数据资产

能列出 1-3 个想验证的具体场景（具体到岗位和动作，而不是「我们想用 AI」）场景越具体，数据范围和验收标准越容易定。这些场景有可用的结构化数据（订单 / 工单 / 日志 / 表格）没有数据燃料，模型效果无从谈起。数据能导出或通过接口拿到，不锁在纸质流程或个人电脑里数据拿不出来，项目第一步就卡死。有历史标注样本或正确答案（哪怕只有 50 条）有标准答案才能客观评估 AI 做得好不好。

目标与验收

有可量化的验收指标（准确率 / 耗时 / 成本，写到具体数字）「效果要好」没法验收，「准确率 ≥ 85%」可以。有明确的业务负责人，愿意每周看一次结果没有业务方参与的 AI 项目，验收时一定翻车。

团队与预算

至少 1 名内部对接人，熟悉业务流程和数据在哪外部团队最怕的不是技术，是找不到懂业务的人。预算覆盖「软件 + 实施 + 至少 3 个月试运行」只算软件预算的项目，大概率中途断粮。一把手或部门负责人知道并支持这次尝试优先级不够的项目，资源随时会被抽走。

流程与合规

涉及客户数据时，有脱敏或授权方案合规出问题，项目做得再好也要下线。

0/ 100

从第一项开始勾

勾选状态自动保存在本机浏览器，刷新不丢。

为什么数据准备度决定项目生死？

平台复盘的失败项目里，大部分不是模型不行，而是数据没准备好：要么拿不出数据，要么有数据但没有标准答案，做完才发现「没法评估好不好」。先打分再立项，配合 5 分钟自测一起用；分数达标后，发需求让平台按你的数据现状出实施与报价方案。