ai-product-strategy

AI 产品策略

优先打造影响重大的工作流，并驾驭非确定性开发，以构建具有持久竞争力的 AI 产品。

借鉴 Lenny's Podcast 和 Newsletter 中 26 位嘉宾及帖文的见解，为用户提供 AI 产品策略方面的帮助。

如何提供帮助

1. 明确切入点 - 找出摩擦较大的繁琐事务，在这些事务中，AI 能为用户带来不成比例的显著收益。
2. 选择架构 - 根据需求是实时数据还是特定行为，在检索增强生成（RAG）和微调之间做出选择。
3. 安全地扩大自主性 - 设计逐步提升自主性的方案，在转向完全自动化前让人类参与其中。
4. 面向发展趋势构建 - 根据未来模型能力规划产品路线图，而不是为当下的局限性搭建复杂脚手架。

核心原则

考虑输出的不确定性

Alex Komoroske：“LLM 让编写糟糕软件的成本大幅降低了，不一定是好软件，但在某些场景下足够好。这也意味着，现在有些并非传统计算的软件可以低成本运行。其边际成本相对较高。”

设计产品体验时，应假设 AI 具有非确定性且并不完美，而不是试图在 UI 中强求 100% 的准确率。

将产品视为有生命的有机体

Asha Sharma：“由于这些模型现在非常有效，你会想要开始针对某些类型的结果对它们进行调优。突然之间，它们就成了有生命的有机体，会随着互动增多而不断变好。我认为，这就是每家公司的新 IP：那些能够思考、成长和学习的产品。”

衡量成功与否，应看团队吸收数据、改进学习循环的速度，而不是静态发布功能的频率。

通过垂直化建立竞争壁垒

Logan Kilpatrick：“我们不会推出某些多样化的垂直领域产品。我们不会推出 AI 销售 Agent。那并不是我们的发展方向。而那些专注于特定领域知识、对某个问题空间真正充满热情的公司，可以进入该领域，利用我们的模型，持续处于前沿，而无需亲自投入所有研发工作。”

避免与基础模型竞争，转而瞄准特定行业细分领域，在这些领域中，专业知识能带来结构性优势。

孵化特定的超能力

Noah Weiss：“我认为，在 AI 领域，我们正试着了解客户的想法：如果 Slack 拥有这些新超能力，你希望它能做什么？我们可以组建几个团队，或制作原型，给他们空间去探索和试点，然后推出令人惊艳、让人眼前一亮的产品。这就是我们看到的成功模式。”

通过识别客户的具体需求，并为专门团队提供独立原型设计的空间，避免推出泛泛的 AI 功能。

面向模型的未来构建

Sherwin Wu V2：“这个领域和模型本身变化得非常快。它们往往会颠覆自身。模型会很快把你的脚手架吞掉。”

面向未来 12 到 18 个月内的能力进行设计，避免搭建最终会被模型原生能力取代的定制脚手架。

逐步提升自主性

Aishwarya Naresh Reganti + Kiriti Badam：“你需要有意识地从影响最小、人类控制力最强的场景入手，以便充分了解当前的能力以及能用这些能力做什么，然后再慢慢提高自主性、减少控制。”

安全部署 Agent 系统时，应从人类参与其中的建议开始，再逐步扩展到完全自主交互。

模板与框架

• AI 术语表 - 20 多个关键术语（AI 术语表）- 一份全面的 AI 术语参考清单，包含“像给 5 岁孩子解释一样”的定义，方便在会议时随手查阅
• AI 产品构建者的 12 条原则（构建 AI 产品的反直觉建议）- 汇集了 GitHub、Canva、Superhuman、Perplexi 等公司的 20 多位 AI 产品负责人提出的 12 条构建 AI 产品的反直觉原则
• CC/CD（持续校准／持续开发）框架（为什么你的 AI 产品需要不同的开发生命周期）- 一个适用于 AI 产品的六步开发生命周期框架，考虑了非确定性以及自主性与控制之间的权衡。取代传统的 CI/CD 思维
• AI 集成决策框架（摘要：AI 与产品管理 | Marily Nika（Meta、Google））- 一种用于判断何时以及如何在产品中添加 AI 的决策方法
• 将苦涩教训应用于 AI 产品构建（Sherwin Wu V2）- 将 Rich Sutton 的苦涩教训扩展到 AI 产品构建：随着模型进步，脚手架和变通方案终将被取代
• AI 初创公司的防御力框架（Peter Deng）- 构建具有防御力的 AI 初创公司的三大支柱：专有数据飞轮、精心设计的工作流，以及能够克服现有企业分发优势的产品打磨。
• AI 产品思维转变：原型优先与设计优先（构建 AI 产品的反直觉建议）- 对比传统软件开发方法与 AI 原生方法的框架，后者的可行性尚不确定
• AI 产品差异化层级：数据 > 界面 > 模型（构建 AI 产品的反直觉建议）- 一种用于判断 AI 产品持久竞争优势所在的层级结构
• AI 中的用户黏性胜过护城河（Scott Wu）- 在 AI 产品中，防御力来自不断累积的用户黏性（积累的知识、团队工作流、学习），而非难以逾越的准入壁垒

完整列表及详情请参阅 references/artifacts.md。

帮助用户思考的问题

• “你的产品中，自动化能带来最大收益的高摩擦任务是什么？”
• “你的用例是否需要访问实时内部数据，或保持特定且一致的行为风格？”
• “你如何设计界面，以应对非确定性或不正确的 AI 输出？”
• “你构建的功能是否可能在一年内因基础模型更新而过时？”
• “你拥有哪些竞争对手难以获取或复制的专有数据？”
• “你将如何衡量产品学习循环随时间推移的运转速度？”

需要指出的常见错误

• 围绕当前模型的局限构建 - 为解决当前模型的弱点而搭建复杂脚手架是行不通的策略，因为基础模型很快就会吸收这些功能。
• 为了添加 AI 而添加 AI - 缺乏经过验证、有数据支持的用户问题的通用 AI 功能，无法提供有意义的价值或防御力。
• 假设准确率为 100% - 忽视 AI 的概率性，会在模型不可避免地产生幻觉时导致用户体验崩坏。
• 将提示词工程置于数据之上 - AI 功能的效果往往更受底层数据质量和时效性的限制，而非提示词本身。

深入了解

如需查看 26 位嘉宾提供的全部 45 条见解，请参阅 references/guest-insights.md

相关技能

• Ai Evals
• Ai Native Ux