AI功能启动前，产品经理先把三件事问明白 - XINGKONG

"咱们也得搞个AI功能"——老板一声令下，产品经理立刻投入选模型、写提示词、设计交互的工作中。上线后，点击率表现不错，但留存率毫无变化，用户反馈里充斥着"回答不够准确"。问题并非出在执行层面，而是在启动前有三个关键问题没厘清：用户具体在哪个环节付出了代价？AI出错会带来什么后果？如何证实AI确实表现更优？把这三点想明白，再动手也不晚。

近两年，几乎每个产品团队都遇到过类似需求："咱们也得搞个AI功能。"

这个需求可能源于老板在行业会议上受到触动，可能是竞争对手刚推出智能助手，也可能是技术团队演示了一个炫酷的原型。提出需求时，往往只有一句话和一个截止日期。

随后，产品经理便陷入了路径依赖：选哪个模型、如何编写提示词、入口放在何处、交互界面怎么设计。

等功能开发完成并上线，查看数据时发现：点击率尚可，但留存率没有提升，用户反馈中充斥着"回答不够准确"。复盘时才意识到，问题不在执行层面，而是在启动之前，许多问题尚未明确。

因此，在项目立项前，至少要把以下三个问题弄清楚：

第一个问题：用户具体在哪个环节付出了代价？

很多AI功能的立项理由是"这个环节可以用AI优化"。

——这听起来没问题，但提问方式不对。

真正的问题是：用户在这个场景中，具体卡在了哪一步？这一步现在需要付出什么代价？

代价可能是时间，比如写一份周报要花费40分钟。

代价可能是门槛，比如不会写SQL就无法获取数据。

代价也可能是心理负担，比如面对空白文档不知从何下笔。

只有把代价说清楚，才能判断AI是否是针对性的解决方案。

一个很实用的检验方法是：把"AI"两个字去掉，用一句话描述这个功能的价值。 "帮用户把40分钟的周报压缩到5分钟"是成立的。"用AI提升写作体验"就不成立，因为它描述的是手段，而非价值。

还没完，继续追问：这个代价，传统方案能不能解决？

如果一个模板、一个筛选器、一条规则就能搞定，那根本没必要上AI。

AI的优势在于处理模糊、开放、难以穷举的任务，比如理解自然语言、生成初稿、从大量文本中提炼要点。任务本身足够确定时，用规则往往更快、更便宜、更可控。

第一个问题的目的，是防止把AI当作目的，而非手段。

第二个问题：AI搞错了，会发生什么？

传统功能的逻辑是确定的：输入相同，输出相同，有问题就是Bug，修复即可。

但AI功能的底层逻辑不同，它是概率性的，永远存在一定比例的错误，而且这个比例不会降到零。

所以要换一种提问方式：不是"它能不能做对"，而是"它做错了，后果有多严重"。

可以从三个角度拆开看：

错误的代价有多高：推荐一首不对口味的歌，用户划走就行。生成一段有误的法律条款，用户照着用了，后果就完全不同。代价越高，AI越应该退到辅助位置，由人来做最终决定。

错误能不能被及时发现：如果输出是一段用户马上就能读、能判断的文字，错误的风险相对可控。如果输出是一个藏在流程深处、几天后才会暴露的结果，那就更危险。

错误之后有没有退路：用户能不能一键撤销，能不能手动修改，能不能回到原来的流程。好的AI产品都会给"错"留出体面的出口，比如明确标注"AI生成，请核对"，保留编辑入口，在置信度低的时候主动说"我不确定"。

把这些想清楚，你才知道这个功能应该做成"自动执行"，还是"给出建议由用户确认"。

很多AI功能口碑翻车，不是因为模型错得多，而是产品把一个本该是建议的东西，设计成了结论。

第三个问题：如何证明AI做得更好？

这是最容易被跳过的一问。

传统功能有现成的验收方式：按钮能点，流程能走通，数据能入库。

AI功能的输出质量是一个连续的灰度，"好不好"没有天然的标准。

如果启动前没有定义，上线后就会陷入两种尴尬：要么每个人凭感觉评价，开会时各说各话；要么只看点击量和使用次数，却不知道用户到底有没有得到价值。

所以，一开始我们就需要把这些定下来：

写出"好"的标准：不需要一开始就很精细，哪怕只是五条判断规则：事实不能错，语气要符合场景，长度要在某个范围，不能出现敏感内容，格式要能直接使用。有了这个，评估才有共同语言。

准备一批真实样本：找五十到一百个来自真实场景的输入，包括典型的、边缘的、刁钻的。每次调整模型或Prompt，都拿这批样本跑一遍，对比前后的差异。没有样本集的AI产品，优化基本靠运气。

设计上线后的反馈回路：用户有没有采纳输出，改动了多少，有没有点"不满意"，有没有重新生成。这些行为信号比单纯的使用次数更能说明问题。采纳率和修改率，往往比点击率诚实得多。

一个功能如果说不清楚"怎么算做好了"，那它在启动时就已经失去了迭代的方向。

三问之后，再谈怎么做

回头看这三个问题，其实对应的是产品的三个基本判断：该不该做、能不能放心做、做得好不好。

它们并不新鲜，只是在AI时代被放大了。因为AI的能力边界模糊、输出不确定、成本和效果都在快速变化，团队很容易被技术的可能性牵着走，忘了回到用户、风险和结果这三个原点。

有意思的是，把这三件事想清楚之后，很多"必须上AI"的需求会自己变小，有的被规则方案替代，有的被收缩成一个更窄、更稳的场景。而留下来的那些，目标明确、边界清晰、验收有据，做起来反而更快。

所以，下次再有人对你说"咱们也做个AI功能"，不妨先别急着打开模型文档。

先问清楚：用户的代价是什么，错了会怎样，怎么证明好。

问完这三句，再动手也不晚。

本文来自微信公众号“人人都是产品经理”（ID：woshipm），作者：禾木，36氪经授权发布。在考虑如何将AI功能融入产品时，星空体育服务的实践经验表明，明确用户痛点、风险评估和效果验证是成功的关键。