设计了AI方案，但能不能落地？这篇文章教你从技术、数据、成本、合规四个维度评估可行性。
一、为什么需要可行性评估？
AI项目失败的常见原因：
| 原因 | 占比 |
|---|
| 数据不足或质量差 | 40% |
| 目标不切实际 | 25% |
| 技术方案不可行 | 15% |
| 成本超出预期 | 10% |
| 合规风险 | 10% |
评估的目的： 在投入资源前，发现问题、规避风险。
二、四维评估框架
| 维度 | 核心问题 |
|---|
| 技术可行性 | 技术上能实现吗？团队能力够吗？ |
| 数据可行性 | 数据够吗？质量好吗？ |
| 成本可行性 | 投入产出比合理吗？ |
| 合规可行性 | 符合监管要求吗？有风险吗？ |
三、技术可行性评估
3.1 评估清单
| 检查项 | 问题 | 评估 |
|---|
| AI能力 | 公司AI平台是否支持？ | □ 支持 □ 不支持 □ 部分支持 |
| 接口对接 | 能否调用？需要什么权限？ | □ 可以 □ 需申请 □ 不确定 |
| 系统集成 | 能否和现有系统集成？ | □ 简单 □ 复杂 □ 困难 |
| 团队能力 | 团队有AI开发经验吗？ | □ 有 □ 部分 □ 没有 |
| 运维能力 | 上线后能运维吗？ | □ 可以 □ 需学习 □ 困难 |
3.2 技术风险评估
| 风险 | 可能性 | 影响 | 应对措施 |
|---|
| AI平台不稳定 | 低 | 高 | 做好降级方案，规则兜底 |
| 调用响应慢 | 中 | 中 | 异步处理，优化调用频率 |
| 集成复杂 | 中 | 中 | 预留足够开发时间 |
| 团队不熟悉 | 高 | 中 | 提前学习，做MVP练手 |
3.3 团队能力评估
| 能力要求 | 现状 | 差距 | 填补方式 |
|---|
| AI接口调用 | 无经验 | 需学习 | 学习本系列第6篇 |
| Spring Boot开发 | 有经验 | 无 | — |
| 系统集成 | 有经验 | 无 | — |
| AI运维 | 无经验 | 需学习 | 培训或外部支持 |
建议： 团队无AI经验时，第一个项目选择简单场景，积累经验。
四、数据可行性评估
4.1 数据评估清单
| 检查项 | 问题 | 评估 |
|---|
| 数据量 | 数据量是否足够？ | □ 充足 □ 一般 □ 不足 |
| 数据质量 | 数据是否准确、完整？ | □ 好 □ 一般 □ 差 |
| 数据时效 | 数据是否及时更新？ | □ 实时 □ T+1 □ 延迟大 |
| 数据安全 | 数据是否敏感？需要脱敏？ | □ 不敏感 □ 敏感 □ 高度敏感 |
| 数据权限 | 有权使用这些数据吗？ | □ 有 □ 需申请 □ 无权限 |
4.2 数据量评估标准
| 场景类型 | 最少数据量 | 理想数据量 |
|---|
| 对话问答 | 无需训练数据 | 有FAQ更佳 |
| 文本分类 | 1000条/类 | 5000条/类 |
| 风险预测 | 1000条正例 | 5000条正例 |
| 图像识别 | 500张/类 | 2000张/类 |
4.3 数据质量检查
| 质量问题 | 检查方法 | 影响 |
|---|
| 缺失值 | 统计空值比例 | 影响特征完整性 |
| 重复值 | 检查重复记录 | 影响训练效果 |
| 异常值 | 统计分析、可视化 | 影响模型准确性 |
| 不平衡 | 统计各类比例 | 影响召回率 |
风控场景数据评估：
| 数据 | 数量 | 质量 | 评估 |
|---|
| 理赔记录 | 50万条 | 好 | ✅ 可用 |
| 欺诈案例 | 2000条 | 中 | ⚠️ 偏少，需积累 |
| 客户画像 | 1万企业 | 好 | ✅ 可用 |
五、成本可行性评估
5.1 成本构成
| 成本类型 | 具体内容 |
|---|
| 开发成本 | 人力、时间 |
| 调用成本 | AI平台调用费用 |
| 运维成本 | 服务器、监控、维护 |
| 培训成本 | 团队学习、外部咨询 |
| 机会成本 | 其他项目延期的代价 |
5.2 成本估算模板
成本估算（以智能理赔风控为例）
一、开发成本
- 前端改造：1人周
- 后端开发：2人周
- AI对接：1人周
- 测试联调：1人周
- 合计：5人周
二、调用成本
- AI平台调用费：约0.01元/次
- 预估调用量：10万次/月
- 月度成本：1000元
三、运维成本
- 服务器资源：现有资源够用
- 监控告警：复用现有监控
- 月度成本：0元
四、总计
- 一次性投入：5人周
- 月度运营：约1000元
5.3 投入产出分析
| 维度 | 投入 | 产出 |
|---|
| 人力 | 5人周开发 | 减少60%人工审核 |
| 费用 | 1000元/月调用 | 欺诈损失降低？ |
| 时间 | 1个月上线 | 理赔周期缩短50% |
决策参考：
- 投入产出比 > 3:1 → 值得做
- 投入产出比 1:1 ~ 3:1 → 可以做
- 投入产出比 < 1:1 → 慎重考虑
六、合规可行性评估
6.1 保险行业AI应用监管要点
| 监管领域 | 要求 | 检查点 |
|---|
| 数据安全 | 个人信息保护 | 是否脱敏？是否有授权？ |
| 算法公平 | 不得歧视 | 算法是否公平？有无偏见？ |
| 信息披露 | 告知客户 | 是否告知使用了AI？ |
| 可解释性 | 能解释决策 | AI决策能解释吗？ |
| 人工兜底 | 重大决策需人工 | 是否有人工复核？ |
6.2 合规检查清单
| 检查项 | 状态 | 备注 |
|---|
| 数据使用合规 | □ 是 □ 否 | 是否有数据使用授权 |
| 个人信息脱敏 | □ 是 □ 否 | 敏感信息是否脱敏 |
| 客户告知 | □ 是 □ 否 | 是否告知AI使用情况 |
| 人工兜底 | □ 是 □ 否 | 是否有人工复核机制 |
| 算法审计 | □ 是 □ 否 | 是否能审计AI决策 |
| 留痕追溯 | □ 是 □ 否 | 是否能追溯AI决策记录 |
6.3 风控场景合规要点
| 合规要求 | 具体实施 |
|---|
| 客户告知 | 在投保须知中说明使用AI辅助风控 |
| 人工兜底 | AI建议 + 人工最终决策 |
| 可解释性 | 提供风险评分依据（如：因理赔频率异常） |
| 留痕追溯 | 记录每次AI决策的输入、输出、时间 |
七、决策框架
7.1 评估打分表
| 维度 | 权重 | 评分（1-5） | 加权分 |
|---|
| 技术可行性 | 25% | ___ | ___ |
| 数据可行性 | 30% | ___ | ___ |
| 成本可行性 | 25% | ___ | ___ |
| 合规可行性 | 20% | ___ | ___ |
| 总分 | 100% | — | ___ |
评分标准：
| 分数 | 含义 |
|---|
| 5 | 完全满足，无风险 |
| 4 | 基本满足，风险可控 |
| 3 | 部分满足，需解决问题 |
| 2 | 不太满足，风险较大 |
| 1 | 不满足，不可行 |
7.2 决策标准
| 总分 | 建议 |
|---|
| ≥ 4.0 | ✅ 可以立项，风险低 |
| 3.0 - 3.9 | ⚠️ 可以立项，需解决部分问题 |
| 2.0 - 2.9 | ⏸️ 暂缓，先解决关键问题 |
| < 2.0 | ❌ 不建议推进 |
7.3 决策流程
评估四维可行性
↓
总分 ≥ 4？
↓
是 → ✅ 可以立项
↓
否 → 单项 ≤ 2？
↓
是 → ❌ 不建议推进
↓
否 → ⏸️ 暂缓，解决问题后再评估
八、评估实例：智能理赔风控
8.1 技术可行性评估
| 检查项 | 评估 | 评分 |
|---|
| AI能力支持 | 公司平台支持文本分析、预测 | 5 |
| 接口对接 | 需申请API权限，流程明确 | 4 |
| 系统集成 | Spring Boot集成，团队熟悉 | 5 |
| 团队能力 | 无AI经验，但会学习 | 3 |
| 运维能力 | 复用现有运维体系 | 4 |
技术可行性得分：4.2分
8.2 数据可行性评估
| 检查项 | 评估 | 评分 |
|---|
| 数据量 | 理赔数据充足，欺诈案例偏少 | 3 |
| 数据质量 | 数据质量较好 | 4 |
| 数据时效 | T+1更新，可接受 | 4 |
| 数据安全 | 需脱敏处理 | 4 |
| 数据权限 | 有权限使用 | 5 |
数据可行性得分：4.0分
8.3 成本可行性评估
| 检查项 | 评估 | 评分 |
|---|
| 开发成本 | 5人周，可控 | 4 |
| 调用成本 | 1000元/月，可接受 | 5 |
| 运维成本 | 低 | 5 |
| 投入产出比 | 约5:1 | 5 |
成本可行性得分：4.75分
8.4 合规可行性评估
| 检查项 | 评估 | 评分 |
|---|
| 数据合规 | 已脱敏 | 5 |
| 客户告知 | 需补充告知 | 3 |
| 人工兜底 | 有复核机制 | 5 |
| 可解释性 | 能提供依据 | 4 |
| 留痕追溯 | 有日志记录 | 5 |
合规可行性得分：4.4分
8.5 综合评估
| 维度 | 权重 | 评分 | 加权分 |
|---|
| 技术可行性 | 25% | 4.2 | 1.05 |
| 数据可行性 | 30% | 4.0 | 1.20 |
| 成本可行性 | 25% | 4.75 | 1.19 |
| 合规可行性 | 20% | 4.4 | 0.88 |
| 总分 | 100% | — | 4.32 |
结论：✅ 可以立项
待解决问题：
- 补充客户告知内容
- 积累更多欺诈案例数据
- 团队学习AI开发基础
九、总结
| 维度 | 核心问题 | 关键检查点 |
|---|
| 技术 | 能实现吗？ | AI能力、团队能力、集成难度 |
| 数据 | 数据够吗？ | 数量、质量、权限 |
| 成本 | 值得吗？ | 开发成本、运营成本、投入产出 |
| 合规 | 合规吗？ | 数据安全、人工兜底、可解释性 |
评估流程：
- 四维打分
- 计算总分
- 判断决策（立项/暂缓/不做）
- 列出待解决问题
