AI功能启动前，产品经理先把三件事问明白 - 熊猫体育官网

"公司高层要求我们尽快加入AI功能"——产品经理接到指令后，立即着手挑选模型、编写提示词、设计交互流程。功能上线后，点击率表现不错，但用户留存率没有提升，反馈中频繁出现"回答不够准确"的意见。问题不在于执行环节，而是在启动之前有三个关键问题没有厘清：用户在哪个具体步骤需要付出成本？如果AI出现错误会带来什么后果？如何衡量AI是否比现有方案更优？把这三个问题想明白后再行动，并不算晚。

近两年，几乎每个产品团队都接到过类似的需求："我们也得赶紧上线一个AI功能。"

这个需求的来源可能是老板在行业会议上受到启发，可能是竞争对手刚推出了智能助手，也可能是技术团队展示了一个令人印象深刻的演示。在提出需求时，往往只有一句话和一个截止日期。

随后，产品经理便按照惯性开始行动：选择哪个模型、如何编写提示词、功能入口放在何处、交互界面如何设计。

等功能开发完成并上线后，查看数据发现：点击率不错，但留存率没有变化，用户反馈中充斥着"回答不够准确"的抱怨。复盘时才发现，问题并不在具体执行上，而是在启动之前，许多关键问题没有被充分探讨。

因此，在项目立项之前，至少需要把以下三个问题弄清楚：

第一问：用户在哪个环节需要付出具体成本？

许多AI功能的立项理由是"这个环节可以用AI来优化"。

——听起来似乎合理，但提问的方式不对。

真正需要追问的是：用户在这个场景中，具体卡在哪个步骤？这个步骤现在需要用户付出什么成本？

这个成本可能是时间，比如撰写一份周报需要花费四十分钟。

可能是门槛，比如不会写SQL语句就无法获取数据。

也可能是心理负担，比如面对空白文档不知从何下笔。

只有把成本说清楚，才能判断AI是否是对症下药的解决方案。

一个很实用的检验方法是：把"AI"这两个字去掉，用一句话来概括这个功能的价值。"帮用户把40分钟的周报压缩到5分钟"这个描述是成立的。"用AI提升写作体验"就不成立，因为它描述的是手段，而不是价值。

还没完，继续追问：这个成本，传统方案能否解决？

如果一个模板、一个筛选条件、一条规则就能解决问题，那就没有必要引入AI。

AI的优势在于处理模糊、开放、难以穷举的任务，比如理解一段自然语言、生成一份初稿、从大量文本中提炼关键点。当任务本身足够确定时，使用规则往往更快、更便宜、更可控。

第一问的目的，是防止把AI当作目的，而不是手段。

第二问：如果AI出现错误，会带来什么后果？

传统功能的逻辑是确定的：输入相同，输出就相同，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。

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

可以从三个角度来分析：

错误的成本有多高：推荐一首不合口味的歌曲，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。成本越高，AI就越应该退到辅助位置，由人来做出最终决定。

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

错误之后有没有退路：用户能否一键撤销，能否手动修改，能否回到原来的流程。好的AI产品都会为"错误"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设计成"自动执行"，还是"给出建议由用户确认"。

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

第三问：如何证明AI比现有方案更好？

这是最容易被跳过的一问。

传统功能有现成的验收方式：按钮能点击，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获得价值。

因此，一开始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。每次调整模型或提示词，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，往往比点击率更诚实。

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"我们也做个AI功能"，不妨先别急着打开模型文档。

先问清楚：用户的成本是什么，错了会怎样，怎么证明好。

问完这三句，再动手也不迟。在这个过程中，不妨参考「&熊猫体育「中国」官方网站 - 快乐运动,智慧健身」的思路，确保每一步都基于清晰的目标和可衡量的结果。

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。