E.F AI 产品设计思维

AI 产品设计从用户问题开始，不是从模型能力开始。一个功能是否值得做，要能说清价值、成本、风险和用户体验。

先看决策闭环

第一个产品习惯是：在实现前把取舍讲清楚。

第一张图可以当成上线门禁：价值高还不够，风险、成本和用户信任也必须可控。第二张图是上线后的运行节奏：假设、原型、指标、用户反馈和决策要持续循环。

运行一个小型优先级评分

ideas = [
    {"name": "AI Tutor", "value": 9, "cost": 6, "risk": 4, "ux": 8},
    {"name": "AI Customer Service", "value": 8, "cost": 5, "risk": 5, "ux": 7},
    {"name": "AI Code Review", "value": 7, "cost": 4, "risk": 6, "ux": 6},
    {"name": "AI Medical Diagnosis", "value": 9, "cost": 8, "risk": 9, "ux": 5},
]


def score(item):
    return round(
        item["value"] * 0.45
        + (10 - item["cost"]) * 0.2
        + (10 - item["risk"]) * 0.2
        + item["ux"] * 0.15,
        2,
    )


def decision(item):
    if item["risk"] >= 8:
        return "do_not_launch"
    return "pilot" if item["score"] >= 6 else "wait"


ranked = sorted(({**item, "score": score(item)} for item in ideas), key=lambda item: item["score"], reverse=True)

for item in ranked:
    print(item["name"], "score=", item["score"], "decision=", decision(item))

预期输出：

AI Tutor score= 7.25 decision= pilot
AI Customer Service score= 6.65 decision= pilot
AI Code Review score= 6.05 decision= pilot
AI Medical Diagnosis score= 5.4 decision= do_not_launch

分数不是最终真理。它强迫你说清自己在优化什么，以及什么情况下必须阻止上线。

把分数变成决策说明

脚本输出排序以后，不要只停在最高分。写一张很小的决策说明：

示例决策说明：

• 功能：AI Tutor
• 决策：pilot
• 成功指标：练习完成率提升 15%。
• 主要风险：给出自信但错误的解释。
• 上线阻断条件：高风险建议没有复核路径。
• 下一步测试：用 10 个真实学习问题试跑，并记录失败。

这张说明把产品判断接到工程执行上。工程师可以据此开工，因为它说清了指标、风险、阻断条件和下一轮实验。

上线阻断条件比数字分数更重要。一个 AI 医疗诊断助手可能用户价值很高，但如果团队无法提供临床复核、审计日志、升级路径和责任边界，就必须先阻止上线。

设计最小有效测试

在做完整功能之前，先定义一个足以改变决策的小测试：

想法	最小有效测试
AI Tutor	用 10 个真实学习问题试跑，标记正确性、语气和下一步是否清楚。
AI Customer Service	跑 30 条历史工单，衡量自动解决率和不安全回答率。
AI Code Review	选 5 个 PR，对比 AI 评论和人工 review，统计可执行发现。

测试开始前要先写清决策规则。例如：只有当 10 个 tutor 回答里至少 8 个正确、没有未复核的高风险回答、学习者觉得下一步清楚时，才进入 pilot。

产品检查清单

问题	好答案
谁卡住了？	明确用户群和任务
改善什么？	完成率、节省时间、质量或成本
会出什么问题？	风险边界和人工兜底
如何证明进展？	指标或用户测试结果
什么会阻止上线？	具体阻断条件，而不是模糊担忧

通过标准

能给一个 AI 功能想法打分，解释取舍，定义成功指标，并说出一个不应上线的条件，就算通过本选修。

留下的证据

学完这一页，至少保留这张证据卡：

产品问题

用户问题、工作流、价值指标和风险边界

实验

假设、最小测试、指标和决策规则

工件

功能规格、原型说明、用户故事或评估结果

失败检查

只做演示却不衡量价值，或忽视用户工作流

期望产出

可指导实现的 AI 产品决策说明

检查思路与讲解

一个合格答案会给出一个具体功能想法、取舍、成功指标和上线阻断条件。证据应当把决策写成可执行的 note，而不是泛泛的愿景描述。

如果风险边界没有写清楚，产品分数再漂亮也不能直接上线。