哪些问题不应该使用 AI

先说结论

FDE 的一项核心能力是判断"该不该用 AI"。能用规则写清楚的，用程序；责任重大的，用人；数据没治好的，先治数据。 硬上 AI，只会制造更贵、更不稳定的新问题。

企业工作示例

某公司想让 AI “自动审批付款”。分析后发现：付款审批规则可以明确写成金额、供应商白名单和预算科目等条件。与概率性模型相比，经过充分测试的确定性程序通常更稳定、更容易审计、单次运行成本也更低。真正适合 AI 的只是其中一小步：把发票图片上的信息提取成结构化数据。最后方案是：AI 做信息提取，程序做审批判断，人处理异常。

五类不该（或不该直接）用 AI 的问题

1. 规则完全固定的计算和判断

税率计算、日期推算、固定规则审批通常更适合确定性程序。它仍可能受到代码缺陷、配置错误、数据质量和维护成本影响，但比让大模型直接执行固定规则更容易测试、复现和审计。

2. 错一次就出大事的决策

放款、停药、解雇、对外法律承诺等场景应先核对适用法律和组织政策。AI 可以辅助整理材料；常见控制包括人工决定或复核、双人审批、理由记录、申诉渠道和完整审计，但具体要求不能用一句“必须由人决定”替代法律评估。

3. 数据基础一塌糊涂的场景

数据不存在、互相矛盾、口径混乱时，AI 只会放大混乱。先花精力把数据治理好，再谈 AI。

4. 涉及高度敏感信息又无法控制数据流向的场景

核心商业机密、未公开的财务数据、大量个人信息。如果不能使用私有化部署或有保障的企业级服务，宁可不做。

5. 只发生一次、人工做更快的事

一年做一次、人工 10 分钟就能做完的事，搭 AI 工具的时间都收不回来。

判断流程

1. 这个问题的规则能完全写清楚吗？→ 能：用传统程序
2. 出错的代价能承受吗？→ 不能：人做最终决定，AI 只辅助
3. 数据拿得到、质量够吗？→ 不够：先治数据
4. 频率和耗时值得自动化吗？→ 不值得：保持人工
5. 以上都通过 → 可以进入 选择场景 的评估

常见错误

• 为了用 AI 而用 AI：把 AI 当目标而不是工具。
• 忽视混合方案：大多数好方案是"AI 做一部分、程序做一部分、人做一部分"。
• 低估数据治理的工作量：以为买个 AI 就能解决数据混乱。

检查清单

• 排除了规则完全固定、适合传统程序的部分
• 高风险决策保留了人工最终决定
• 数据基础评估过，不足的有治理计划
• 敏感数据的流向可控
• 方案是 AI、程序和人工的合理分工

下一步

回到八步法：第二步：选择场景，或去 场景库 看适合 AI 的典型场景。