Source Metadata

Original cangjie-skill frontmatter from the distillation run:

name: triple-due-diligence
description: |
  当用户准备为AI项目投入大量资源，需要全面评估技术可行性、商业价值和伦理影响时使用。
  用户在问"这个项目值得做吗"、"该投入多少"、"技术上能做吗"、"有没有风险"时激活。
  不适用于: 小型探索性项目（几天工作量）、纯技术研究、已明确无商业或伦理维度的场景。
source_book: 《给所有人的AI入门课》 吴恩达 (Andrew Ng)
source_chapter: p15, p06, p24
tags: [due-diligence, project-selection, feasibility, ethics, risk-assessment]
related_skills:
  - slug: ml-feasibility
    relation: depends-on
  - slug: three-value-drivers
    relation: depends-on
  - slug: cross-functional-brainstorming
    relation: composes-with

三重尽职调查 — 技术×商业×伦理

R — 原文 (Reading)

"技术尽职调查是确保希望构建的AI系统真的可实现...商业尽职调查确保设想的项目对业务有价值...我也希望进行伦理尽职调查。"

— 吴恩达, p15

---

I — 方法论骨架 (Interpretation)

在为一个AI项目投入数月资源之前，应当并行开展三项独立的尽职调查： 第一，技术尽职调查——咨询AI技术专家，确认系统能否达到预期性能指标？是否有足够数据？开发周期多长？技术风险在哪里？ 第二，商业尽职调查——建立财务模型，量化项目能创造多少价值？是降低成本、增加收入、还是开辟新业务？投入产出比如何？ 第三，伦理尽职调查——即使技术和商业都通过，也要追问：这个项目真的对社会有益吗？会不会伤害特定群体？是否符合长期价值观？ 三项调查必须全部通过，项目才能获得"绿灯"。任何一项不通过，都应当重新考虑或放弃。 这个框架的核心价值是：在热情投入之前，用结构化的方式避免"技术上能做、商业上该做、但伦理上不该做"的陷阱。

---

A1 — 书中的应用 (Past Application)

案例 1: 语音识别系统

• 问题: 是否值得开发一套语音识别系统
• 方法论的使用:
  • 技术：能否达到95%识别准确率？是否有足够语音数据？
  • 商业：能节省多少人工转录成本？能开拓哪些新应用场景？
  • 伦理：对不同口音的识别是否公平？是否会加剧数字鸿沟？
• 结论: 三项都需要独立评估，任何一项不通过都应重新考虑
• 结果: 成为AI产品立项的标准评估模板

案例 2: 视觉质检系统

• 问题: 是否在生产线上部署AI视觉质检
• 方法论的使用:
  • 技术：能否达到99%检测准确率？漏检率可接受吗？
  • 商业：能替代多少质检员？投资回报周期多长？
  • 伦理：被替代的工人如何安置？检测标准是否对某些产品类型有偏？
• 结论: 即使技术上能做到99%，如果伦理上对工人冲击过大，也应谨慎推进
• 结果: 强调AI部署需要兼顾效率与公平

---

A2 — 触发场景 (Future Trigger) ★

用户会在什么情境下需要这个 skill?

1. 企业准备启动一个需要数月时间和大量资源的AI项目
2. 决策层在评审AI项目提案，需要全面评估框架
3. 投资人评估AI创业公司的项目可行性
4. 团队已完成初步技术验证，准备进入正式开发阶段
5. 项目涉及敏感数据或可能影响特定群体权益

语言信号 (用户的话里出现这些就应激活)

• "这个项目值得做吗"
• "该投入多少"
• "技术上能做吗"
• "有没有风险"
• "ROI是多少"
• "会不会有什么负面影响"

与相邻 skill 的区分

• 与 ml-feasibility 的区别: 双因素框架是快速技术可行性筛查（概念+数据），三重尽职调查是深入全面评估（技术+商业+伦理），适用于正式立项决策。
• 与 cross-functional-brainstorming 的区别: 跨职能头脑风暴是项目选择阶段的创意发现，三重尽职调查是项目确定后的深度评估。
• 与 automate-task 的区别: 任务分解是确定项目范围，三重尽职调查是评估项目是否值得投入。

---

E — 可执行步骤 (Execution)

当 skill 被激活后, agent 应按以下步骤执行:

1. 技术尽职调查

   • 建议用户咨询AI技术专家，回答以下问题：
     • 系统能达到什么性能水平？（准确率、召回率、延迟等）
     • 是否有足够的高质量标注数据？
     • 开发周期和关键技术风险是什么？
     • 需要什么技术基础设施和团队能力？
   • 完成标准: 用户得到明确的技术可行性结论和风险清单
   • 判停条件: 若技术上明显不可行（如所需准确率远超当前SOTA），直接建议终止项目

2. 商业尽职调查

   • 建议用户建立财务模型，回答以下问题：
     • 项目能创造多少价值？（成本节约、收入增长、新业务机会）
     • 投入成本是多少？（开发、数据、部署、维护）
     • 投资回报周期多长？
     • 不做的机会成本是什么？
   • 完成标准: 用户得到量化的投入产出分析和投资回报预期
   • 判停条件: 若商业模型显示ROI为负或回收期过长，建议重新设计或终止

3. 伦理尽职调查

   • 建议用户追问以下问题：
     • 这个项目对所有受影响群体都公平吗？
     • 是否可能伤害特定弱势群体？
     • 如果这个项目被媒体负面报道，你会如何回应？
     • 是否符合你个人/组织的长期价值观？
   • 完成标准: 用户对项目的社会影响有清晰认知，能给出"有益/有害/需修改"的判断
   • 判停条件: 若伦理评估发现严重负面影响且无法缓解，即使技术和商业都通过也应放弃

4. 综合决策

   • 三项全部通过 → 建议启动项目
   • 任一项未通过 → 建议针对未通过项进行修改，或终止项目
   • 完成标准: 用户得到明确的"推进/修改/终止"决策建议

---

B — 边界 (Boundary) ★

不要在以下情况使用此 skill

• 非常小的项目（几天工作量）——直接快速尝试即可，不需要正式尽职调查
• 纯技术研究（没有明确的商业应用或社会影响）
• 技术可行性已经完全确定的成熟应用场景
• 紧急情况下的快速决策（三重尽职调查需要时间）

作者在书中警告的失败模式

• 只做技术和商业尽职调查，跳过伦理评估——"能赚钱也技术上能做"不等于"应该做"
• 伦理尽职调查流于形式——没有真正追问尖锐问题，只是走过场
• 三项调查由同一人完成——缺乏独立视角，容易产生确认偏差

作者的盲点 / 时代局限

• 伦理尽职调查在实践中最常被跳过——框架强调其重要性，但未提供详细的操作方法和评估标准
• 三项尽职调查的理想执行顺序和权重未明确——现实中往往技术先做、商业后做、伦理最后（或不做）
• 书中未讨论"尽职调查的成本"——对小公司来说，全面尽职调查本身可能就是沉重负担
• 伦理标准具有文化相对性——书中以西方视角为主，不同文化背景下的伦理判断可能不同

容易混淆的邻近方法论

• 与"投资尽调"的区别: 投资尽调侧重财务和法律风险，三重尽调增加了技术和伦理维度
• 与"影响评估(Impact Assessment)"的区别: 影响评估通常只关注负面社会影响，三重尽调同时考虑商业价值

---

相关 skills

• ml-feasibility (depends-on): 三重尽职调查中的技术尽调建立在双因素框架评估通过的基础上
• three-value-drivers (depends-on): 商业尽调需要量化项目价值,三价值驱动框架提供量化方法
• cross-functional-brainstorming (composes-with): 头脑风暴产出候选项目后,用三重尽调做立项前深度评估

---

审计信息

• 验证通过: V1 ✓ / V2 ✓ / V3 ✓
• 测试通过率: 待测试
• 蒸馏时间: 2026-06-29