AI功能上线不等于真正减少用户操作，项目表也无法回答“下一步投哪里”。本文提出L1-L4成熟度模型，通过四个问题快速判层，用阶段门和分层指标规划升级路径，帮助产品经理把AI项目从功能清单变成可验证的业务能力路线图。

很多产品经理都遇到过这样的场景：公司已经上线了知识问答、内容生成、材料识别、数据分析等AI功能，项目表越列越长，但管理层一问“下一步应该投哪里”，团队还是只能逐个汇报进度。

问题不是项目不够多，而是项目表只能告诉我们“做了什么”，不能告诉我们“AI已经能承担什么工作”。一个功能上线了，不等于它真正减少了用户操作；一次演示效果很好，也不等于它可以稳定进入业务流程。

产品经理需要的不是更长的项目清单，而是一张能回答三个问题的路线图：现在在哪一层？下一层缺什么？做到什么程度才算有效？

一、先用一个例子看懂L1-L4

假设团队每天都要处理客户提交的业务材料。过去需要人工阅读、提取信息、核对规则，再把结果录入系统。围绕同一个任务，AI可以做到四种不同深度。

二、四个问题，快速判断当前处在哪一层

给一个AI场景判层，不需要先开复杂的评审会。

产品经理可以沿着任务链路问四个问题：

1. 输入从哪里来？需要用户手动复制，还是系统能够自动提供当前任务的数据？
2. 输出怎么使用？用户还要自己修改和录入，还是结果可以直接回写并推进状态？
3. 出错怎么办？只能靠用户发现，还是系统能识别异常、暂停、转人工或回滚？
4. 效果怎么验证？只评价一段回答，还是能看到任务是否完成以及后续业务结果？

如果输入和输出都靠人工搬运，通常还在L1；如果AI已经使用统一知识和模板，但仍停留在助手界面，多数属于L2；如果它能读取业务上下文、调用工具并回写结果，就进入了L3；只有当任务能自动触发、执行、检查并利用反馈改进时，才接近L4。

三、路线图怎么排：先判层，再补短板

成熟度模型的用途不是给项目贴标签，而是帮助产品经理找到下一步。具体可以分四步。

第1步：先选一个具体任务

不要从“做一个运营助手”“建设智能平台”这种大概念开始。先选一个高频、耗时、规则相对清楚、结果可以检查的任务，例如材料信息提取、标准问题回复、异常数据初筛。任务越具体，价值和风险越容易判断。

第2步：写清当前层级和目标层级

先根据真实使用方式判断当前是L1、L2、L3还是L4，再设定下一阶段目标。目标不必一步到L4。高风险、难回滚的任务长期停在L2或L3，并保留人工确认，往往更合理。

第3步：找到升级所缺的关键能力

这一步很重要。很多团队以为下一阶段一定要换更强的模型，实际短板往往是知识没人维护、系统没有接口、规则没有程序化，或者异常发生后没人接管。

第4步：把四类工作排进同一张路线图

一个AI场景要稳定上线，通常需要四类工作同时推进。只排前台功能，后面很容易被数据、权限和评估问题卡住。

场景：本阶段具体解决哪个任务，覆盖哪些用户和范围；

能力与数据：需要哪些模型能力、知识、模板和数据质量保障；

系统与流程：需要哪些接口、工具、权限、回写和异常接管机制；

治理与指标：哪些动作必须人工确认，用什么指标判断是否可以扩大范围。

四、每升一级，都要设置一个“通过条件”

路线图不能只写开发时间，还要写清楚什么情况下才能进入下一阶段。这个“通过条件”就是阶段门。

L1进入L2：先证明任务可以标准化

同类任务持续发生，不是一次性的尝鲜；

团队能说清楚什么是合格结果；

知识、模板和维护责任已经明确；

用户愿意重复使用，修改集中在少数可解释的问题上。

L2进入L3：再证明AI可以安全进入流程

系统能够可靠提供任务数据；

工具权限、输入参数和错误返回清楚；

金额、状态、权限等确定性条件由程序校验；

高风险动作有人确认，失败后能转人工；

结果可以回写，并保留完整操作记录。

L3进入L4：最后证明自动闭环值得长期运行

任务量和节省的成本足以覆盖建设与治理投入；

质量长期稳定，而不是只在测试样本上表现好；

异常可以被发现、暂停、接管或回滚；

后续业务结果能够反向评价AI本次处理；

模型、知识、规则和工具的变化都有版本记录。

阶段门解决的不是“技术能不能做”，而是“产品是否应该让AI承担更多责任”。

五、不同层级，要看不同指标

调用次数只能说明有人点过，不能说明任务完成了。产品经理应根据AI承担的责任选择指标。

最值得长期追踪的不是“AI被用了多少次”，而是“在质量和风险达标的前提下，AI真正完成了多少任务”。

六、产品经理可以直接使用的一页路线图

实际推进时，每个场景先写清下面八项，就能把讨论从“要不要用AI”拉回产品决策。

• 任务名称：具体要完成什么工作；
• 当前流程：现在由谁、经过哪些步骤完成；
• 当前层级：AI目前承担到L1-L4中的哪一层；
• 目标层级：下一阶段希望AI多承担哪一段；
• 核心短板：缺知识、规则、数据、接口、流程还是评估；
• 阶段里程碑：什么时候验证、试点、接入流程和扩大范围；
• 结果指标：效率、质量、使用、风险和业务结果分别看什么；
• 人工边界：哪些情况必须确认、暂停、接管或回滚。

一页路线图不追求写得复杂，而是让业务、产品、技术和管理层对同一件事形成共识：为什么现在只能做到这一层，下一步补什么，以及补完后如何验收。

七、三个容易踩的坑

1. 把L4当成所有场景的终点

成熟不等于全自动。风险高、影响大、难回滚的任务，保留人工判断才是合理设计。

2. 只盯模型准确率

模型回答得好，不代表任务就完成了。系统取数、权限校验、结果回写和异常接管，都会直接影响真实体验。

3. 基础建设和业务场景各做各的

“建设知识库”“建设AI中台”本身不是价值。每项基础能力都要对应具体任务和升级目标，否则很容易变成长期投入、短期无结果。

结语：产品经理管理的，是AI承担责任的过程

L1-L4的真正价值，是把抽象的AI能力变成产品经理熟悉的路线图语言。先选具体任务，再判断当前层级；先找升级短板，再安排系统和治理建设；最后用任务结果决定是否扩大范围。

当团队能够清楚回答“现在在哪一层、下一步缺什么、达到什么标准才能升级”，AI项目就不再是一串互不相关的功能，而会逐步变成可复用、可验证、可持续的业务能力。