
Method note
为什么做这份清单
AI 功能最容易被“看起来有效”的演示带着走。真正进入工作之后,它还要面对变化的数据、无法避免的错误、需要承担责任的人,以及出错时仍然能继续运行的流程。
这份清单把评审从“模型准不准”扩展到一个完整工作系统:问题是否值得解决,数据能否持续获得,AI 与人各自做什么,错误如何暴露和接管,最终又由什么证据确认价值。
怎么使用
建议在立项、原型评审、试点复盘与上线验收时各走一遍。勾选不代表口头同意,而代表团队能够给出可复查的文档、样本、指标、负责人或演练记录。
不要追求第一次就全部通过。先暴露缺口,再决定补齐、降级、缩小范围,或停止一个不值得继续投入的功能。
RUNNABLE LAB · V1
开始检查
每次勾选都应对应一份证据,而不是一句“应该没问题”。你的进度只保存在当前浏览器。
0/18项已完成
0% 完成正在读取本地进度
问题与价值
先证明问题值得解决,再讨论是否需要 AI。
数据与边界
确认输入能持续获得,也说清系统不能做什么。
人机协作
把确认、行动和责任放进同一条工作链。
失败与回退
系统出错时,仍然要能被发现、解释和接管。
验收与复用
用上线后的证据做结论,并让一次交付留下资产。