判断AI有没有用，起点不是选工具，而是先认清这项工作到底在交付什么。以数据分析为例：SQL、看板、模型都不是产品，产品是更好的决策——做A还是做B，资源投向哪里，项目该扩大还是停止，两者之间的价值增量就是这项工作的价值上限。放到企业场景里，可以先问：这个流程最终要改变谁的哪个决定或哪次行动？如果AI让一份分析快了十倍，组织依然不知道下一步做什么，那只是更快地生产了中间品；如果原来的分析本身混乱或无价值，AI只会放大混乱，不会自动生成价值⁠1。所以值得AI化的场景，是那些能清楚说出“结果变好在哪”的场景。

收益不只看省了多少人工，还要看客户真正得到的价值有没有变大。性价比至少有两个方向：降价，或者让客户得到更多结果；后者空间往往更大，而AI会迅速普及前一种降本能力，长期优势更依赖后一种⁠2。客服场景也说明另一面：很多流程过去不是没价值，而是人工成本太高、ROI不成立，AI把token成本压下来后，这类长尾流程重新变得可做，比如催收几百美元的小额欠款⁠3。判断时可以把两笔账分开算：这笔流程原本因为成本被放弃、现在变得可做；以及它让客户或业务结果改善了多少。前者容易量化，后者才决定值不值得长期投入。

一个场景值得AI化，还取决于它里面有多少“规则不够用”的部分。一种做法是先分清三类事：确定性的用程序，模糊、需要看上下文和历史案例的交给AI，最终判断留给人⁠4。如果一件事完全能用if/else写清楚，用AI反而是浪费；如果它需要理解“这条数据为什么怪”，AI的价值才出来。同一篇里也提醒，AI不该假装能做最终裁判，它的任务是减少人要看的东西，把最值得人看的排在前面⁠4。所以评估场景时可以问：这里面有多少判断是规则覆盖不了的？人现在花在低价值筛查上的时间有多少？这两点决定了AI能腾出多少真正需要判断力的空间。