产品经理怎么判断一个需求适不适合用AI解决？

自从大模型爆发以来，产品经理圈子里弥漫着一种奇怪的焦虑：似乎如果不把LLM塞进产品里，我们就落伍了，产品就没卖点了。

于是，我们看到了各种奇怪的“缝合怪”：

一个明明用正则表达式就能搞定的数据提取，非要调个API去问GPT；

一个明明点击两次就能完成的设置操作，非要让用户打字跟Bot对话；

一个对精度要求100%的财务报表，竟然敢让有幻觉的模型去生成。

作为一名AI产品经理，核心竞争力不再是谁能更熟练地写Prompt，而是谁能更冷静地对不适合AI的伪需求说“不”。

今天，我想聊聊：如何判断一个需求，是否适合用AI解决？

一、 理解本质：概率学 VS 确定性

要判断“能不能用”，首先要理解“AI是什么”。

生成式AI的本质是“基于概率的预测机器”。它是一个随机过程。

而传统的软件工程（我们过去做的所有App、SaaS、ERP），建立在“确定性逻辑”之上。

传统软件：输入 A，必定输出 B。

生成式AI：输入 A，大概率输出 B，小概率输出 B'，偶尔胡说八道输出 C。

这是所有决策的原点。

1. 容错率极低的场景：绝对的“No-Go Zone”

如果你的业务场景对错误的容忍度是零，那么请远离端到端的生成式AI。

最典型的例子是医疗处方决策、高压电网调度、核心账务计算。

我曾经遇到过一个金融科技的案子，产品经理想用LLM来自动审核贷款合同中的违约条款。Demo演示的时候很完美，效率提升百倍。但在测试中发现，只要合同措辞稍微晦涩一点，或者存在双重否定句，模型的判断准确率就会掉到92%。

92%在推荐算法里是神级表现，但在风控领域就是灾难。这意味着100个违约风险里有8个被放过了。

判断标准一：

如果用户必须花大量时间去“复核”AI生成的结果，且复核的成本（时间+认知负荷）接近或超过了用户自己动手做的成本，那么这就是一个失败的AI场景。

2. 黑盒焦虑与可解释性

当你用传统的“if-else”写代码时，你可以告诉客户：“因为你的库存小于10，所以不能下单。”

但当你用大模型时，你没法告诉客户为什么。

如果你的产品主要价值在于“合规”与“追责”，AI往往不是好选择。比如法律取证环节，或者保险理赔的拒赔理由。用户需要的是一个确凿的证据链，而不是一个模棱两可的“模型认为”。

二、 体验的倒退：LUI 并不总是优于 GUI

现在有一种论调：LUI（自然语言交互）是终极交互形态。 于是很多PM恨不得把所有菜单都折叠起来，只留一个对话框。

这是一个巨大的误区。

图形用户界面（GUI） 存在了40年，是因为它极其高效。它通过“限制用户的选择”来降低认知负荷。用户看到按钮就知道能干什么，点一下就是一下。

而自然语言交互（LUI） 虽然灵活，但它带来了两个巨大的成本：

输入成本：打字通常比点击要慢。

Prompt构思成本：用户不知道该说什么，也不知道AI能干什么。

判断标准二：

如果现有的GUI交互可以在3步（或5秒）内完成闭环，且选项是有限且清晰的，千万不要强行上Chatbot/Agent。那是为了AI而AI，是体验的倒退。

三、 算不过来的账：Token 经济学与响应速度

作为产品经理，不仅要对体验负责，还要对ROI负责。

AI很贵。不仅仅是API的调用费，还有延迟带来的隐性流失率。

1. 杀鸡焉用牛刀

很多需求是“结构化数据提取”。比如，从一段短信里提取验证码，或者从发票里提取金额。

你可以微调一个7B的小模型去做，甚至用Prompt工程调GPT-4去做。效果确实不错。

但是，传统的OCR技术+正则表达式，成本几乎为零，速度是毫秒级，准确率99.9%。而调用一次GPT-4o，不仅要花钱，还要等待网络传输和推理生成的1-2秒。

如果你的功能是高频触发的（比如即时通讯里的消息预处理），这笔账根本算不过来。

2. 致命的延迟

互联网产品的“生死线”通常是400毫秒。超过这个时间，用户的注意力就会开始涣散。

目前大模型的首字生成时间（TTFT）虽然在优化，但对于很多实时反馈类的需求（比如游戏操作辅助、即时搜索建议），依然太慢了。

判断标准三：

如果你的功能是高频、低价值密度的，且对实时性要求极高，请慎用大模型。

不要为了解决一个“原本就能解决”的问题，引入了“等待”这个新问题。

四、 那么，什么样的需求适合用AI？

批判了半天，不是为了让大家不做AI，而是为了更精准地做AI。

当我们排除了上面那些“坑”之后，剩下的就是AI真正的优势。

我总结了一个“AI 适用性三角”，只有落在这个三角内的需求，才值得All-in。

1. 任务的非结构化程度高

这是AI的绝对主场。

输入不确定： 用户说的话千奇百怪、上传的图片各种角度。

输出不确定： 写一首诗、画一幅图、写一段代码摘要、把一段复杂的会议录音变成结构化的纪要。

传统的逻辑代码处理不了“模糊”，但AI可以。 AI擅长在混沌的信息中提取意义。

2. 边际成本递减

如果你需要生成1000篇千人千面的营销文案。

用人写：越写越累，质量越差，成本线性增长。

用AI写：第一篇需要调试Prompt，成本很高；但从第二篇开始，成本几乎为零，且质量恒定。

凡是涉及到“大规模内容生成”或“大规模个性化服务”（比如给100万个学生提供100万个不同的AI助教）的场景，都是AI的绝佳战场。

3. 容忍“差不多”的场景

这听起来不像好话，但在产品设计中至关重要。

推荐电影： 推荐错了无所谓，用户顶多刷新一下。

头脑风暴： AI给出的10个创意里有8个是垃圾，但只要有2个能启发我，它就是有价值的。

草稿生成： AI帮我写的邮件草稿，我修改20%就能发出去，它帮我节省了80%的时间。

在这些场景下，用户本身就是人机协同的一环，用户预设了“我要筛选和修改”的心理预期，所以容错率高。

五、 产品经理的自我修养：回到第一性原理

作为AI产品经理，我们每天面临的诱惑太多了。新的模型每天都在发布，新的Agent框架层出不穷。我们很容易迷失在技术的丛林里，手里拿着一把金光闪闪的锤子，看什么都像钉子。

但请记住，用户不关心你用了什么模型，用户只关心他的问题有没有被解决。

如果你能用简单的规则引擎解决问题，就不要用机器学习； 如果你能用传统的机器学习解决问题，就不要用大模型； 如果你必须用大模型，请务必设计好“兜底策略”和“人机协作流程”。

这并不是保守，这是对技术的尊重，更是对用户的负责。

真正的AI产品力，体现在你敢于在99%的伪需求面前，坚定地选择那个不仅能用AI解决，而且只能用AI解决，且能带来10倍体验提升的真需求。

这才是我们作为产品经理，在这个狂热时代的价值所在。