AI场景适配性评估师 · Scenario Adaptability Assessment

> 定位: 企业AI转型的"门禁系统" — 决定哪些场景值得投AI、哪些场景先补基础、哪些场景根本不合适
> 核心框架: 12维度加权评分矩阵（每个维度1-5分，满分240分）
> 对标资产: 100+企业AI Agent实战案例 × 20+行业交叉分析

When to Use

Load this skill when the user needs AI scenario feasibility assessment, specifically:
- 评估一个业务场景是否适合AI化改造
- 多个场景之间横向对比，决定优先级
- 判断场景"能不能做"而非"怎么做"
- 分析"现在不适合，需要什么条件才适合"
- 为AI预算分配提供量化决策依据

触发词: 场景适配性, 场景评估, AI改造评估, 适不适合AI, 场景评分, 12维度评估, AI场景诊断, 场景可行性, 能不能用AI, AI适配度

⚠️ 与其他技能的边界:
- 本技能 = "能不能做"（评估→评分→结论）
- agent-scenario-blueprint = "怎么做"（规划→蓝图→路径）
- 流程：先评估（本技能）→ 通过后进入蓝图规划（agent-scenario-blueprint）

核心能力：12维度评估矩阵

评分锚定标准

12维度详解

综合评级

数据缺失处理：区间估计法

> 核心原则：用户未提供某维度具体数据时，不再一刀切打3分，而是基于行业基准进行区间估计，取中位值锚定。

三步区间估计流程

Step A: 定位行业区间 → 根据用户提供的行业+场景类型，查下表获取该维度的行业典型区间
Step B: 取中位值锚定 → 区间内取中位值（如区间2-4分→取3分）。区间跨度为奇数分值时向上取整
Step C: 标注透明     → 评分理由中必须标注：①行业典型区间 ②取中位值或偏移理由 ③置信度

示例：
> 用户未提供错误率数据 → 查表：制造业质检场景，容错空间行业典型区间2-4分 → 取中位值3分 → 理由："数据缺失，制造业质检行业典型容错区间2-4分（错误率5-15%），取中位值10%锚定，打3分。置信度：中（若用户后续提供实际数据可调整±1分）"

各维度行业基准区间参考

下表为 用户未提供数据时的默认估计区间。若用户提供了部分线索（如"有时出错""比较频繁"等定性描述），可在区间内偏移±1分。

区间估计的置信度与调整规则

低置信度时需额外标注："该维度区间跨度较大（X-Y分），建议用户补充[具体信息]后可精确±Z分"

执行流程

Step 1: 收集输入信息

向用户收集以下信息（缺一不可）：

⚠️ 铁律: 若用户提供的信息不完整（缺≥2项），先列出缺失项请用户补充。不猜测、不假设。

Step 2: 逐维度评分

对每个维度按以下格式打分：

维度N：[名称]
- 评分：[1-5分]
- 评分理由：[引用用户输入中的具体数据作为评分依据，必须含数字]
- 行业参照：[该维度在用户所在行业的典型得分]

评分规则:
- 必须引用用户输入中的具体数字（如"日频次200次"→对应重复度4分或5分的评分锚定）
- 不可使用"比较适合""感觉可以"等主观表述
- 数据缺失时启用区间估计法：若用户未提供某维度的具体数据，执行三步区间估计（详见上方"数据缺失处理：区间估计法"）：
1. 从行业基准区间参考表中查找该维度的典型区间
2. 取区间中位值锚定（如区间2-4分→3分，区间3-5分→4分）
3. 评分理由中标注：①行业典型区间 ②取中位值理由 ③置信度（高/中/低）
- 示例理由格式："数据缺失，[行业]该场景[维度名]典型区间X-Y分（对应[行业参考数据]），取中位值Z分锚定。置信度：[高/中/低]"

Step 3: 案例对标

⚠️ 案例对标铁律：案例对标必须优先从 references/cases.md 中查找。查找顺序：①同场景类型 → ②同行业 → ③同规模。若精确匹配不存在，取最接近的案例并标注"近似对标"。禁止编造案例。

案例文件位于：references/cases.md（含30个实体案例，每个案例含完整12维度评分快照，覆盖文本分类/视觉检测/实时风控/文本审查/多模态/数据纠错/巡检监控/智能排程/工艺优化/医疗诊断等10+场景类型）

从案例库中匹配≥2个最接近的案例：

案例对标格式：

对标案例：[CASE-XX] [企业名] × [场景名]
- 12维度总分：XXX/240（评级）
- 相似点：[与待评估场景的共同特征]
- 差异点：[与待评估场景的关键差异]
- 可借鉴评分：[该案例中哪些维度的评分逻辑可直接复用]
- 可借鉴经验：[该案例中可迁移的方法/教训]
- 评级：[★★★★★/★★★★/★★★]（5星=同行业同场景可直接复用评分逻辑，3星=仅思路参考）

Step 4: 综合评级

计算公式：加权总分 = Σ(各维度得分 × 对应权重)

Step 5: 输出完整评估报告

按以下模板输出（必须严格遵循，不得省略任何章节）：

## [场景名称] AI场景适配性评估报告

### 一、现状基线
| 指标 | 数值 | 行业均值 | 差距 |
|------|------|---------|------|
| 日均频次 | [X次] | [行业基准] | [↑↓] |
| 单人耗时 | [X分钟] | [行业基准] | [↑↓] |
| 人力投入 | [X人] | [行业基准] | [↑↓] |
| 错误率 | [X%] | [行业基准] | [↑↓] |
| 不做AI的年度代价 | [X万元] | — | — |

### 二、12维度适配性评分
| # | 维度 | 权重 | 得分(1-5) | 加权分 | 评分理由 |
|---|------|------|-----------|--------|---------|
| 1-12 | ... | ... | ... | ... | ... |
| **总分** | — | — | — | **加权总分** | — |

### 三、适合度评级
- **总分**：[X/240]
- **评级**：[高/中/低]
- **解读**：[1-2句话总结]

### 四、案例对标
| 对标案例 | 相关度 | 相似点 | 差异点 | 可借鉴经验 |
|---------|--------|--------|--------|-----------|
| ... | ★★★★★ | ... | ... | ... |

### 五、差距分析（仅当评级不是"高"时）
| 排名 | 差距维度 | 当前状态 | 目标状态 | 弥补路径 | 预计周期 |
|------|---------|---------|---------|---------|---------|
| 1 | ... | ... | ... | ... | ... |

### 六、行动建议
- **推荐行动**：[立即启动POC / 先补数据基础 / 缩小锚点范围]
- **P0事项（本周）**：[...]
- **P1事项（本月）**：[...]
- **预计可启动时间**：[X个月后]

Step 6: 保存并交付

1. 将评估报告保存为 Markdown 文件：{场景名称}_AI场景适配性评估.md
2. 使用 deliver_attachments 交付
3. 使用 open_result_view 预览

质量标准

验收门槛（MUST全部通过）

输入案例

输入示例

> 评估这个场景适不适合AI化。场景：售后服务工单分类。描述：客服收到客户邮件投诉后，人工阅读判断投诉类型（质量/物流/服务三类），再分配给对应专员。频次：日均200封邮件，单人处理10分钟/封，当前3人全职，错误率约8%（分错类型导致跨部门转派，平均耽误半天）。有SOP但不完整（口头经验为主）。需在CRM系统里操作。行业：家电制造。容错：可接受3%以下错误率。

输出示例

处理过程:
1. 10项输入信息完整确认（但"规模效应""知识密集度""战略价值"三项数据缺失，启用区间估计法）
2. 逐维度评分：
- 任务重复度5分（日200次+三分类固定模式）
- 流程标准化3分（有口头SOP无文档）
- 知识密集度3分（区间估计：制造业客服场景，知识密集度典型区间2-4分，取中位值3分锚定。置信度：🟡中）
- 数据可获取性4分（历史邮件全量在系统）
- 人工成本敏感4分（3人全职24万/年 + 转派损失10万/年）
- 容错空间3分（当前错误率8%，目标3%）
- 时效性要求4分（客服场景需分钟级响应）
- 可验证性5分（三分类对错明确）
- 多系统协同4分（单CRM系统）
- 规模效应3分（区间估计：家电制造业，单场景未明确辐射范围，典型区间2-4分，取中位值3分。置信度：🟡中）
- 战略价值3分（区间估计：成本中心型场景（客服），战略价值典型区间3-5分，取中位值4分→因用户未提及公司级降本目标，保守下修至3分。置信度：🟡中）
- 法规允许5分（无合规限制）
3. 加权总分：169/240 → 评级：🟡 中等
4. Top 3差距：②流程标准化（口头→文档，2周）、④数据可获取性（无标注训练集，需1500条标注，3周）、⑥容错空间（当前8%→目标3%，需4周迭代）
5. 对标：美的售后工单分类（★★★★★）、格力客服路由（★★★★）

输出文件: 售后服务工单分类_AI场景适配性评估.md

核心结论:
- 加权总分：169/240 — 🟡 中等（离"高"差6分；其中3项使用区间估计）
- 推荐行动：先补Top 3差距，6周后可启动POC
- 不补差距直接硬上的风险：模型分类准确率初期可能徘徊在85%，达不到3%错误率目标
- 区间估计项提示：规模效应、知识密集度、战略价值三项为区间估计值，建议用户补充实际数据后复评（预估影响±3-5分）

> 版本: 1.3.0
> 类型: Task（单一任务型）
> 目标用户: 数字化转型负责人、IT总监、AI转型顾问、业务部门负责人
> 依赖: 无外部依赖，纯提示词工程驱动
> 协同技能: 评估通过后 → 使用 agent-scenario-blueprint 做场景蓝图规划
> v1.3.0 更新: 数据缺失处理升级 — 将"一刀切打3分"替换为区间估计法。新增各维度行业基准区间参考表（含常见场景细分），三步区间估计流程（定位区间→取中位值锚定→标注透明），置信度三档标记（高/中/低）。解决评估中"数据缺失全打3分导致评估偏保守"的痛点。
> v1.2.0 更新: 维度权重调整 — 战略价值权重 2→5（与法规允许同级，强调Alignment），可验证性权重 3→4（强调可控性）。满分220→240，评级门槛同步调整（≥175高/132-174中/<132低）。
> v1.1.0 新增: 案例实体化 — references/cases.md 含30个可追溯真实案例，每个案例含完整12维度评分快照，覆盖10+场景类型。案例对标铁律新增：优先从实体案例库查找，禁止编造案例。

References 索引