AI 做需求评审的价值不在"给意见"，而在"按固定维度逐条问"。人容易漏的，恰恰是那些每次都要问、但每次都忘记问的问题。
一、AI 在评审里真正擅长什么
它不是产品经理，给不出商业判断。但它很擅长做四件事：
- 查遗漏：异常流程、边界条件、并发与撤销
- 查术语不一致：同一概念在文档里有三种叫法
- 查规则冲突：第 3 节说必填，第 7 节说可跳过
- 查不可验收的描述："体验流畅""尽量快速"这类没有标准的表述
这四类问题占评审发现量的很大一部分，而且不需要行业经验就能判对错，正好适合交给 AI 打第一遍。
二、喂什么材料，决定输出质量
| 材料 | 作用 | 没有会怎样 |
|---|---|---|
| 需求原文（全文） | 基础 | 只能空谈通用问题 |
| 字段表或数据字典 | 校验必填、类型、长度 | 漏掉字段级冲突 |
| 流程图或状态说明 | 检查状态跃迁是否闭合 | 漏掉"撤销后回到哪" |
| 历史缺陷清单 | 按老问题重点复查 | 同类问题反复出现 |
材料越具体，输出越像"针对这份文档的意见"，而不是"通用最佳实践"。后者在网上到处都是，没有价值。
三、四类高价值提问
- 穷举异常："列出这个流程里所有可能失败的外部调用，以及失败后用户看到什么。"
- 找不可判定："找出文档中无法用测试用例验证的表述，并给出可验证的替代表述。"
- 角色穿越："分别以新员工、离职员工、跨部门审批人的身份走一遍，指出走不通的地方。"
- 反向质疑："假设这个需求上线三个月后被业务弃用，最可能的原因是什么？"
第四类最有意思。它逼着人回答"这个功能到底解决谁的什么问题"，比逐条抠字段更能提前暴露方向性错误。
四、不能交给 AI 的判断
- 优先级：哪个先做，涉及资源与商业节奏，AI 没有依据
- 合规结论：个人信息处理、行业监管要求，必须由人确认并留痕
- 取舍：为了赶工期砍哪个功能，责任在人
- 事实：AI 可能编造不存在的规范条款，任何引用都要回原文核对
让 AI 输出"问题清单"，不是"修改稿"
直接让它改文档，会把原文的业务语气和隐含约定一起改掉。只让它列问题，人再决定改不改，风险最小。
五、把结果沉淀成评审清单
单次评审的产出容易丢。做法是：每轮把 AI 提出的有效问题归类，补进团队固定的评审清单，下次人工先自查一遍，再让 AI 复查。
- 清单按维度组织：流程闭合、权限、异常、数据、验收标准
- 每条问题标注"是否已确认""由谁确认"
- 三个月回看一次：哪些问题反复出现，说明是流程缺陷而不是文档缺陷
这样用下来，AI 不只是省了一次会的时间，而是把团队的评审标准慢慢固化下来了。
#AI需求评审#需求文档#效率与AI#产品协作
