过去两年，产品经理在需求评审会上听到最多的一句话，可能已经从「这个功能能不能做成小程序」，变成了：「这里能不能加一个 AI？」
客服要加AI，知识库要加AI，报表要加AI，连原本点两下就能完成的操作，也要套一个对话框。
AI正在变成新的产品装饰。
界面上没有一个闪着渐变色的AI按钮，产品似乎就不够先进；竞品上线了AI功能，自己的需求池里第二天就会多出一个「快速跟进」。
但对AIPM来说，真正困难的问题从来不是「怎么接模型」，而是：这个需求，真的需要AI吗？
今天做出一个能演示的AI功能并不难。难的是证明它上线后有人用，用户用了以后真的省事，规模扩大以后成本仍然合理，模型答错以后业务也不会失控。
判断一个需求是不是「为了AI而AI」，我通常看三个维度：
- 任务里是否存在值得AI处理的不确定性；
- 这项能力能否产生规模化价值；
- 人与AI之间能否形成清楚分工。
三个问题中，只要有一个答不上来，这个需求就不应该急着立项。
一、没有不确定性，就没有必要上AI
AI不是更高级的规则引擎
很多团队判断一个场景是否适合AI时，首先问的是：模型能不能做？
从技术上看，大模型能做很多事情。它能识别发票、修改文案、查询订单，也能生成报表。
但「能做」和「应该做」完全是两回事。
一个需求是否需要AI，首先要看任务中有没有不确定性。
所谓不确定性，通常来自四种情况：
- 用户输入很模糊；
- 信息是非结构化的；
- 规则难以穷举；
- 输出不只有一个标准答案。
例如，用户对客服说：「我上周买的东西还没到，明天就要送人了，怎么办？」
这句话没有明确说订单号，也没有直接说要退款、催物流还是改地址。系统需要理解上下文和真实意图。
这是AI适合处理的任务。
但如果需求只是：根据订单号查询物流状态。那就不需要大模型。查数据库、调用物流接口，结果更快、更准。
如果强行让AI处理，不仅增加成本，还可能把「已到达转运中心」总结成「预计今天送达」。用户听起来更舒服了，信息却错了。
确定性任务，优先交给确定性系统
传统软件最擅长的是：明确输入、固定规则、标准流程、唯一结果。
比如订单金额、库存扣减、权限判断、支付状态、优惠计算。这些任务对准确率和一致性要求很高，规则又能清楚描述。
这时候，数据库、搜索、规则引擎和工作流系统通常比大模型更合适。
AI更像一个善于理解模糊信息、给出可能答案的同事，而不是永远精确的计算器。
所以，需求评审时我会先问一句：如果不用AI，这件事能不能通过规则、搜索、模板或自动化完成？如果答案是「能，而且更稳定」，那就没有必要为了体现AI含量，把简单任务改造成模型任务。
正确做法：让AI理解，让系统执行
假设销售人员问：「华东区本月还有多少未回款合同？」
这个需求可以拆成两部分：第一，理解用户在问什么。第二，准确查询数据并计算结果。
前者可以交给AI，把自然语言转成查询条件；后者必须交给数据库。
合理的流程是：AI理解问题 → 系统生成查询条件 → 数据库返回结果 → AI负责解释，而不是把一堆销售数据塞给模型，让它直接生成数字。
前者让AI处理不确定性，让系统处理事实；后者则把本来准确的数据库变成概率游戏。
二、一次惊艳，不等于规模化价值
AI最容易制造Demo幻觉
AI产品很容易让团队产生一种错觉：只要Demo跑通，业务价值就成立了。
会议室里，产品经理输入一句复杂指令，AI十几秒生成一份漂亮报告。领导觉得效果不错，项目顺利立项。
三个月后，真正使用它的人每天只有十几个，其中一半生成后还要大改。
这种项目不是没有能力，而是没有规模化价值。
判断一个AI需求值不值得做，不能只看它能否完成一次任务，还要看这种价值能否稳定、低成本地重复发生。
规模化价值，要看五件事
第一，任务是否高频。一个任务每人每年只发生一两次，即使AI每次节省十分钟，总价值也有限。相反，一个客服团队每天处理几万条咨询，即使AI每次只节省十秒，累计价值也可能很大。所以不要先问「效果有多惊艳」，而要问：这个动作一天发生多少次？
第二，能力能否复用。为某位领导定制一个AI周报工具，可能有使用价值，但未必有产品价值。如果同样的能力能被上百名管理者使用，或者能迁移到销售周报、运营周报和项目周报，才值得持续投入。产品不是为一次需求写一个提示词，而是把共性能力做成可复用的系统。
第三，节省的是完整时间，还是生成时间。AI生成报告只需要一分钟，不代表整个任务只需要一分钟。用户可能还要检查事实、修改格式、删除错误内容、补充遗漏信息，并与原始资料逐条核对。如果原来人工写报告需要30分钟，AI生成需要1分钟，但核验和重写需要35分钟，产品并没有提高效率，只是改变了工作的顺序。AIPM要计算完整任务链，而不是只看模型生成速度。
第四，规模扩大后成本是否仍然合理。AI产品的成本不只有模型调用费，还包括数据清洗、系统集成、知识库维护、人工复核、内容审核、异常处理和安全合规。如果一个功能每次只能节省几毛钱，却需要持续调用高成本模型并进行人工检查，那么用得越多，未必价值越大，也可能亏得越快。
第五，错误是否会被规模放大。产品每天运行一万次，即使准确率很高，也仍然会持续产生错误。真正要问的不是「模型准确率够不够高」，而是：错误会发生在哪里？用户能不能发现？一次错误会造成多大损失？能不能撤回？有没有人处理异常？规模会放大收益，也会放大错误。
给AI需求算一笔完整账
可以用一个简单公式：
AI净价值 = 使用次数 × 单次有效收益 − 模型成本 − 系统成本 − 复核成本 − 错误成本
最容易被夸大的是「单次收益」，最容易被忽略的是「复核成本」和「错误成本」。不要只计算AI完成了什么，还要计算人为了让AI可用，又多做了什么。
三、AI可以给答案，但不能替人承担后果
人机分工，不是AI生成、人来背锅
很多AI项目上线以后，形成了一种奇怪的工作方式：AI先生成；员工逐字核对；发现问题后全部重写；最后仍由员工承担责任。
表面上看，人和AI一起完成了任务。实际上，AI只是增加了一道不稳定的草稿环节。
真正的人机分工，应该重新拆解任务：哪些步骤是信息搜集；哪些步骤是模式识别；哪些步骤是提出建议；哪些步骤是做决定；哪些步骤需要承担责任。
AI适合处理大量信息、寻找模式、生成候选方案和完成初步分类。人更适合设定目标、处理例外、权衡利益，并承担最终责任。
AI负责可能性，系统负责事实，人负责结果
以客户投诉为例，可以拆成：
- AI识别投诉主题；
- AI提取订单号和诉求；
- 系统查询真实订单；
- 规则判断是否满足退款条件；
- AI生成回复草稿；
- 高风险案例转人工；
- 人确认后发送。
这里，AI负责理解和表达，系统负责事实与规则，人负责例外和责任。
如果直接让AI自行决定退款并执行，模型就同时承担理解、查询、判断和执行。任何一个环节出错，都可能造成真实损失。
高风险场景不是不能使用AI，但AI更适合整理材料、标出异常、给出候选判断、展示依据和提醒遗漏信息。最终决定仍应由具有相应权限的人完成。
四、五种典型的伪AI场景
1. 先有AI，再找问题。正常需求从用户问题开始。伪需求通常从一句话开始：公司要做一个大模型，请大家提供场景。这时，团队不是在找解决问题的工具，而是在找证明工具有用的问题。
2. 不用AI也能做，而且更稳。原来点一下就能查快递，现在要用户输入「帮我查一下物流」。步骤没有减少，等待更长，还多了误解风险。自然语言不是所有场景中最好的交互方式。用户目标明确时，按钮和筛选项往往更快。
3. 只展示最好的一次。AI演示时，团队通常会挑选最适合模型的输入。真正上线后，用户会输入错别字、不完整信息、长文本和矛盾要求。成熟的AI需求文档，必须包含失败案例、拒答策略、回退路径和异常处理，而不只是成功截图。
4. 节省时间小于检查时间。AI30秒写出方案，员工却要40分钟核对数字和事实。这不是提效，而是把「从零开始写」变成「在真假混合的内容中排雷」。
5. 出错以后没人负责。产品说模型只是建议，业务却直接复制使用；业务说系统自动生成，产品又说最终责任在人。凡是进入真实流程的AI功能，都要写清楚：谁检查；检查什么；哪些错误必须拦截；谁拥有最终权限；出错后如何追查。责任不清楚的AI，不是智能化，而是把风险藏进了对话框。
五、一套可以直接使用的判断方法
我把AI需求判断方法总结为：三道门、两张账、一条线。
第一道门：必要性门
回答五个问题：
- 输入是否模糊或非结构化？
- 规则是否难以穷举？
- 输出是否允许多个合理答案？
- AI是否明显优于搜索、规则和自动化？
- 去掉AI后，核心问题是否仍然无法解决？
如果多数答案是否定的，优先使用传统技术。
第二道门：价值门
需要收集：任务发生频率；真实用户数量；当前完整处理时长；AI介入后的完整时长；模型和系统成本；人工复核成本；错误损失；能否复制到其他流程。不要只写「提升效率」，要写清楚从多少分钟降到多少分钟，影响多少人。
第三道门：责任门
必须明确：AI负责什么；系统负责什么；人负责什么；哪些情况必须转人工；输出是否需要审核；操作能否撤销；日志能否追查。如果没人愿意对结果负责，AI就不应该自动执行。
两张账：收益账和代价账
收益账包括节省多少完整时间、减少多少重复操作、增加多少收入、降低多少损失。代价账包括模型费用、开发费用、数据维护、人工复核、安全审核、异常处理和错误损失。只有收益明显大于代价，规模扩大后仍然成立，项目才值得继续。
一条线：自动化边界线
根据风险，把AI权限分为四级：
- 只生成：生成文案和草稿；
- 给建议：人决定是否执行；
- 确认后执行：人点击确认后修改数据；
- 自动执行：AI自主处理，只把异常交给人。
AI不是越自动越先进。金额越高、风险越大、越难撤回的操作，自动化级别就应该越低。
六、AIPM真正要做的，不是给产品加AI
AI刚进入产品时，团队最容易证明的是能力：能写；能总结；能识别；能调用工具；能自动执行。
但当这些能力逐渐普及，真正的产品差距不再是谁先接入模型，而是谁更清楚：哪个问题值得AI解决；哪一步必须使用确定性系统；哪个结果必须由人确认；什么价值能够持续产生；什么需求应该主动放弃。
AIPM不是给产品增加AI功能的人。AIPM更重要的职责，是判断AI应该出现在哪里，又应该在哪里停下来。
下一次有人问「这里能不能加AI」时，不妨先问三个问题：
- 这件事为什么非AI不可？
- 它被使用一万次以后，价值还成立吗？
- AI给出错误答案时，谁发现、谁处理、谁负责？
能把这三个问题回答清楚，才值得开始做产品。回答不清楚，就先别急着加那个闪着渐变色的AI按钮。
AI时代真正稀缺的，不是生成答案的能力。而是判断什么问题，值得交给AI。
