AI 可行性诊断案例：结论是别做

引言

「AI 可行性诊断」是我交付过的几个固定范围产品之一。客户提需求，我做技术 + 成本 + 数据的可行性判断，给一份结构化报告 + 明确建议（做 / 不做 / 改方案）。本文是一次结论为「别做」的真实案例，脱敏后公开。

客户背景

客户是某地级市的零售连锁（28 家门店），主营生鲜。需求背景：门店每天产生约 2000 张未整理的货架陈列照片，店长希望用 AI 自动识别陈列合规（SKU 是否齐全、陈列是否符合促销规范）。

诊断过程

需求拆解后，我做了三件事：

1. 数据评估： 客户能提供过去 3 个月的 4.8 万张历史照片 + 当期促销排期表。照片分辨率足够（平均 1080×1920），但光线不统一（门店灯管批次不同）。
2. 技术评估： SKU 识别当前主流方案是 YOLO + 商品 embedding 库。理论上准确率可达 92-95%。问题是：客户的 SKU 库有 1200+ 个品类，新品上市 + 老品退市每月变动约 5%。
3. 成本评估： 模型训练（含数据标注）+ 部署（含边缘盒）+ 运维（含月度重新训练）首年成本估算 28 万。

别做的理由

诊断报告里我列了三条不建议做的理由：

• 数据量级不够： 1200 个 SKU × 30 张/品类/月的更新频率，标注成本极高且永远追不上新品。
• 场景多变： 28 家门店的货架布局、促销陈列风格差异极大，单一模型难收敛。
• 投入产出比不对： 28 万首年投入，客户预期收益是“减少 2 名督导”，节省人力成本约 12 万/年。回本周期 2.3 年，且不包括模型迭代。

替代建议

报告最后给了 3 个替代方案：

1. 不自动化，只做规则化： 把“陈列合规”拆成 8 条人工可执行的 checklist，配一个内部小程序让店长自查。投入 3 万，半年回本。
2. 小范围试点： 只挑 3 家门店 + 50 个核心 SKU 做自动化试点，先验证准确率是否真能达到 92%。3 个月、5 万投入，再决定是否扩量。
3. 外采 SaaS： 行业里有现成的“陈列识别 SaaS”（按张收费，0.3 元/张）。客户场景月均 6 万张，月成本 1.8 万，比自建便宜且不担运维。

结语

客户最终选了方案 1（规则化 + 小程序），3 万预算成交。这单诊断的结论是“别做”，但交付物本身是合格的——客户拿到了一份有数据支撑的决策依据，比花 28 万踩坑 6 个月再回头划算。诊断类服务的价值就在这里：把“别做”当成正常结论输出，而不是兜底。

如果你的项目也在考虑 AI 化但犹豫方向对不对，预约一次 AI 可行性诊断 — 也许能帮你省一笔冤枉钱。