管理场景题：AI 项目试点三个月效果一般，要不要继续投入？
场景：你负责的智能问数项目试点了三个月，投入了 3 个人。结果是：准确率在评测集上 75%，业务方的反馈「有时候好用，有时候不准，不太敢用」，周活跃用户只有 20 人左右。老板问你：「这个项目还要不要继续？」团队内部也有分歧，有人觉得再优化一下就好了，有人觉得这个方向不靠谱。
问题：你怎么判断？怎么回复老板？
面试怎么回答
我会先诊断效果一般的原因：是技术天花板、数据基础不够、场景选错、产品体验没让用户知道什么时候该信，还是推广不到位。然后用数据拆：按问题类型看准确率，做错误归因看口径、元数据和模型理解各占多少，看用户的提问分布和失败后的留存，算投入产出。如果主要是数据基础问题，就继续但转向补语义层和元数据，这些投入本身也有价值；如果部分场景已经很好，就收缩到这些场景先建立信任；如果是技术天花板且需求不刚需，就暂停并沉淀经验。决定不基于沉没成本也不基于赶潮流。回复老板时给出明确判断和建议，设定下一阶段的量化目标和检查点，达不到就缩减，并说明需要的资源和配合。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
先诊断：效果一般的原因是什么
不同的原因，决定了不同的答案：
- 技术能力的天花板：当前的模型和方法本身就做不到更好？
- 数据基础不够：口径不统一、元数据缺失、语义层没覆盖，导致模型「巧妇难为无米之炊」？
- 场景选得不对：试点的场景太复杂，或者业务方本身需求不高频？
- 产品体验问题：准确率尚可，但用户不知道什么时候该信、什么时候不该信，没有展示口径和来源？
- 推广问题：用户不知道怎么用，或者用一两次失败后就放弃了？
用数据拆解
- 按问题类型看准确率：哪些类型已经很好（比如单指标查询 92%），哪些很差（多表关联 50%）；
- 错误归因：多少是口径问题、多少是元数据问题、多少是模型理解问题；
- 用户行为：提问的类型分布、失败后是否还会再用；
- 投入产出：3 个人三个月的成本，以及目前节省的人力。
可能的结论
- 如果主要问题在数据基础：继续投入，但方向调整为补齐语义层和元数据。这些投入即使智能问数最终不成功，也会改善整个数据体系；
- 如果有一部分场景已经很好：收缩范围，只开放效果好的场景，把「有时候不准」变成「在这些场景下可靠」，先建立信任；
- 如果是技术天花板且场景不刚需：暂停或缩小投入，把经验沉淀下来，等技术成熟再重启；
- 决定不要基于「沉没成本」，也不要基于「AI 是趋势必须做」。
回复老板
给出明确的判断和建议，而不是把问题抛回去：
- 当前的效果和原因诊断；
- 建议：比如「继续，但调整为两个方向：一是把开放范围收缩到准确率超过 90% 的三类问题；二是用两个月补齐 50 个核心指标的语义层」；
- 设定下一阶段的明确目标和检查点：比如两个月后，开放场景的准确率达到 90%、周活跃用户 80 人，达不到就缩减投入；
- 资源需求：需要哪些人、哪些部门配合。