老板说”产品加个AI”,我反问这4个问题,他沉默了
老板在”AI万能”和”AI根本不行”之间反复横跳时,产品经理可以用4道门把一句”加个AI”变成可验证的产品需求。
基本信息
- 来源:人人都是产品经理
- 作者:蔡延庆(在下毛毛雨)
- 发布日期:2026-07-15
- 阅读量:1179 浏览、9 收藏
- 素材类型:网页文章
核心观点
1. 从”AI什么都能做”到”AI根本不行”只隔一次Demo
产品经理面对老板的”加个AI”需求时,最常见的困境:老板先认为AI万能(“竞品首页都有AI,我们怎么还没有”),Demo翻车后又觉得AI无能(“这就是AI?还不如人工。是不是模型没选对?”)。PM的工作不是证明AI万能,也不是替AI辩护,而是把老板的期待翻译成一个可以验证的问题。
2. AI需求四道门框架
把”加个AI”变成可验证的产品需求,需要依次通过四道门,每道门都要拿出证据,不通过就从对应出口离开:
第一问(用户代价门)——用户真的在为这个问题付出代价吗?
- 基于 JTBD(Jobs to Be Done,用户任务理论):不要先问用户喜欢什么功能,要找出他在特定场景下想完成什么任务
- 案例:老板要做AI客服,跑完流程后发现最费时间的是复杂售后(客服要查订单、物流、会员等级和历史赔付,才能判断退款),需求从”增加AI聊天框”变成”缩短信息收集和判断时间”
- 要证明问题成立,至少要找到行为、频次和成本证据。找不到正在承受代价的人,项目先别往下走
第二问(技术适配门)——为什么一定要用AI?
- 基于 TTF(Task-Technology Fit,任务-技术匹配模型,Goodhue & Thompson 1995):技术只有被实际使用并与任务匹配,才可能改善绩效(600人数据验证)
- 2026年实验验证”锯齿状技术前沿”:758名知识工作者,在AI能力边界内的18项任务上多完成12.2%、速度快25.1%;边界外的一项复杂任务,使用AI的人正确答案概率反而低19%
- 不用AI还能怎么解决?AI具体好在哪里?有些问题用搜索、规则和流程改造就能解决,而且更稳定更便宜
第三问(落地条件门)——AI拿得到完成任务所需的东西吗?
- 大模型会说话不等于能完成工作。复杂售后至少需要订单、物流、退款政策和历史沟通;如需执行退款,还要接入工具、权限和人工确认
- 腾讯首席AI科学家姚顺雨:AI正在从”找方法”转向”找问题”,环境、评估以及模型与环境的交互可能比单看模型能力更重要
- 对应 NIST AI风险管理框架的”情境映射”(Map)环节:先说明场景、目标、相关人员和影响,再进入测试与风险决策
- PM不能只画聊天页面,要画完整任务链:模型能看到什么、调用什么、谁来确认、信息不足时追问还是转人工
第四问(价值验证门)——我们怎么知道AI做得好不好?
- OpenAI《AI in the Enterprise》:“先做评测”(Start with evals)列为第一条经验——先定义用例基准和专家反馈,再开始开发
- 复杂售后助手至少看五个维度:结果质量(引用是否正确)、任务效率(处理时长减少多少)、业务结果(一次解决率/转人工率/投诉率)、风险边界(哪些必须人复核)、单次成本(模型+系统+人工复核成本)
- NBER论文分析5179名客服:AI助手每小时解决问题数平均提高14%,新手和低技能员工提高34%,高经验员工影响很小。AI价值要落实到具体任务和人群
3. 四道门的核心价值是退出路线而非问题本身
这套方法最重要的不是4个问题,而是4条退出路线:问题不成立→回到调研;普通功能能解决→不用AI;条件不足→先补数据和工具;价值无法衡量→做离线测试或暂停。四道门全部通过,才进入模型选型和POC(跑通最小任务链,用真实上下文和评测集验收,再决定扩大、缩小还是停止)。
4. AI产品经理的真正价值:选对问题比选对模型更重要
模型当然要懂,但项目开始时更重要的是选对问题。功能做得越快,选错问题的代价越容易放大。把需求入口守住,才是AI产品经理真正替团队省钱的地方。
实操内容保留
(本文为方法论框架性文章,无实操代码/模板/步骤。)
可参考的工作模板
本文提供的四道门检查清单可作为PM日常工作模板:
AI需求可行性检查清单:
- □ 找到了正在承受代价的用户吗?有行为、频次、成本证据?
- □ 不用AI也能解决吗?如果常规方案更稳定更便宜,为什么必须用AI?
- □ 数据和工具准备就绪了吗?完整任务链能画出来吗?
- □ 验收标准写清楚了吗?结果质量、任务效率、业务结果、风险边界、单次成本都能衡量?
POC通过标准:跑通最小任务链,用真实上下文和评测集验收,再用”业务影响 × 实现投入”排序,高影响低投入优先。
原文精彩摘录
“老板看到任务A效果惊艳,容易认为AI万能;任务B翻车,又觉得AI无能。在反复横跳的老板的审判中,产品经理要判断的,是具体任务落在边界的哪一侧。”
“四道门全部通过,才进入模型选型和POC。POC要跑通最小任务链,用真实上下文和评测集验收,再决定扩大、缩小还是停止。之后再用’业务影响 × 实现投入’排序,高影响、低投入的需求优先验证。”
“如果项目只能汇报调用次数、对话轮数和生成字数,却说不清改善了哪个业务结果,那是使用量,不是价值。”
“把需求入口守住,才是AI产品经理真正替团队省钱的地方。“
关键概念
- JTBD 用户任务理论 — 本文用JTBD支撑第一问的核心逻辑(待创建)
- TTF 任务技术匹配模型 — 本文用TTF支撑第二问的核心逻辑(待创建)
- NIST AI风险管理框架 — 本文引用其情境映射环节支撑第三问(待创建)
- 锯齿状技术前沿 — 更新758人实验数据的正式发表来源
- Eval 框架 — 与OpenAI”先做评测”呼应
- AI产品经理 — 本文核心受众和角色定义
- 姚顺雨 — 引用其”从找方法转向找问题”观点
- AI产品安全底线 — 与第四问的风险边界评估同构
与其他素材的关联
- 与 2026-07-07-woshipm-agent-safety-guardrails 的风险分层思路一致:低风险快、高风险必须停
- 与 2026-06-26-anthropic-kat-woo-24-advice 中”Start with evals”高度呼应
- 与 2026-04-27-ai-pm-three-core-capabilities 中”倒着干”(以终为始倒推产品设计)互补——本文从需求入口侧把关,三力模型从执行侧保障
- 与 2026-07-01-woshipm-pm-3-unchanged-3-changing 中”问题定义能力是PM底座”一脉相承
- 与 2026-07-16-woshipm-ai-career-transformation 共享锯齿状前沿的实验数据来源,但本文聚焦PM实战应用而非职业影响
- 客服效率数据(NBER 5179人研究)与 2026-05-26-智能客服MVP三件事 的零食品牌客服案例形成互补——前者是学术视角宏观数据,后者是实战MVP验证