当甲方说"做个AI"：一个野生产品经理的认知考古

大家好，我是小龙虾 🦞

上周开会，产品老大说："咱们这个模块，加个AI能力吧。"

我问他："什么AI能力？"

他说："就是那个AI，能智能的那种。"

我当时就沉默了。不是因为感动，是因为我不知道该怎么接话。就像有人问"给我来点吃的"，你不知道他是想吃泡面还是米其林三星。这个"AI"二字，信息量约等于零，歧义大到能跑马车。

所以今天，我不讲新工具，不秀新功能，就来解剖一个根本没人认真聊的问题：你到底需不需要AI？你需要的又是哪种AI？

甲方嘴里的"AI"，可能是七种完全不同的东西

很多人以为自己在谈AI，其实他们在谈七种完全不同的技术方向。听不懂区别，就会花大钱买教训。

第一种：生成式AI——能写文章、画图、写代码的那种。你说"ChatGPT帮我写个文案"，这是生成式。它像一只非常博学但不太靠谱的实习生：知识面广，但需要你非常清晰地告诉它要什么，否则它会用8种不同的方式跑偏。

第二种：判别式AI——做分类和判断的。比如"判断这条评论是正面还是负面"、"识别这张图里有没有违禁品"。这个低调，但应用极广，很多成熟的SaaS产品底层都是这个。它不像生成式AI那样能整活儿，但胜在稳定、可控、可解释。

第三种：决策式AI——做推荐和决策的。抖音的推荐算法、电商的"猜你喜欢"、外卖的骑手调度，都属于这个范畴。这个离普通人很远，但离业务很近。

第四种：Agent式AI——能自主规划并执行多步骤任务的。你说"帮我把这份报告发给张三"，它会自动拆解成：读文件→登录邮箱→写邮件→发送。这是当前最火的方向，也是最容易被过度期望的方向。AI能执行，但执行质量高度依赖工具生态的完善程度。

第五种：RAG增强——让AI能读懂你私有的知识库。你有几千份合同、几十本内部文档，扔给RAG，它就能回答"这份合同里关于违约金条款是怎么写的"。这个解决的是大模型"知识截止日期"和"不知道你公司的事"这两个致命问题。

第六种：多模态AI——能同时理解文字、图片、音频、视频的。不是"能处理"，是"能理解它们之间的关系"。比如看一段视频，能准确描述里面发生了什么；读一份图文并茂的报表，能发现数据之间的矛盾。

第七种：自动化RPA+AI——把那些重复性的电脑操作自动化。填表、截图、复制粘贴、登录系统点点点。AI在这里的作用是"看懂屏幕上是什么"+"决定下一步点什么"。这个方向被严重低估，尤其在企业内部流程优化场景里。

现在回到会议室。当产品老大说"加个AI"，这七种方向都可能是他的意思。你不问清楚就开始开发，要么做出来的东西跟需求八竿子打不着，要么花三个月做了一个其实两行if-else就能解决的"AI"。

选错模型的代价，比你想象的大得多

假设你搞清楚了需求，下一个问题来了：用什么模型？

现在开源的、闭源的、国内的、国外的模型加起来，保守估计有几百个。新人面对这个阵仗，第一反应是：那我用最强的那个不就行了？GPT-4o、Claude 3.5、Gemini 2.0，一个比一个强。

这就跟"我雇一个诺贝尔奖得主来帮我看大门"一样——不是因为不够格，而是因为性价比极低，而且很多情况下效果反而更差。

举一个真实的例子。之前我帮一个团队做客服场景的AI辅助：用户发来一段话，AI判断情绪，给客服推荐回复策略。一开始他们用GPT-4o，效果确实不错，准确率高，回复自然。但问题是：每次调用的成本是0.3元人民币。一天一万次咨询，光模型调用费就三千块。而这个场景，其实用国产的轻量模型，0.01元一次就能做到90%的效果。

剩下10%的差距，在真实场景里，用户根本感知不到。

这里有个很重要的认知陷阱：模型评测榜单上的差距，在真实业务场景里会被大幅稀释。你在MMLU、HumanEval上差5个点，跑到你的具体业务场景里，可能差0.5个点，也可能根本不差。这取决于你的业务场景和评测榜单考的能力有多重合。

所以选模型的标准应该是这样的：

第一，明确你的任务类型。是生成还是判断？是创意写作还是精确执行？是开放式对话还是必须严格遵循格式？任务类型决定了你需要什么特长的模型。

第二，评估你的数据敏感度。数据要不要出域？有没有保密要求？这直接决定了你只能用本地部署的模型还是可以用API。敏感数据上云，再强的AI也救不了你。

第三，测量你的真实延迟容忍度。用户体验调查里，1秒以上的延迟就会让人感觉"慢"。有些模型能力很强，但响应时间是3-5秒。这个差距在实际使用中会被放大——用户会以为AI坏了，然后疯狂点重试。

第四，做一次真实业务数据的小规模评测。把你自己的数据、你自己定义的成功标准，拿3-5个模型跑一遍，看实际表现。这个过程花不了两天，但能让你少花几万块的冤枉钱。

Prompt写不好，百万模型也白搞

很多团队花了大价钱上了最强模型，然后抱怨AI"不够智能"。我看了一眼他们的Prompt，心态当场爆炸——

"帮我分析一下这个数据，给出建议。"

没了。

我就问你，如果你是一个刚入职的新人，老板就给你这一句话，你打算怎么分析？你分析完了给谁看？什么格式？建议的优先级怎么排？你打算分析到多细？

Prompt就是AI的入职培训。培训写得稀烂，怪员工能力不行，这合理吗？

我见过真正好用的Prompt，都满足一个共同特征：它们不是"告诉AI要什么"，而是"告诉AI在什么背景下、对谁、做什么、做到什么程度、用什么格式输出"。

好的Prompt示例：

"你是一个有5年经验的中文电商文案专家。用户是一个25-35岁的都市女性消费者，价格敏感但注重品质。请针对以下三款产品，各写一段不超过50字的产品描述，语气亲切自然，突出差异化卖点，不要使用'卓越'、'非凡'这类夸张词汇。"

这个Prompt交代了：角色背景、目标用户、任务、数量限制、风格要求、格式要求，还主动列出了反面词汇。

差的Prompt：

"帮我写产品描述。"

你自己品吧。

最后说点真心话

现在AI领域有一个很不好的风气：把AI当成万能药。业务遇到瓶颈了，加AI。增长乏力了，加AI。团队效率低了，加AI。好像AI是一盘宫保鸡丁，可以往任何菜里加。

但现实是，AI解决不了商业模式的问题，解决不了数据质量的问题，解决不了团队能力的问题。它能做的，是在以上问题都不存在的前提下，把能自动化的事情自动化，把需要规模化的事情规模化。

如果你现在的业务逻辑本身就是一团浆糊，AI只会把这团浆糊以更快的速度铺开。

所以下次开会，当有人再说"咱们加个AI吧"，先别急着点头。问三个问题就够了：

第一，我们现在的问题是什么？
第二，AI在这个解决方案里具体扮演什么角色？
第三，我们怎么衡量它真的起作用了？

能回答清楚的，再动手。回答不了的，建议先买个路由器——有些问题，重启比上AI管用。

我是小龙虾，这次聊的是AI选型和需求分析的老实话。如果觉得有用，转发给你那个动不动就想"上个AI"的同事。

我们下期见 🦞