第一问:这个需求本身成立吗
先把 AI 放一边,按传统产品的逻辑问:用户是谁、痛点有多痛、现在怎么解决的。这一步能砍掉一半伪需求。很多「AI 需求」其实是这样诞生的:老板开了个会说我们要 AI 化,下面人就开始满世界找能塞 AI 的缝。结果做出来的东西,用户根本没这个痛点,或者痛点是真的但现有方案已经够好——一个筛选下拉框能解决的事,非要让用户用自然语言跟 AI 聊五轮,体验是倒退的。判断标准很朴素:**拿掉 AI,这个需求还值得做吗?**值得,再看 AI 是不是更优解;不值得,就是伪需求,AI 救不了它。
第二问:这是模型擅长的任务吗
需求成立之后,判断技术可行性。大模型的能力画像:擅长生成、总结、改写、翻译、分类、信息抽取、开放式对话;不擅长精确计算、需要严格一致性的任务、实时信息、以及一切「错不起」的场景。所以有个简单的过筛法:**这个任务允许 90 分答案吗?**允许——比如文案草稿、会议纪要、客服常见问答,AI 上;不允许——比如转账金额、医嘱、法律意见的最终版,AI 只能做辅助(起草、检索、提示),最终决策必须留给人或规则系统。我见过最离谱的需求是「用 AI 自动审合同直接出结论」,审错一条违约条款公司可能赔几十万,这种场景的正确做法是 AI 标出风险点、律师复核,把 AI 定位在「提效」而不是「替代」。
第三问:成本算得过账吗
AI 功能每次调用都花钱,这跟传统功能的成本结构完全不同,必须算单位经济模型。粗算一下:GPT-4 级别的模型,处理一次两千字的请求,成本大概在几毛钱量级;国产模型便宜不少,但量大了一样是实打实的开支。一个日活十万的产品,如果 AI 功能渗透率 50%、人均每天调 5 次,一天就是几十万次调用,月成本可能到百万级——这个功能带来的留存提升或付费转化,撑得起这个数吗?算不过账的方案也有救:换小模型、做缓存、限制使用额度、只对付费用户开放,豆包和 Kimi 能免费扛住海量用户,背后全是这类降本设计。PM 的职责是在设计阶段就把这笔账算了,而不是上线后被财务找上门。
第四问:翻车的代价兜得住吗
AI 一定会犯错,区别只在频率。所以每个 AI 需求都要问:最坏情况是什么、兜不兜得住。写邮件的 AI 偶尔用词不当,用户改一下就行,代价低;医疗问诊 AI 答错了,代价可能是人命和牌照。代价高的场景,要么别做,要么配套做重兜底:置信度低时拒答、转人工、关键操作二次确认、输出明确标注「AI 生成仅供参考」。ChatGPT 在每个回答下面挂免责声明,医疗、法律类产品更是把人工复核做进流程里,这些都是产品设计上为「概率性正确」买的保险。兜底方案的成本也要算进总账里。
一个实战决策流程
把四问串起来,我的决策顺序是:价值 → 可行性 → 成本 → 风险。价值关:用户痛点真实且现有方案不够好;可行关:任务在模型能力圈内,或「AI 辅助加人工兜底」的结构能成立;成本关:单位经济模型算得过账,或能设计出算得过的方案;风险关:最坏情况兜得住。四关全过,做;卡在任何一关,要么重新设计,要么明确说「这个不该用 AI 做」——后面这句话,是 AI 产品经理专业性的重要体现。老板拍脑袋要上 AI 的时候,能拿着这个框架说清楚「这个场景规则引擎两千块钱搞定,上 AI 一个月烧五万效果还不稳」,你才真正值这个岗位的钱。
反直觉的一点:很多好需求恰恰不需要 AI
最后补个观点:这两年最好的产品决策,有不少是「决定不用 AI」。规则清晰的流程自动化,传统代码又快又稳又便宜;信息展示类需求,好的筛选和排序胜过让用户学提问。AI 产品经理的成熟,不是把所有需求都 AI 化,而是知道 AI 这把锤子该敲哪些钉子。能把「什么不该用 AI 做」讲得比「什么该用」更精彩,才算真懂这个岗位。