AI产品价值三阶评估法

这是什么

AI 产品价值三阶评估法，是一台在你掏钱、投人、立项之前，先帮你判断"这事到底该不该做"的筛选机器。注意，它问的不是"有没有用"——几乎任何想法都能说出点用处来，这个问题太容易蒙混过关。它问的是三个更狠、更本质的问题：这是不是真价值？能不能放大？能不能长期存在？

它把这三问拆成三个递进的台阶，配上 13 项具体指标逐个打分（总分 65）。第一阶"价值成立度"判断"这是不是真价值"（满分 20）；第二阶"价值放大度"判断"能不能越用越值钱"（满分 25）；第三阶"价值持续度"判断"能不能长期有效"（满分 20）。三阶层层设卡，任何一阶不过关，都该停下。它背后那句信念格外清醒：大多数产品失败不是因为"做得不好"，而是因为"压根不该做"。

来历与出处

这是邱懿武的原创方法，在 InnoLab 体系里编号 DC06，对应一个"AI 产品价值评估"的专家角色。它诞生于一个 AI 时代特别尖锐的痛点：当下让 AI"觉得不错"的需求遍地都是，做一个 demo 出来轻而易举，于是无数团队一头扎进"看起来很美"的方向，烧光资源才发现根本立不住。

这套方法要破的，正是"有用即合理"这种廉价乐观。它的核心主张是：用是否值得做来筛掉伪需求，而不是用是否有用来给自己找理由。 三个维度之间有明确的依赖关系——成立度是基础，放大度是杠杆，持续度是保障。地基不稳，再大的杠杆和保障都没意义。所以它把评估设计成一道层层递进、可以中途叫停的关卡，而不是一张事后凑数的好评表。

解决什么真实问题

最典型的场景：你有一个 AI 产品的想法，或者手里攥着几个候选方向，兴奋又拿不准——这玩意儿到底值不值得砸真金白银？这套方法让你在投入前先做一次"价值尽调"，把模糊的兴奋变成 13 项有依据的判断。

它专治几种烧钱的常见死法。一种是伪需求：用户只是"觉得不错"，但根本不会因此改变行为，更不会离不开它——这种需求做出来无人真正使用。一种是做不大：东西是好的，但用户翻倍、成本就翻倍，核心判断强依赖某个专家、换不了人，永远长不成规模。还有一种是活不久：完全靠某一波技术红利或政策窗口，环境一变立刻失效，只够短期套利。

它还有个高阶用法：复盘。项目失败之后，用三阶评估回头看——当初到底是哪一阶判断失误了？是把伪需求当真了，还是高估了放大能力，又或是忽略了持续性？

核心思想

理解这套方法，关键是抓住"三个台阶层层设卡"的结构。它不是把 13 项分数加起来求个总分了事，而是一道有先后、能中断的闯关。

第一阶，价值成立度——这是不是真价值？ 它问四件事：问题是不是来自真实场景、不解决会不会造成真实损失（问题真实性）；用户会不会真的因此改变行为，还是只停在"觉得不错"（行为改变度）；一旦用上是不是就不愿回头、形成了依赖（替代不可逆性）；是不是已经有一个最小的、能跑通的价值闭环，而不是"等全部做完才有价值"（最低价值闭环）。这一阶设了最严的关卡——红灯规则：成立度低于 12 分，直接判定为伪需求。 哪怕后两阶分数再高，伪需求也不值得做。地基塌了，盖楼是白费。

第二阶，价值放大度——能不能越用越值钱？ 它问五件事：用户翻倍时成本是线性涨还是规模越大越便宜（边际成本曲线）；核心判断能不能被系统或模型复用，还是死死绑在个别专家身上（判断可复制性）；模块流程能不能跨场景复用，还是一次性工程（结构复用率）；是不是减少了中间人、引发组织结构变化（组织替代效应）；数据、流程、反馈有没有形成正循环，让后来者难以复制（系统护城河）。这一阶的关卡是黄灯规则：放大度低于 15 分，禁止加码——因为它根本规模化不了，投得越多越亏。

第三阶，价值持续度——能不能长期有效？ 它问四件事：是不是强依赖某一波技术红利、环境一变就失效（环境敏感度）；能不能适应新用户新场景，还是被单一用法锁死（场景迁移能力）；能不能靠使用数据自动优化、越用越聪明（反馈自进化能力）；能不能沉淀成组织的长期判断能力，而不只是一次性成果（认知沉淀价值）。判定标准是：持续度 14 分及以上具备长期价值，低于 10 分只适合短期套利。

一句话串起来：成立度是基础，放大度是杠杆，持续度是保障——三者层层递进，任何一层不成立，都应该停下。

完整案例

用源文件里的"AI 辅助教师备课工具"走一遍这套评估（示例）。

输入是一句很常见的想法："想做一个 AI 辅助教师备课的工具。"

第一阶·价值成立度 16/20：教师备课确实耗时，痛点真实，这一项分高；但"最低价值闭环"还有待验证——也就是说，还不确定教师拿到工具后是否真的会改变备课行为。16 分稳稳过了 12 分的红灯线，价值成立。

第二阶·价值放大度 18/25：边际成本很低（AI 生成，用户多了成本不怎么涨），而且能跨学科复用，这两项支撑了分数；但系统护城河偏弱——别人也能很快做出类似的东西。18 分过了 15 分的黄灯线，可以加码，但护城河是隐忧。

第三阶·价值持续度 12/20：它依赖当前大模型的能力（环境敏感度是风险），场景迁移能力还不错，但"越用越聪明"的自进化机制还没建起来。12 分落在 10 到 14 之间——既不是只能短期套利，也还没到稳稳的长期价值。

总分 46/65，结论：这是一个"半成立"的需求。 短期价值在于解放教师的重复劳动，长期瓶颈在于缺乏数据飞轮和护城河。

更值钱的是它给出的改进方向：先做一个最小价值闭环，去验证教师是否真的会改变备课行为（补第一阶的短板）；尽早设计"使用数据回流"的机制，构建"越用越聪明"的自进化能力，用它来补强护城河（同时补第二阶和第三阶）。你看，三阶评估不只是给了个分数，它精准地指出了这个想法最脆弱的环节，以及该往哪使劲。

常见误解与边界

第一个误解：为了"显得积极"而给高分。 这是筛选工具，不是鼓励工具。它的价值恰恰在于敢于把伪需求拦下来。手松了，整套方法就失效了。

第二个误解：信息不足时硬打分。 想法还很模糊、信息不够时，正确做法是明确写出"评估的前提假设"，而不是凭感觉硬凑一个分数——否则分数只是好看，没有判断力。

第三个、也是最该记住的：红灯优先于一切。 成立度低于 12 的红灯，是最严格的门槛——即使放大度和持续度都很高，伪需求也不值得做。别被后两阶的高分诱惑而放过一个立不住的地基。

最后是 AI 时代的特别提醒：当下让 AI"觉得不错"的需求遍地都是，越是热闹、越显得性感的方向，越要用"行为改变度"和"替代不可逆性"这两项去逼问它的真价值。你可以让 AI 先出一版自评打分当作锚点，但最终的取舍判断，必须由人来把关——机器容易给一切都打高分。

边界上，这套方法是 13 项的精细深评，常排在粗筛之后：先用场景价值矩阵（DC01）做四象限快速筛选，选出值得细看的场景，再交给三阶评估法精打；评估完，可以接 J 曲线判断穿越难度。它和护城河分析、BMC 商业画布也能配合——护城河的结论可作为放大度的输入，BMC 描述"模式是什么"，三阶评估则判断"这个模式值不值得做"。

一句话记住它

不问"有没有用"，问"是不是真价值、能不能放大、能不能长存"——三阶层层设卡，任何一层不成立，都该停下。