AI重塑商业系列（2） 如何挖掘适合AI介入的场景？

开篇引子：不是AI做不到，而是你没想到

在AI技术突飞猛进的今天，真正拉开人与人差距的，不再是“你会不会用AI”，而是“你能不能构建AI产品”。

如果说第一波AI浪潮是工具红利，人人可用；那么接下来的核心竞争力，就是谁能把AI融入流程、嵌入产品、重构场景。

但这就引出一个关键问题——AI该用在哪里？又该怎么用？

这正是本篇所聚焦的主题：AI需求的系统化挖掘方法。

AI需求挖掘与传统IT产品差别

我们太熟悉传统IT了，熟悉到很多流程、动作已经变成了“无意识能力”——这在心理学中被称为“不知道自己知道”。

这种熟练本来是优势，却会让人在设计AI产品时进入盲区：

“我们总是用旧眼光看新事物”，于是就看不到AI真正能带来的结构性价值。

我们需要的是一套新的思维框架，帮助我们突破习惯的思维路径，重新识别业务中那些看似“理所当然”的脑力环节。

于是，我们引入 MAIR 模型。

MAIR：一套用于AI需求挖掘的思维工具

MAIR 是一个横跨业务与技术的四步法，帮助你识别可被AI替代的脑力劳动点。

Map Business Processes：梳理流程
Access Mental Labor part：寻找脑力劳动
Identify Value of Mental Tasks：确定脑力价值
Replace with AI Solution：设计替代方案

M 梳理业务流程

这一步的动作是梳理业务流程，把“思维动作”挖出。

挖掘过程中要做到尽量拆到最小颗粒程度。为了帮助大家拆的尽可能细，这里推荐使用5W工具去拆，一直连续追问五个为什么（杰斐逊纪念堂外墙清洁问题）。

**Why1**‌：为什么纪念堂外墙腐蚀严重？  
→ 清洁人员频繁使用高压水枪+强碱清洁剂冲洗

‌**Why2**‌：为什么需要使用强效清洁剂？  
→ 普通清洁剂无法清除顽固的鸟粪痕迹

‌**Why3**‌：为什么外墙有大量鸟粪？  
→ 燕子群在墙面筑巢栖息

‌**Why4**‌：为什么燕子在此聚集？  
→ 墙缝蜘蛛数量暴增（燕子主要食物）

‌**Why5**‌：为什么蜘蛛异常繁殖？  
→ 夜间灯光吸引趋光昆虫（蜘蛛的食物源）

‌**根本解决方案**‌：调整纪念馆夜间照明方案（减少开灯时间/更换灯光波长），从源头阻断生态链。

这一步拆解的工作其实也是为后续写提示词做好准备，后面借用提示词框架，你需要做的就是对业务规则和流程进行翻译，而不是创造。

A 寻找脑力劳动

完成梳理后，在流程中寻找哪些部分是通过脑力劳动来完成的。

“脑力劳动”并不等同于“所有非体力劳动”。这里特指的是依赖人类经验、理解、创造性或归纳判断的环节。

你可以用以下四类关键词来快速定位流程中是否有“脑力成分”：

• 思考类：推理、分析、筛选、归因
• 判断类：评分、优先级排序、异常识别
• 创作类：文案撰写、提案草拟、设计命名
• 沟通类：客户回复、邮件编写、报告生成

注意区分：

• 若该任务规则固定、路径明确（例如：填写快递单、审批单流程），更适合 RPA 自动化或低代码平台；

• 若该任务依赖人脑临场判断、涉及语义或情绪理解，才是 AI 大模型发挥作用的机会点。

I 确定脑力价值

不是所有脑力劳动都值得被 AI 替代。你需要从价值/成本比的角度来评估是否“值得动手”。

我们可以参考两个主要维度：

难度评估（单位时间产出成本）
- 岗位人力成本：是否是高薪岗位？
- 替代难度：是否已有成熟模型能应对？
- AI正确率容忍度：如果偶尔出错，是否能容忍？

时间评估（总时长）
- 该任务在整个流程中耗时占比高吗？
- 是不是高频发生？
- 是否可批量处理？

优先替代的任务画像：人力成本高（如咨询、分析、创作类任务）；每天/每周都要做；即使AI生成的结果需要二次校对，但已经节省了80%时间

简化评估模型公式：

替代优先级 = 难度 × 频率 × 人力成本

R 寻找替代方案

最后一步是把已经识别出的“高价值脑力劳动”进行产品化尝试，用大模型、工作流或外部工具初步实现替代。

这个过程可以拆分为三个步骤去做：

• 确定输出：以终为始，确定 AI 输出物
• 确定输入：回溯输入信息，确定输入的内容、来源、风格等
• 构建提示词 + 验证流程：采用熟悉的 Prompt 模板（如 CRISPE、Expert Chain、Role-Based Prompt 等），分段测试大模型表现，逐步逼近目标效果。最好进行“盲测”：将 AI 结果直接嵌入真实流程中，观察是否被识别为“机器生成”。

如果模型效果一般，不急着做系统化产品，可以先作为辅助决策工具；如果模型表现稳定，可考虑用 API 封装，嵌入后台流程中自动调用；如果模型生成部分可用，部分不稳，可结合“人机协作”设计来优化流程效率。

结语

MAIR的理论部分就介绍到这里，下一篇我会举一个具体的例子，完整的进行MAIR的拆解，并输出一个产品demo验证。

AI需求挖掘，不只是找场景，更是重构“人机分工”。

MAIR模型不是教我们“怎样用AI做点事情”，而是帮助我们重新梳理人与AI的协作边界：

• 把人从低效的判断和重复的脑力任务中解放出来，
• 把AI放进那些“能理解规律、能产生价值”的环节里，
• 最终构建出更流畅、高效、有智慧感的工作与产品流程。

AI不会自动告诉你它该做什么，真正的产品洞察，依然来源于对业务的熟悉、对流程的敏感、对脑力成本的精算。

当我们学会了用结构化方式识别“脑力密集区”，就真正具备了打造AI产品的第一性能力。

AI替代的浪潮不会因为我们的迟疑而停下。

于其问自己“AI能不能替代我”，然后恐慌，不如追问自己：我的思考方式，是不是还有改进和重构的空间？是不是可以借助AI完成同步升级。