---|---|---|
| 理赔申请 | 客户提交 | 客户提交 |
| 初审 | 人工逐项核对 | AI预审 + 可疑标注 |
| 复核 | 人工复核 | 人工复核（只看AI标注的） |
| 决策 | 人工决策 | AI建议 + 人工决策 |
| 归档 | 人工归档 | AI自动打标签 |
流程设计要点：
| 要点 | 说明 |
|---|---|
| AI在人之前 | AI先处理，人做最终决策 |
| 保留人工兜底 | AI不确定的，交给人工 |
| 清晰的交接 | AI输出什么、人看什么，要明确 |
| 异常处理 | AI出错时，如何恢复？ |
流程图示例：
理赔申请
↓
┌─────────────┐
│ AI预审 │
│ - 材料完整性检查
│ - 异常特征识别
│ - 风险评分
└─────┬───────┘
↓
风险评分 < 30?
↓
是 → 自动通过 → 结案
↓
否 → 人工审核 → 决策 → 结案
2.5 指标：怎么判断成功？
设定指标，才能评估效果。
| 指标类型 | 指标 | 计算方式 |
|---|---|---|
| 准确性 | 准确率 | 正确判断数 / 总判断数 |
| 覆盖性 | 召回率 | 找出的问题数 / 实际问题数 |
| 误判性 | 误报率 | 误判数 / 总判断数 |
| 效率 | 处理时间 | 平均处理时长 |
| 业务 | 人工节省率 | (原工作量-新工作量)/原工作量 |
风控场景指标设计：
| 指标 | 定义 | 目标值 |
|---|---|---|
| 欺诈识别率 | 识别出的欺诈案例 / 实际欺诈案例 | ≥ 80% |
| 误报率 | 被误判为欺诈的正常案例 / 总正常案例 | ≤ 5% |
| 自动通过率 | AI自动通过的案例 / 总案例 | ≥ 60% |
| 处理时间 | 平均每个案例的处理时间 | ≤ 2秒 |
重要：准确率和召回率的平衡
| 情况 | 问题 | 解决方案 |
|---|---|---|
| 准确率高、召回率低 | 漏过很多问题 | 调低阈值，宁可误报 |
| 召回率高、准确率低 | 误报太多 | 调高阈值，减少误报 |
| 两者都要 | 需要平衡 | 用F1值综合评估 |
三、方案设计实例：智能理赔风控
3.1 场景描述
现状： 理赔审核依赖人工，效率低、易漏检
目标： AI辅助审核，提高效率、降低漏检率
3.2 五要素设计
| 要素 | 内容 |
|---|---|
| 目标 | 自动筛选60%正常案例，识别可疑案例供人工复核 |
| 数据 | 历史理赔数据（3年）、欺诈案例库、客户画像 |
| 模型 | 调用公司AI平台的文本分析和预测能力 |
| 流程 | AI预审 → 风险评分 → 分流处理 |
| 指标 | 欺诈识别率≥80%，误报率≤5%，自动通过率≥60% |
3.3 详细方案
项目名称：智能理赔风控助手
一、目标
1. 业务目标
- 减少人工审核工作量60%
- 提高欺诈识别率至80%以上
- 理赔处理周期缩短50%
2. AI目标
- 实时风险评分（响应时间<2秒）
- 自动标注可疑项
- 支持规则+AI混合模式
二、数据
1. 数据来源
- 理赔记录：核心系统导出，3年数据，约50万条
- 欺诈案例：风控系统记录，约2000条
- 客户画像：CRM系统，约1万企业
2. 数据处理
- 数据清洗：去除重复、补全缺失
- 特征提取：提取关键特征（金额、频率、类型等）
- 标签生成：欺诈案例标注为高风险
三、模型
调用公司内部AI平台：
- 文本分析API：分析理赔材料，提取关键信息
- 风险预测API：综合特征，输出风险评分
四、流程
1. 理赔申请进入系统
2. AI自动分析：
- 材料完整性检查
- 异常特征识别
- 历史案例对比
- 风险评分
3. 分流处理：
- 风险分<30：自动通过
- 风险分30-70：人工复核
- 风险分>70：重点审查
4. 人工审核时，AI提供：
- 可疑项标注
- 类似历史案例
- 建议处理方式
五、指标
1. 效果指标
- 欺诈识别率：≥80%
- 误报率：≤5%
- 自动通过率：≥60%
2. 性能指标
- 响应时间：≤2秒
- 并发处理：≥100条/秒
3. 业务指标
- 人工节省：60%
- 处理周期缩短：50%
四、方案模板
用这个模板输出你的AI方案：
AI方案设计书
一、场景概述
- 场景名称：
- 现状描述：
- 期望目标：
二、目标
- 业务目标：
- AI目标：
三、数据
- 数据来源：
- 数据规模：
- 数据质量：
四、模型
- AI能力类型：
- 调用方式：
- 输入输出：
五、流程
- 现有流程：
- AI流程：
- 人工介入点：
六、指标
- 效果指标：
- 性能指标：
- 业务指标：
七、风险与应对
- 可能风险：
- 应对措施：
五、常见问题
Q1：数据不够怎么办？
| 情况 | 解决方案 |
|---|---|
| 没有历史数据 | 先积累数据，从规则开始 |
| 数据量少 | 用预训练模型、数据增强 |
| 没有标签 | 规则生成伪标签、人工标注 |
Q2：不知道用什么AI能力？
| 方法 | 说明 |
|---|---|
| 问AI平台方 | 公司内部AI平台通常有使用指南 |
| 看类似案例 | 参考同行怎么做的 |
| 先做MVP | 先用对话能力试水，再扩展 |
Q3：指标怎么定？
| 原则 | 说明 |
|---|---|
| 有对比 | 和现状对比，体现提升 |
| 可测量 | 能用数据计算 |
| 有梯度 | 设定最低目标和理想目标 |
六、下一步
下一篇文章，我们将讨论：
- 如何评估AI方案的可行性
- 技术、数据、成本、合规四个维度的评估方法
- 做/不做/暂缓的决策框架
七、总结
| 要素 | 关键问题 | 输出 |
|---|---|---|
| 目标 | 要解决什么问题？ | 具体的业务目标和AI目标 |
| 数据 | 用什么数据？ | 数据来源、规模、质量 |
| 模型 | 用什么AI能力？ | AI能力类型、调用方式 |
| 流程 | 怎么运作？ | 流程图、人工介入点 |
| 指标 | 怎么判断成功？ | 效果指标、性能指标、业务指标 |
