智能密度评估
Intelligence Density Assessment
label: 智能密度评估 description: 邱懿武原创方法论。用"智能密度"评估一个场景或行业的AI化优先级。智能密度越高，AI渗透越快、效果越好。三个维度：数据结构化程度、决策标准化与频率、人力依赖程度。适用于判断"哪些场景适合先用AI切入"、"一个行业的哪些环节会率先被AI改造"、"我的业务该从哪里开始AI化"。触发词包括：智能密度、AI优先级、AI场景评估、软柿子、哪个环节先AI化
label: 智能密度评估 description: 邱懿武原创方法论。用"智能密度"评估一个场景或行业的AI化优先级。智能密度越高，AI渗透越快、效果越好。三个维度：数据结构化程度、决策标准化与频率、人力依赖程度。适用于判断"哪些场景适合先用AI切入"、"一个行业的哪些环节会率先被AI改造"、"我的业务该从哪里开始AI化"。触发词包括：智能密度、AI优先级、AI场景评估、软柿子、哪个环节先AI化、AI落地顺序、AI渗透。
智能密度评估
原创者：邱懿武 版本：v1.0.0 创建时间：2026年4月 来源：《智能是有密度的》+ 《AI率先跃迁的行业逻辑》
用"智能密度"判断一个场景是否适合AI切入，以及AI化的优先级顺序。
核心理念
不是所有场景都适合AI。AI的渗透有固定顺序，这个顺序不以人的意志为转移——不能因为老板想做，就跳过所有阶段直接攻坚最难的环节。
核心概念：智能密度——一个场景中的核心任务，在多大程度上可以被数字化、结构化、模型化。
密度越高，AI渗透越快、效果越好；密度越低，AI越难以施展。
规律：每一代技术革命的渗透都遵循从高密度到低密度的层级规律。电气化先改造灯泡和电报，最后才赋能精密设备；互联网先革新信息传播，最后才渗透农业。AI同样如此——先高密度场景切入，站稳后向中密度扩展，最终才可能触及低密度场景。
三维度评估框架
评估一个场景的智能密度，从三个维度打分（每个维度 1-5 分）：
维度一：数据结构化程度
核心问题：场景的核心数据是否已完成数字化、具备规律、可被模型学习？
| 分值 | 标准 | 示例 |
|---|---|---|
| 5 | 数据高度结构化，有完整数字化积累，可直接用于模型训练 | 电商用户行为数据、编程代码、金融交易记录 |
| 4 | 数据基本结构化，需要少量清洗即可使用 | 医学影像（有明确判读标准+海量标注）、客服工单 |
| 3 | 数据半结构化，部分已数字化但存在关键缺口 | 教学行为数据（有作业数据但缺乏过程数据）、供应链数据 |
| 2 | 数据大量存在于人的经验中，难以量化 | 老中医望闻问切、面料触感判断 |
| 1 | 核心信息几乎没有数字化，依赖直觉和身体感知 | 手工品的"手感"、人际情感的微妙判断 |
维度二：决策标准化与频率
核心问题：核心决策是否重复、有规则可循、标准化程度高？
| 分值 | 标准 | 示例 |
|---|---|---|
| 5 | 高频重复、规则明确、可完全自动化 | 信贷审批、客服常见问答、数据报表生成 |
| 4 | 高频重复、大部分有规则、少数例外需人工介入 | 医学影像初筛、法律文书审阅、库存管理 |
| 3 | 有部分标准流程，但核心决策依赖上下文 | 产品选品、课程设计、营销方案制定 |
| 2 | 决策高度个性化，每次都需要独特判断 | 创业公司战略选择、创意设计的审美判断 |
| 1 | 无规则可循，每次都是全新问题 | 顶级法律策略制定、艺术品真伪鉴定 |
维度三：人力依赖程度
核心问题：这个场景是否高度依赖大量人力投入？人力瓶颈有多严重？
| 分值 | 标准 | 示例 |
|---|---|---|
| 5 | 大量人力处理重复任务，人力成本高、效率瓶颈严重 | 客服行业、数据标注、基础翻译 |
| 4 | 依赖稀缺专家，专家产能是核心瓶颈 | 医生诊断、金融分析师、律师审阅 |
| 3 | 需要专业人力但并非瓶颈，有优化空间 | 教师批改、设计师出图、工程师编码 |
| 2 | 人力投入不大，核心价值在少数关键人 | 顶级咨询顾问、合伙人级律师 |
| 1 | 核心依赖个体独特能力，无法规模化 | 大师级工匠、顶级基金经理的直觉判断 |
使用方法
输入：一个具体的业务场景（不是整个行业，是行业中的某个具体环节）
输出：
- 三个维度的打分（1-5）
- 智能密度总分（3-15）
- 密度等级判定
- AI落地建议
评估步骤
Step 1：锁定具体场景
不是"教育行业"，而是"K12数学作业批改"；不是"医疗行业"，而是"肺部CT影像初筛"。场景越具体，评估越准确。
Step 2：三维度打分
对每个维度独立打分。打分时注意：
- 数据维度：看的是"已有数据"，不是"理论上可以收集的数据"
- 决策维度：看的是"当前实际决策方式"，不是"理想状态"
- 人力维度：看的是"实际人力瓶颈"，不是"总人力投入"
Step 3：计算总分，判定等级
| 总分 | 密度等级 | AI落地建议 |
|---|---|---|
| 12-15 | 🟢 高密度 | 立即切入——这是你的"软柿子"，几周内可见效果 |
| 9-11 | 🟡 中高密度 | 优先布局——需要一定数据准备，但回报明确 |
| 6-8 | 🟠 中密度 | 战略储备——先做数据积累和流程标准化，半年内可切入 |
| 3-5 | 🔴 低密度 | 暂不攻坚——持续关注，但现阶段资源不应集中于此 |
Step 4：识别"软柿子"与"碉堡"
同一业务中，往往同时存在高密度和低密度环节。正确的做法：先在高密度环节证明AI价值，再向低密度环节渗透。
诊断分级
| 等级 | 标准 |
|---|---|
| S | 三维度打分准确，软柿子识别清晰，落地路径可执行，有案例佐证 |
| A | 三维度打分基本准确，有落地建议但缺乏具体案例 |
| B | 完成了三维度评估，但打分较粗，落地建议偏泛 |
| C | 只完成了概念理解，未做具体场景评估 |
| D | 占位——未执行评估 |
案例
案例一：男装企业AI落地
背景：男装企业老板想用AI模拟触摸面料的触感。
评估：
| 维度 | 打分 | 理由 |
|---|---|---|
| 数据结构化 | 1 | 触感体验极度非结构化，无数字化积累 |
| 决策标准化 | 2 | 面料选择依赖设计师个人经验和审美 |
| 人力依赖 | 3 | 核心依赖少数设计师，非大规模人力瓶颈 |
| 总分 | 6 | 🟠 中密度——现阶段不适合攻坚 |
高密度环节（应优先切入）：
| 环节 | 估计总分 | 理由 |
|---|---|---|
| 库存数据分析 | 13 | 数据完善、决策标准、人力密集 |
| 销售趋势预测 | 12 | 历史数据丰富、预测有规律 |
| 效果图批量生成 | 14 | 图片数据充足、生成标准明确、大量重复 |
| 客户评价智能分析 | 12 | 文本数据结构化、分析有规则 |
结论：先做效果图生成和库存分析（几周见效），再向设计创意方向渗透。
案例二：DeepSeek的战略选择
背景：DeepSeek早期只做语言模型，不做多模态、机器人。
评估（语言模型场景）：
| 维度 | 打分 | 理由 |
|---|---|---|
| 数据结构化 | 5 | 人类数千年书写历史，文本数据天然结构化 |
| 决策标准化 | 5 | 语言有完整语法、词汇、符号系统 |
| 人力依赖 | 4 | 语言处理任务大量依赖人力（翻译、写作、编程） |
| 总分 | 14 | 🟢 高密度——AI的最佳战场 |
结论：DeepSeek的克制不是缺乏野心，而是对智能密度有极致清醒的判断——在密度最高的领域建立绝对优势，再考虑延伸。
案例三：教育行业的AI化
评估（K12课堂教学）：
| 维度 | 打分 | 理由 |
|---|---|---|
| 数据结构化 | 3 | 有作业数据和考试数据，但教学过程数据缺乏 |
| 决策标准化 | 2 | 教学涉及大量非结构化、情境化的师生互动 |
| 人力依赖 | 4 | 高度依赖教师，教师产能是核心瓶颈 |
| 总分 | 9 | 🟡 中高密度 |
高密度环节（应优先切入）：
| 环节 | 估计总分 | 理由 |
|---|---|---|
| 作业批改与反馈 | 13 | 数据已有、规则明确、人力密集 |
| 个性化练习推荐 | 12 | 学习数据可积累、推荐有规律 |
| 知识点掌握诊断 | 11 | 标准化测验数据+明确的知识图谱 |
低密度环节（不应优先攻坚）：
| 环节 | 估计总分 | 理由 |
|---|---|---|
| 创造力培养 | 5 | 高度非结构化、无标准评判 |
| 师生情感互动 | 4 | 极度依赖人的感知和共情 |
| 价值观教育 | 3 | 无法标准化，依赖教师人格影响 |
对AI原生教育的启示：不是往旧教育里塞AI工具，而是先重建教育的结构——让学习过程变得更可观察、可标准化、可反馈（生产型学习），然后AI才能真正参与。
常见陷阱
| 陷阱 | 表现 | 应对 |
|---|---|---|
| 一步到位综合症 | 老板直接要求用AI改造核心业务，跳过高密度环节 | 用三维度打分说服：先做软柿子，再攻碉堡 |
| 场景颗粒度太粗 | 评估"医疗行业"而非"肺部CT初筛" | 强制要求场景具体到一个任务级别 |
| 理论数据代替实际数据 | "理论上可以收集数据"就算高分 | 只算"已有数据"，不算"潜在数据" |
| 追求前沿忽略密度 | 认为做客服机器人不够有格调 | 用DeepSeek案例证明：克制才是战略 |
| 低估低密度环节的长期价值 | 认为低密度环节永远不适合AI | 低密度不等于永远不适合，只是现阶段时机未到 |
方法关系
- 前置方法：ST02 行业第一性原理分析（先看清行业本质，再评估密度）、ST01 四代思维跃迁模型（判断行业处于哪个范式阶段）
- 并行方法：DC01 场景价值矩阵（密度评估+价值评估交叉验证）、ST07 AI战略攻守矩阵（密度决定攻还是守）
- 后续方法：PD06 MVP（找到软柿子后做最小验证）、EV02 数据×场景飞轮（高密度场景验证后建立飞轮）
- 关联洞察：I-069 AI率先跃迁的三个条件、I-070 教育在第三梯队的真正原因
调用 Prompt
Prompt 1：评估场景智能密度
用智能密度评估框架分析"[具体业务场景]"的AI化优先级。
请按以下步骤输出：
1. 将场景锁定到具体任务级别
2. 对三个维度分别打分（1-5）并给出理由：
- 数据结构化程度
- 决策标准化与频率
- 人力依赖程度
3. 计算总分并判定密度等级
4. 识别同一业务中的"软柿子"（高密度环节）和"碉堡"（低密度环节）
5. 给出AI落地的优先级建议
Prompt 2：识别业务中的软柿子
我的业务是"[业务描述]"。用智能密度框架帮我找出：
1. 哪些环节是智能密度最高的"软柿子"（可以立即用AI切入）
2. 哪些环节是智能密度最低的"碉堡"（现阶段不应攻坚）
3. 从软柿子到碉堡的渗透路径是什么
请用三维度打分表呈现每个环节的评估结果。