什么时候不该用 AI：三个我们主动劝退的场景

做咨询这一行，最难的不是接到项目，是劝客户不要做某个项目。但这件事对双方都有好处：做不成的项目会消耗信任，而信任比一个项目的收入值钱。

下面三种情况，我们通常会建议先别做，或者换个方式做。

场景一：错误代价极高，且无法撤销

典型例子是合同条款审核、医疗建议、涉及资金审批的流程。这类场景不是不能辅助，而是不能让 AI 直接输出结论。

判断方法很简单：问一句「如果它错了，最坏结果是什么」。如果答案是「无法挽回」，那就不该把决定权交给模型。

可以做的版本是：AI 先过一遍标出可疑点，人做最终判断。这样它省的是初筛时间，而不是决策责任。

场景二：数据本身是乱的

很多客户想做的第一件事是「用 AI 分析我们的业务数据」。但如果这些数据分散在五个系统里、字段口径不一致、同一张表里有两个不同的「客户数」定义，那再好的模型也分析不出东西。

这种情况下 AI 会把数据的混乱放大，而不是解决它——因为它会给出一个看起来合理的数字，而没人能验证这个数字对不对。

正确的顺序是先做数据治理：统一口径、打通系统、建立唯一数据源。这件事不性感，但绕不过去。我们自己接过的最痛苦的项目，就是接手一个跳过这步直接上 AI 的系统。

场景三：频率太低，不值得建设

有些任务是「一年做两次，每次两天」。比如年度报告的资料整理、大型活动的物料准备。

这类任务做自动化的投入产出比通常不成立：建设成本可能要两周，而它一年只能省下三天。更麻烦的是，低频流程做完之后没人记得怎么维护，第二年跑起来大概率是坏的。

更划算的做法是把这次的经验整理成一份可复用的清单或模板，下次照着做。这不需要任何技术投入，效果立竿见影。

一个通用的判断框架

把三个维度放一起看：

• 频率：每周至少几次？低于每周一次的要慎重。
• 错误代价：错了能不能撤销？不能撤销的必须保留人工确认。
• 输入质量：数据是否规范、来源是否可靠？数据乱的先治理。

三个维度都过关的场景，做下去大概率能成。任何一项明显不过关，就应该先解决那一项，而不是指望模型把它绕过。

说「不要做」的时候，我们通常会同时给出一个「可以做什么」的替代方案。这才是咨询该做的事——不是拒绝，是把钱花在对的地方。