2.13 需求定义

一句话总结：动手之前先问自己——AI 是不是解决这个问题的正确工具？

📊 学习进度
状态：⬜ 未开始
预计时长：2-3 小时
已完成：0/3 个模块
在整体流程中的位置：AI 应用开发·第 1 阶段

📍 本章定位
服务方案：方案 1（核心 80%）/ 方案 2（重要 60%）
学习方式：⭐ 必学
在流程中的作用：避免"为了用 AI 而用 AI"，确保投入产出比
核心知识点：需求分析、可行性评估、ROI 计算
预计时长：2-3 小时
完成后能做什么：能判断一个需求是否适合用 AI 解决

1. 传统模式：痛点与瓶颈

1.1 需求分析中的角色定位

在传统软件开发中，需求分析通常由产品经理主导，开发团队参与评审。这个流程存在三个结构性问题：

信息传递损耗：用户需求 → 产品经理理解 → PRD 文档 → 开发理解 → 代码实现，每一层传递都有 30%-50% 的信息损失（据 Standish Group 2024 CHAOS 报告，约 52% 的项目需求在传递过程中发生偏移）
周期过长：一个中等复杂度的需求从提出到上线，传统流程需要 4-8 周，其中需求分析阶段占 30%-40%
反馈滞后：用户在产品上线后才能验证需求是否被正确理解，纠错成本是需求阶段的 10-100 倍（据 IBM Systems Sciences Institute 研究）

1.2 沟通效率与协作成本

协作环节	平均耗时	信息损耗率	频率
需求评审会议	2-4 小时/次	20%-30%	每周 2-3 次
PRD 撰写与修改	1-3 天	15%-25%	每个需求 2-3 版
技术方案评审	1-2 小时/次	10%-20%	每个需求 1 次
设计稿对齐	1-2 天	20%-30%	每个需求 1-2 轮
测试用例评审	1-2 小时/次	10%-15%	每个需求 1 次

总计：一个中等需求的沟通成本约为 5-10 个人日，其中 40% 的时间花在"对齐理解"上。

1.3 量化痛点数据

指标	传统模式	OPC 模式	差距
需求分析周期	5-10 天	0.5-2 天	5-10x
需求文档产出	1-2 篇/周	5-10 篇/周	5x
需求变更响应	2-5 天	0.5-1 天	4-5x
需求理解偏差率	30%-50%	10%-20%	2-3x 改善
沟通会议次数	5-10 次/需求	1-2 次/需求	5x 减少

关键数据

据 McKinsey 2025 年 AI 采用调查，使用 AI 辅助需求分析的团队，需求准确率提升 40%，返工率降低 35%。但前提是——需求本身适合用 AI 处理。

2. OPC 模式：重新定义

2.1 核心理念

OPC 需求评估的核心原则：不是"能不能用 AI"，而是"该不该用 AI"。AI 是工具，不是目的。正确的决策顺序是：先定义问题 → 再评估可行性 → 最后计算 ROI。

2.2 人机分工矩阵

任务	人类角色	AI 角色	协作方式
市场机会判断	🧑 决策者	🤖 数据收集	人判断，AI 提供竞品分析
用户需求挖掘	🧑 引导者	🤖 访谈辅助	人设计问题，AI 分析回答
可行性评估	🧑 决策者	🤖 技术评估	人做最终判断，AI 评估技术路径
ROI 计算	🧑 财务决策	🤖 数据计算	人设定参数，AI 执行计算
需求文档撰写	🧑 审阅者	🤖 初稿生成	AI 写初稿，人审阅修改
优先级排序	🧑 决策者	🤖 数据支撑	人做取舍，AI 提供影响分析

2.3 效率对比（量化）

指标	传统模式	OPC 模式	提效倍数
需求分析周期	5-10 天	0.5-2 天	5-10x
需求文档产出	1-2 篇/周	5-10 篇/周	5x
竞品分析覆盖	3-5 个竞品	20-50 个竞品	5-10x
用户调研样本	10-30 人	100-500 人	10-20x
需求验证周期	2-4 周	3-7 天	3-5x

OPC 模式的核心优势

AI 处理的是"信息收集和整理"，人类负责"判断和决策"。这不意味着人类变轻松了，而是人类可以把精力集中在真正需要人类智慧的地方——商业判断和用户洞察。

3. 决策框架：AI 是不是正确工具？

3.1 决策流程图

3.1.1 快速决策清单（5 分钟判断）

在深入评估之前，用这个清单快速判断：

检查项	是	否
问题可以用规则解决吗？	❌ 不需要 AI	✅ 继续评估
有足够数据吗（100+ 条）？	✅ 继续评估	❌ 先收集数据
容错率高于 90% 吗？	✅ 适合 AI	⚠️ 需要人机协同
延迟要求低于 1 秒吗？	⚠️ 需要优化	✅ 可用大模型
月预算超过 ¥100 吗？	✅ 可行	⚠️ 考虑小模型

快速判断：如果 3 项以上为"是"，基本适合用 AI 解决。

3.2 评估维度详解

维度	评估问题	评分标准	权重
问题适配性	这个问题用规则能解决吗？	规则能解决=1分，需要 AI=5分	25%
数据可用性	有多少高质量训练/参考数据？	无数据=1分，大量标注数据=5分	20%
容错空间	错误结果的后果有多严重？	零容错=1分，高容错=5分	20%
延迟要求	用户能接受多长等待时间？	实时=1分，可等待=5分	15%
成本预算	每月愿意花多少？	<100元=1分，>10000元=5分	10%
维护复杂度	上线后谁来维护？	无人维护=1分，有专职团队=5分	10%

评分方法：每个维度 1-5 分，加权求和。总分 ≥ 3.5 分适合用 AI，2.5-3.5 分需谨慎评估，< 2.5 分不建议用 AI。

3.3 AI 适用 vs 不适用场景对比

场景特征	适合用 AI	不适合用 AI
输入	非结构化文本、图像、语音	结构化表格、固定格式
输出	文本生成、分类、摘要	精确数值计算、事务处理
容错	错误可接受、可人工修正	零错误要求（如金融交易）
数据	有大量历史数据可参考	数据稀缺或高度机密
延迟	可接受 1-30 秒等待	必须毫秒级响应
成本	每月 100-10000 元预算	预算极低或无预算
维护	有人定期检查和优化	无人维护、"一锤子买卖"
典型场景	内容生成、客服、数据分析	支付系统、医疗诊断、航空控制

常见错误

把 AI 用于"零容错"场景是最危险的错误。AI 模型的输出本质上是概率性的，永远存在错误可能。关键系统必须有人机协同兜底。

4. ROI 计算方法

4.1 ROI 计算公式

基础公式：

ROI = (收益 - 成本) / 成本 × 100%

AI 项目完整成本模型：

总成本 = 开发成本 + 运营成本 + 机会成本

开发成本 = 人力成本 + API/算力成本 + 数据成本
运营成本 = 月度 API 费 + 维护人力 + 监控成本
机会成本 = 团队投入时间 × 时薪

AI 项目收益模型：

总收益 = 直接收益 + 间接收益

直接收益 = 节省的人力成本 + 增加的产出量 × 单价
间接收益 = 效率提升 × 业务价值 + 竞争优势估值

4.2 ROI 计算流程图

4.3 需求优先级排序方法

RICE 评分法

RICE 是一种量化需求优先级的方法，特别适合 AI 项目：

维度	说明	评分标准
Reach（覆盖面）	影响多少用户	1-10 分
Impact（影响力）	对用户的价值	0.25/0.5/1/2/3
Confidence（确信度）	对方案的信心	50%/80%/100%
Effort（工作量）	需要多少时间	人/周数

RICE 分数 = (Reach × Impact × Confidence) / Effort

python

"""
RICE 优先级计算器 - AI 需求优先级排序
"""
from dataclasses import dataclass
from typing import List

@dataclass
class Requirement:
    name: str
    reach: int          # 影响用户数
    impact: float       # 影响力 (0.25-3)
    confidence: float   # 确信度 (0.5-1.0)
    effort: float       # 工作量（人/周）

def calculate_rice(req: Requirement) -> float:
    """计算 RICE 分数"""
    return (req.reach * req.impact * req.confidence) / req.effort

def prioritize_requirements(requirements: List[Requirement]) -> List[dict]:
    """需求优先级排序"""
    results = []
    for req in requirements:
        score = calculate_rice(req)
        results.append({
            "name": req.name,
            "score": score,
            "reach": req.reach,
            "impact": req.impact,
            "confidence": req.confidence,
            "effort": req.effort,
        })
    
    # 按分数降序排序
    results.sort(key=lambda x: x["score"], reverse=True)
    return results

# 使用示例
requirements = [
    Requirement("AI 客服机器人", reach=1000, impact=2, confidence=0.8, effort=2),
    Requirement("AI 内容生成", reach=500, impact=1, confidence=0.9, effort=1),
    Requirement("AI 数据分析", reach=200, impact=3, confidence=0.6, effort=4),
    Requirement("AI 推荐系统", reach=800, impact=1.5, confidence=0.7, effort=3),
]

results = prioritize_requirements(requirements)

print("=== RICE 优先级排序 ===")
for i, r in enumerate(results, 1):
    print(f"{i}. {r['name']}")
    print(f"   RICE 分数: {r['score']:.1f}")
    print(f"   覆盖: {r['reach']} | 影响: {r['impact']} | 确信: {r['confidence']:.0%} | 工作量: {r['effort']} 周")

输出示例：

=== RICE 优先级排序 ===
1. AI 客服机器人
   RICE 分数: 800.0
   覆盖: 1000 | 影响: 2 | 确信: 80% | 工作量: 2 周
2. AI 内容生成
   RICE 分数: 450.0
   覆盖: 500 | 影响: 1 | 确信: 90% | 工作量: 1 周
3. AI 推荐系统
   RICE 分数: 280.0
   覆盖: 800 | 影响: 1.5 | 确信: 70% | 工作量: 3 周
4. AI 数据分析
   RICE 分数: 90.0
   覆盖: 200 | 影响: 3 | 确信: 60% | 工作量: 4 周

4.3 Python ROI 计算代码

python

"""
AI 项目 ROI 计算器
用法：修改参数后运行，自动输出 ROI 分析报告
"""

def calculate_ai_roi(
    # === 开发成本 ===
    dev_hours: float,           # 开发工时（小时）
    hourly_rate: float,         # 时薪（元/小时）
    api_setup_cost: float,      # API 接入成本（元）
    data_cost: float,           # 数据获取成本（元）
    
    # === 月度运营成本 ===
    monthly_api_cost: float,    # 月度 API 费用（元）
    monthly_maintenance_hours: float,  # 月度维护工时（小时）
    
    # === 收益 ===
    hours_saved_per_month: float,   # 每月节省工时（小时）
    output_increase_per_month: float,  # 每月增加产出量
    unit_value: float,               # 单位产出价值（元）
    
    # === 参数 ===
    project_months: int = 12,   # 评估周期（月）
) -> dict:
    """计算 AI 项目的 ROI"""
    
    # 开发成本
    dev_cost = dev_hours * hourly_rate + api_setup_cost + data_cost
    
    # 月度运营成本
    monthly_ops = monthly_api_cost + monthly_maintenance_hours * hourly_rate
    
    # 总成本
    total_cost = dev_cost + monthly_ops * project_months
    
    # 月度收益
    monthly_savings = hours_saved_per_month * hourly_rate
    monthly_output_value = output_increase_per_month * unit_value
    monthly_revenue = monthly_savings + monthly_output_value
    
    # 总收益
    total_revenue = monthly_revenue * project_months
    
    # ROI
    roi = (total_revenue - total_cost) / total_cost * 100
    
    # 回本周期（月）
    if monthly_revenue > monthly_ops:
        payback_months = dev_cost / (monthly_revenue - monthly_ops)
    else:
        payback_months = float('inf')
    
    return {
        "总成本": f"¥{total_cost:,.0f}",
        "总收益": f"¥{total_revenue:,.0f}",
        "ROI": f"{roi:.1f}%",
        "回本周期": f"{payback_months:.1f} 个月",
        "月度净利润": f"¥{monthly_revenue - monthly_ops:,.0f}",
        "推荐等级": (
            "强烈推荐" if roi > 100 else
            "推荐" if roi > 50 else
            "谨慎考虑" if roi > 0 else
            "不推荐"
        ),
    }


# === 示例：AI 客服机器人 ===
if __name__ == "__main__":
    result = calculate_ai_roi(
        dev_hours=80,              # 开发 80 小时
        hourly_rate=200,           # 时薪 200 元
        api_setup_cost=500,        # API 接入 500 元
        data_cost=2000,            # 数据准备 2000 元
        monthly_api_cost=300,      # 月 API 费 300 元
        monthly_maintenance_hours=4,  # 月维护 4 小时
        hours_saved_per_month=40,  # 月节省 40 小时
        output_increase_per_month=0,  # 无额外产出
        unit_value=0,              # 无额外产出
        project_months=12,
    )
    
    print("=== AI 客服机器人 ROI 分析 ===")
    for key, value in result.items():
        print(f"  {key}: {value}")

输出示例：

=== AI 客服机器人 ROI 分析 ===
  总成本: ¥26,900
  总收益: ¥96,000
  ROI: 256.9%
  回本周期: 3.1 个月
  月度净利润: ¥5,750
  推荐等级: 强烈推荐

5. 可行性评估清单

5.1 技术可行性

检查项	状态	说明
是否有现成的 API 可用？	⬜	OpenAI / Claude / 开源模型
输入数据格式是否明确？	⬜	文本 / 图像 / 结构化数据
输出格式是否可定义？	⬜	JSON / 文本 / 分类标签
延迟要求是否可满足？	⬜	实时 / 准实时 / 批处理
是否有安全合规要求？	⬜	数据隐私 / 内容审核
是否需要微调模型？	⬜	Prompt 工程 vs 微调
错误处理方案是否明确？	⬜	重试 / 降级 / 人工兜底

5.2 商业可行性

检查项	状态	说明
目标用户是否明确？	⬜	谁会用？付费意愿如何？
竞品是否已存在？	⬜	差异化优势是什么？
ROI 是否为正？	⬜	回本周期 < 12 个月
是否有护城河？	⬜	数据 / 技术 / 品牌 / 网络效应
是否有规模化可能？	⬜	边际成本是否递减？

5.3 运营可行性

检查项	状态	说明
谁来负责日常维护？	⬜	明确责任人
监控告警方案是否就绪？	⬜	延迟 / 错误率 / 成本
数据更新机制是否明确？	⬜	定期更新 / 实时更新
用户反馈渠道是否建立？	⬜	收集问题和改进建议
降级方案是否就绪？	⬜	AI 不可用时怎么办？

6. 需求文档模板

6.1 接口文档风格的需求定义

markdown

# 需求文档：[项目名称]

## 基本信息
- **需求 ID**：REQ-2026-001
- **优先级**：P0 / P1 / P2
- **负责人**：[姓名]
- **创建日期**：2026-06-15
- **状态**：草稿 / 评审中 / 已确认

## 问题定义
### 输入
- 用户提供什么？（文本 / 图片 / 数据）
- 输入的格式和约束？

### 期望输出
- 期望得到什么结果？
- 输出的格式和约束？

### 评估维度
| 维度 | 要求 | 优先级 |
|------|------|--------|
| 准确率 | ≥ 90% | P0 |
| 延迟 | < 3 秒 | P1 |
| 成本 | < ¥0.1/次 | P2 |

## 可行性评估
### 技术方案
- 方案 A：[描述] — 成本 ¥X，周期 X 天
- 方案 B：[描述] — 成本 ¥X，周期 X 天

### ROI 预估
- 开发成本：¥X
- 月度运营：¥X
- 预期收益：¥X/月
- 回本周期：X 个月

## 验收标准
- [ ] 准确率 ≥ 90%（测试集 100 条）
- [ ] 延迟 P95 < 3 秒
- [ ] 月度成本 < ¥X
- [ ] 错误率 < 5%

7. 实操案例

7.1 案例 1：AI 客服机器人

场景：一个 SaaS 产品的客服团队每天处理 200+ 工单，其中 60% 是重复性问题。

需求评估过程：

步骤	人类做了什么	AI 做了什么
问题定义	统计工单类型分布	分析历史工单数据，输出分类报告
可行性评估	判断是否适合 AI	用 50 条工单测试 GPT-4，准确率 85%
ROI 计算	设定参数和阈值	计算成本和收益
决策	批准启动	—

Prompt 示例：

你是一个 SaaS 产品的客服 AI。根据以下 FAQ 回答用户问题。
如果 FAQ 中没有答案，回复"我需要转接人工客服"。

FAQ：
{faq_content}

用户问题：{user_question}

前后对比：

指标	之前	之后	变化
人工处理工单	200 条/天	80 条/天	-60%
平均响应时间	4 小时	30 秒	-99.8%
客户满意度	72%	85%	+13%
月度客服成本	¥15,000	¥6,000	-60%
AI 月度成本	¥0	¥300	+¥300

ROI 计算：

开发成本：80 小时 × ¥200 = ¥16,000
月度净节省：¥9,000 - ¥300 = ¥8,700
回本周期：16,000 / 8,700 ≈ 1.8 个月
12 个月 ROI：(104,400 - 16,000) / 16,000 × 100% = 552.5%

7.2 案例 2：AI 内容生成工具

场景：一个自媒体团队需要每天产出 10 篇 SEO 文章，目前 3 个编辑全负荷工作。

需求评估过程：

步骤	人类做了什么	AI 做了什么
问题定义	明确内容标准和风格	分析竞品内容结构
可行性评估	测试 AI 生成质量	生成 10 篇样稿，人工评分
成本分析	对比人工 vs AI 成本	计算 API 调用费用
决策	采用"AI 初稿 + 人工精修"模式	—

前后对比：

指标	之前	之后	变化
日产出量	10 篇	25 篇	+150%
单篇成本	¥500	¥150	-70%
编辑人数	3 人	1 人	-67%
内容质量评分	8.2/10	7.8/10	-5%
月度总成本	¥45,000	¥15,000	-67%

7.3 案例 3：AI 数据分析报告（不推荐的案例）

场景：一个创业者想用 AI 自动分析股票行情并生成投资建议。

需求评估过程：

步骤	评估结果	结论
问题定义	需要预测股价走势	高度不确定
数据可用性	历史行情数据充足	✅
容错率	投资亏损风险	❌ 零容错
合规性	涉及金融建议	❌ 需要牌照
ROI	无法保证正收益	❌

结论：不适合用 AI 独立完成。可以用于"辅助分析"（数据整理、图表生成），但投资决策必须由人类做出。

案例启示

不是所有问题都适合用 AI 解决。这个案例的核心问题不是技术，而是容错率和合规性。在金融、医疗等高风险领域，AI 只能做辅助，不能做决策。

8. OPC 场景下的需求评估 SOP

8.1 用户调研方法

方法 1：AI 辅助用户访谈

python

"""
AI 辅助用户访谈分析 - 自动提取痛点和需求
"""
import anthropic
from typing import List, Dict

client = anthropic.Anthropic()

def analyze_interview(transcript: str) -> Dict:
    """分析用户访谈记录"""
    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=2048,
        messages=[{
            "role": "user",
            "content": f"""
请分析以下用户访谈记录，提取关键信息：

访谈记录：
{transcript}

请返回 JSON 格式：
{{
  "pain_points": ["痛点1", "痛点2", ...],
  "needs": ["需求1", "需求2", ...],
  "priorities": {{"需求": "优先级(P0/P1/P2)"}},
  "quotes": ["关键原话1", "关键原话2", ...],
  "sentiment": "positive/negative/mixed"
}}
"""
        }],
    )
    
    import json
    return json.loads(response.content[0].text)

# 使用示例
transcript = """
用户A：我们每天要处理200多个客服工单，其中60%都是重复问题，
比如"怎么退货"、"物流到哪了"。人工客服每天忙得不行，但其实
这些问题都有标准答案。最头疼的是晚上没人值班，用户等半天才
能收到回复。
"""

result = analyze_interview(transcript)
print(f"痛点: {result['pain_points']}")
print(f"需求: {result['needs']}")
print(f"优先级: {result['priorities']}")

方法 2：竞品分析自动化

python

"""
竞品分析自动化 - AI 辅助收集和分析竞品信息
"""
import anthropic
from typing import List, Dict

client = anthropic.Anthropic()

def analyze_competitors(competitors: List[str], focus_area: str) -> Dict:
    """分析竞品"""
    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=2048,
        messages=[{
            "role": "user",
            "content": f"""
请分析以下竞品在{focus_area}领域的特点：

竞品列表：{', '.join(competitors)}

请返回 JSON 格式：
{{
  "competitors": {{
    "竞品名": {{
      "strengths": ["优势1", "优势2"],
      "weaknesses": ["劣势1", "劣势2"],
      "pricing": "价格",
      "target_users": "目标用户"
    }}
  }},
  "market_gaps": ["市场空白1", "市场空白2"],
  "differentiation_opportunities": ["差异化机会1", "差异化机会2"]
}}
"""
        }],
    )
    
    import json
    return json.loads(response.content[0].text)

# 使用示例
result = analyze_competitors(
    competitors=["Intercom", "Zendesk", "Freshdesk"],
    focus_area="AI 客服"
)

print("=== 竞品分析报告 ===")
for name, info in result["competitors"].items():
    print(f"\n{name}:")
    print(f"  优势: {', '.join(info['strengths'])}")
    print(f"  劣势: {', '.join(info['weaknesses'])}")

print(f"\n市场空白: {', '.join(result['market_gaps'])}")
print(f"差异化机会: {', '.join(result['differentiation_opportunities'])}")

8.2 每日 SOP

09:00 - 09:30  检查昨日 AI 系统运行数据（错误率、延迟、成本）
09:30 - 10:00  处理用户反馈和问题工单
10:00 - 12:00  评估新需求（使用本章决策框架）
14:00 - 16:00  优化现有 AI 系统（Prompt 调优、数据更新）
16:00 - 17:00  记录当日决策和学习

8.3 每周 SOP

周一  回顾上周 ROI 数据，调整策略
周二  竞品分析（AI 辅助收集，人工判断）
周三  用户调研（AI 分析反馈，人工设计改进）
周四  技术评估（测试新模型/新 API）
周五  总结和下周计划

8.3 需求评估标准流程

9. 常见误区与解决方案

误区	正确做法	解决方案
"AI 很强大，什么都能做"	先验证规则引擎能不能解决	用决策树逐项排查
"先做了再说"	先算 ROI，再动手	用 Python ROI 计算器
"用最贵的模型"	先用小模型验证，再升级	GPT-4o-mini → GPT-4o → Claude Opus
"数据越多越好"	数据质量 > 数据数量	清洗、去重、标注
"上线就完了"	上线只是开始，监控迭代才是关键	建立监控告警体系
"AI 可以替代人"	AI 是工具，人是决策者	设计人机协同流程
"不需要测试"	AI 输出也需要测试	建立评估数据集
"一次搞定"	AI 系统需要持续优化	迭代周期 1-2 周
"不需要文档"	需求文档是协作基础	使用本文档模板
"成本会越来越低"	模型越大成本越高	选择合适的模型大小

误区详解：需求变更管理

误区："需求定了就不能改"

正确做法：AI 项目的需求变更是常态，关键是有管理流程。

python

"""
需求变更追踪器 - 记录每次变更的原因和影响
"""
from dataclasses import dataclass, field
from datetime import datetime
from typing import List, Dict

@dataclass
class RequirementChange:
    change_id: str
    requirement_id: str
    description: str
    reason: str
    impact: str           # "low" / "medium" / "high"
    roi_before: float     # 变更前 ROI
    roi_after: float      # 变更后 ROI
    timestamp: datetime = field(default_factory=datetime.now)
    approved: bool = False

class ChangeTracker:
    """需求变更追踪器"""
    
    def __init__(self):
        self.changes: List[RequirementChange] = []
    
    def submit_change(self, change: RequirementChange) -> Dict:
        """提交变更申请"""
        # 自动评估影响
        roi_delta = change.roi_after - change.roi_before
        
        recommendation = "批准" if roi_delta > 0 else "拒绝"
        if change.impact == "high" and roi_delta < 10:
            recommendation = "需要评审"
        
        result = {
            "change_id": change.change_id,
            "roi_delta": f"{roi_delta:+.1f}%",
            "recommendation": recommendation,
            "impact": change.impact,
        }
        
        self.changes.append(change)
        return result

# 使用示例
tracker = ChangeTracker()
result = tracker.submit_change(RequirementChange(
    change_id="CHG-001",
    requirement_id="REQ-001",
    description="增加多语言支持",
    reason="海外用户需求增长",
    impact="medium",
    roi_before=150.0,
    roi_after=200.0,
))
print(f"建议: {result['recommendation']}, ROI 变化: {result['roi_delta']}")

变更决策原则：

ROI 提升 > 10%：直接批准
ROI 提升 0-10%：评估工作量后决定
ROI 下降：拒绝或寻找替代方案

10. 趋势预判（未来 1-3 年）

10.1 技术演进方向

据 Gartner 2025 年 AI 技术成熟度曲线，AI Agent 和 Agentic AI 正处于"期望膨胀期"向"稳步爬升期"过渡。未来 1-3 年的关键变化：

模型成本持续下降：据 Anthropic 和 OpenAI 的定价趋势，同等能力模型的 API 成本每年下降 50%-70%
Agent 框架成熟：LangChain、CrewAI、AutoGen 等框架将从"实验性"走向"生产级"
多模态成为标配：文本、图像、语音、视频的融合理解能力将成为基础能力
本地部署门槛降低：Llama、Qwen 等开源模型让本地部署从"高配"变成"标配"

10.2 角色变化趋势

角色	2025 现状	2027 预测	变化方向
产品经理	定义需求	定义 AI 需求 + 评估 AI 输出	需要懂 AI 能力边界
开发者	写代码	设计架构 + 编排 AI	从实现者变为编排者
运营	手动执行	设计自动化流程	从执行者变为设计者
创业者	全栈开发	AI 全栈 + 人类决策	一人公司成为常态

10.3 需要提前准备的能力

Prompt Engineering：不是写提示词，而是理解 AI 的能力边界
系统设计思维：从"写代码"到"设计系统"的思维转变
数据思维：理解数据质量对 AI 效果的影响
商业判断力：AI 无法替代的能力——判断什么值得做
持续学习能力：AI 技术每 6 个月更新一代，停止学习 = 淘汰

11. 核心洞察

核心观点

AI 需求评估的本质不是技术问题，而是商业决策问题。正确的顺序是：先问"该不该做"，再问"怎么做"，最后问"用什么工具"。ROI 为正的 AI 项目，哪怕用最简单的方案也能成功；ROI 为负的项目，哪怕用最强大的模型也会失败。

OPC 创业者的特殊提醒

作为一人公司，你的时间是最稀缺的资源。每投入 1 小时在 AI 开发上，就少了 1 小时在获客、产品、运营上。所以 ROI 计算必须把"机会成本"算进去——不是"AI 能不能做"，而是"我做 AI 还是做别的，哪个回报更高"。

12. 下一步

完成需求评估后，进入阶段 2：数据工程

13. 参考与延伸

[1] Anthropic. "Building Effective Agents"（2024-12）— Agent 设计最佳实践，定义了人机协同的核心原则

[2] OpenAI. "Practices for Governing Agentic AI Systems"（2024-12）— Agent 治理实践，包含风险评估框架

[3] McKinsey. "The State of AI in 2025"（2025）— AI 采用率和 ROI 数据，82% 早期采用者报告正 ROI

[4] Standish Group. "CHAOS Report 2024"（2024）— 软件项目成功率数据，52% 需求在传递中偏移

[5] Gartner. "AI Technology Hype Cycle 2025"（2025）— AI 技术成熟度曲线，Agent 技术处于期望膨胀期

[6] IDC. "Worldwide AI Spending Guide"（2025）— 全球 AI 支出预测，2026 年预计达 3000 亿美元

[7] MarketsandMarkets. "AI Agents Market"（2025）— AI Agent 市场规模，2025 年约 100 亿美元，CAGR 40%+

[8] Harvard Business Review. "How to Calculate ROI on AI Projects"（2024）— AI 项目 ROI 计算方法论，包含隐性成本分析

[9] a16z. "Who Owns the AI-Native Application Layer?"（2025）— AI 原生应用市场分析，一人公司趋势数据

2.13 需求定义 ​

1. 传统模式：痛点与瓶颈 ​

1.1 需求分析中的角色定位 ​

1.2 沟通效率与协作成本 ​

1.3 量化痛点数据 ​

2. OPC 模式：重新定义 ​

2.1 核心理念 ​

2.2 人机分工矩阵 ​

2.3 效率对比（量化） ​

3. 决策框架：AI 是不是正确工具？ ​

3.1 决策流程图 ​

3.1.1 快速决策清单（5 分钟判断） ​

3.2 评估维度详解 ​

3.3 AI 适用 vs 不适用场景对比 ​

4. ROI 计算方法 ​

4.1 ROI 计算公式 ​

4.2 ROI 计算流程图 ​

4.3 需求优先级排序方法 ​

RICE 评分法 ​

4.3 Python ROI 计算代码 ​

5. 可行性评估清单 ​

5.1 技术可行性 ​

5.2 商业可行性 ​

5.3 运营可行性 ​

6. 需求文档模板 ​

6.1 接口文档风格的需求定义 ​

7. 实操案例 ​

7.1 案例 1：AI 客服机器人 ​

7.2 案例 2：AI 内容生成工具 ​

7.3 案例 3：AI 数据分析报告（不推荐的案例） ​

8. OPC 场景下的需求评估 SOP ​

8.1 用户调研方法 ​

方法 1：AI 辅助用户访谈 ​

方法 2：竞品分析自动化 ​

8.2 每日 SOP ​

8.3 每周 SOP ​

8.3 需求评估标准流程 ​

9. 常见误区与解决方案 ​

误区详解：需求变更管理 ​

10. 趋势预判（未来 1-3 年） ​

10.1 技术演进方向 ​

10.2 角色变化趋势 ​

10.3 需要提前准备的能力 ​

11. 核心洞察 ​

12. 下一步 ​

13. 参考与延伸 ​

2.13 需求定义

1. 传统模式：痛点与瓶颈

1.1 需求分析中的角色定位

1.2 沟通效率与协作成本

1.3 量化痛点数据

2. OPC 模式：重新定义

2.1 核心理念

2.2 人机分工矩阵

2.3 效率对比（量化）

3. 决策框架：AI 是不是正确工具？

3.1 决策流程图

3.1.1 快速决策清单（5 分钟判断）

3.2 评估维度详解

3.3 AI 适用 vs 不适用场景对比

4. ROI 计算方法

4.1 ROI 计算公式

4.2 ROI 计算流程图

4.3 需求优先级排序方法

RICE 评分法

4.3 Python ROI 计算代码

5. 可行性评估清单

5.1 技术可行性

5.2 商业可行性

5.3 运营可行性

6. 需求文档模板

6.1 接口文档风格的需求定义

7. 实操案例

7.1 案例 1：AI 客服机器人

7.2 案例 2：AI 内容生成工具

7.3 案例 3：AI 数据分析报告（不推荐的案例）

8. OPC 场景下的需求评估 SOP

8.1 用户调研方法

方法 1：AI 辅助用户访谈

方法 2：竞品分析自动化

8.2 每日 SOP

8.3 每周 SOP

8.3 需求评估标准流程

9. 常见误区与解决方案

误区详解：需求变更管理

10. 趋势预判（未来 1-3 年）

10.1 技术演进方向

10.2 角色变化趋势

10.3 需要提前准备的能力

11. 核心洞察

12. 下一步

13. 参考与延伸