AI落地思路：一个需求分析场景的案例 #

← 返回 AI 合集

目前 AI 落地，大致可以归到两个方向：

1. 产品 + AI
   这是在提升产品价值，让产品更好卖。

2. 工作流 + AI
   这是在优化个人或团队的工作流，用来提效、降本、提升输出质量。

之前分享的内容，大多偏思路和方法论，比较“务虚”。
这次我想分享一个更具体的例子：怎么把 AI 真正落到实际工作中，并产生可见的价值。

一、问题背景：不要急着“抄一个 skill” #

今天，有位需求分析师在群里问：有没有做需求分析的 skill 可以用？

但“需求分析”这四个字，本身就是一个非常大的领域。
方法论很多，实际落地方式也五花八门。我的建议是：不要直接硬套一个现成 skill。

原因很简单：

• 不同公司的组织结构差异很大
• 角色职责边界不一样
• 协作流程和权限范围也不同
• 同样叫“需求分析师”，实际做的事情可能完全不是一回事

我最近调研过不少大型方法论和 agent 方案，越来越明显地感觉到：
很多 AI落地方案的最大阻碍，往往不是技术做不到，而是组织结构和人才结构还没有准备好。

这里顺便提一下康威定律。这是一个非常重要的限制条件。

在组织土壤还没成熟的时候，不要急着推动特别颠覆式的解决方案。
当前每个角色的责任边界、权力边界，都是有限制的。很多时候，屁股决定脑袋——如果你不在那个位置上，很多超出角色边界的信息天然就是拿不到的。

而且，现有流程之所以能持续运转并创造价值，说明其中的大多数角色在当前组织里都是不可或缺的。

当然，我也认同：
未来 AI 重构工作流、甚至重构组织架构，是一个趋势。
但至少在当下，大多数落地方案还是应该紧贴现实、贴近现有工作方式。

二、先定目标 #

回到这位需求分析师的诉求。

既然他是在找 skill，那背后的真实目标大概率至少有两个：

1. 提升产出效率
2. 提升产出质量

所以我先把目标定清楚：
围绕“提效”和“提质”来设计 AI 的介入方式。

这很明显属于工作流 + AI 的范畴。

后续行业怎么变化可以先不讨论，先基于当下真实存在的工作流，研究怎么做优化。
于是我先去了解他当前的实际工作流程。

他的原话非常直接：

我做需求分析，是先看业务想干啥，然后问研发怎么干。然后把研发的话翻译成人能听懂的。写个需求文档。

这句话其实已经把核心流程概括得很清楚了。

三、先把现有流程整理出来 #

我先把他的现有工作流梳理成了一个简单的序列图。

从这个流程可以看出来，这是一套非常典型、也非常传统的需求分析工作流。

如果进一步识别关键点，会发现它的核心其实不是“写文档”，而是：通过高质量的交流和沟通，持续获取自己需要的信息。

四、AI 该怎么介入？ #

如果要让 AI 真正发挥价值，就不能只盯着最后的文档生成，而应该去看整个流程中信息是怎么流动的。

在这个案例里，最核心的其实是三次沟通：

1. 业务方 -> 需求分析师
   描述业务目标、业务诉求、想做的事情

2. 需求分析师 -> 研发
   沟通技术实现方案、限制条件、依赖和风险

3. 需求分析师 -> 业务方
   反馈可实现方案，确认需求范围、边界和预期

这三步是整个流程的主干。

本质上，它们都是“沟通”。
而沟通这件事，并不是临场发挥就行，它其实非常依赖准备、引导和整理能力。

五、第一次优化：把每次沟通都拆成“会前、会中、会后” #

结合个人经验，我认为每次关键沟通都可以拆成三个阶段：

1）会前：做沟通计划 #

在正式交流之前，先把这次沟通要获取的信息、要确认的问题、要注意的风险点整理出来。

这个动作完全可以由 AI 辅助完成。

而且这里不只是“让 AI 临时生成问题清单”这么简单，
更重要的是：历史经验本身也可以沉淀到知识库里。

也就是说，需求分析师不是每次都从零开始，而是可以：

• 调用历史访谈经验
• 调用常见问题模板
• 调用不同场景下的检查项
• 再结合当前背景，让 AI 生成本次沟通计划

2）会中：带着计划去引导沟通 #

沟通时，不是想到哪问到哪，而是带着提前准备好的要点去引导对话。

同时，把整个沟通过程录音，或者至少保留较完整的笔记。

3）会后：把原始信息转成可用工件 #

沟通结束后，再通过 AI 去完成：

• 录音转写
• 纪要整理
• 关键信息提炼
• 待确认项识别
• 变更点梳理

这样，每一次沟通都会形成结构化工件。
而这些工件会成为下一次沟通的输入。

也就是说，这三次沟通并不是孤立的，而是一个前后递进、持续沉淀的过程。

六、第二次优化：术语翻译 #

在原始流程里，还有一个关键动作：

需求分析师将研发语言翻译为业务易懂语言，并整理需求内容。

这一块非常适合用 AI 做辅助。

优化思路是：
可以维护一份常见的业务术语翻译文档，或者说术语映射知识库，让 AI 先做一轮初步翻译。

比如把研发侧常见的技术表达、系统约束、实现逻辑，先转成业务能理解的语言。
这一步哪怕不能完全替代人工，也能明显减少很多重复劳动。

需求分析师再在 AI 初稿基础上做修正，会比从零开始轻松很多。

七、第三次优化：需求文档初稿生成 #

最后是文档编写。

原始流程中的这个动作是：需求分析师编写需求文档。

这一步的优化方式也类似：

• 先把组织内常见的需求文档规范整理出来
• 把常用模板沉淀下来
• 让 AI 基于前序工件和组织模板生成初稿
• 再由需求分析师进行审核、修改和补充

也就是说，AI 在这里更适合扮演的是：

按规范组织材料、快速生成初版的角色，
而不是完全代替人做最终判断。

最终定稿仍然应该由需求分析师负责。

八、优化后的流程 #

基于上面的思路，我把优化后的流程重新整理成了下面这张图。

九、这次优化的本质是什么？ #

这次优化的核心，不是简单“加一个 AI 工具”，而是做了三件事：

1）把每次动作背后的业务逻辑显性化 #

原来很多动作是靠个人经验、临场发挥完成的。
现在把它们拆成了清晰的步骤，比如：

• 会前怎么准备
• 会中怎么引导
• 会后怎么沉淀

2）把经验沉淀成可复用资产 #

以前经验在脑子里，现在可以逐步沉淀为：

• 访谈模板
• 沟通要点
• 风险检查项
• 术语翻译规则
• 文档模板规范

这些都可以进入知识库，持续复用和优化。

3）让 AI 嵌入信息流，而不是停留在单点工具层面 #

AI 不只是拿来“写一段文案”或者“生成一份文档”，
而是嵌入到了整个信息流转过程中：

• 辅助计划
• 辅助记录
• 辅助整理
• 辅助翻译
• 辅助成稿

这样，AI 才真正变成工作流中的一环，而不是一个可有可无的小插件。

十、后续思路 #

当然，到这里其实还只是完成了思路整理和业务建模。

真正要落地，后面还有很多问题需要继续分析和决策，比如：

• 每一步到底用什么工具来实现
• 知识库如何维护
• 录音转写和纪要整理怎么衔接
• 前序工件如何结构化存储
• 模板和规范如何持续迭代
• 哪些步骤适合自动化，哪些必须保留人工判断

所以这张图本身并不是终点，只是一个前置环节。
我分析的过程中习惯画序列图，这个本质上是为了辅助思考，如果经验丰富的可以不需要画图，直接脑子里面完成建模就行.

十一、我的个人习惯 #

这也是我平时做 AI 落地时的一个习惯：

把自己日常工作中的常见工作流整理出来，然后持续分析、持续优化。

很多 AI 场景并不需要多宏大的叙事。
真正有价值的，往往就是把一个具体工作流拆开，看清楚里面的信息流、决策点和重复劳动，再去判断 AI 应该插在哪里。

不同公司的流程不一样，所以这里就不展开讲更多行业内细节了。
这个案例主要是想说明一件事：

AI 落地，其实不是偷懒，不是先找一个“万能 skill”，而是先找准目标，再贴着真实流程一点点优化。