本章内容包括：
- 识别适合AI解决的问题
- 利用不同的机会来源
- 优先排序AI机会
- 平衡快速胜利与长期目标
- 对比"先准备，后瞄准，再开火"与"先开火，再瞄准"的方法
在本章中，你将学习如何发现和定义值得用AI解决的问题。使用AI的理由有很多：产品管理教科书通常教我们用AI来满足已有的用户需求；它们也可能讲述如何用AI打造长期的战略优势，但由于这一主题更为复杂且多变，没有统一的标准方法。我的公司之所以成立，是因为AI技术是我们的核心竞争力和独特卖点。许多团队感到沮丧，因为领导层和投资方强迫他们必须用AI打造产品。
实际上，以上这些动机都可能带来成功，关键是确保你的AI功能或新产品能够满足真实的客户需求或愿望。在本章，我们将深入探讨机会空间，发现、评估并塑造AI问题和用例（见图2.1）。
你将学习如何发现AI能解决的现实任务，评估潜在解决方案的商业影响，判断技术可行性，并在快速成果与长期战略目标之间取得平衡。这些技能至关重要，因为AI在许多方面都能带来收益------它能提升生产力、推动创新、个性化用户体验。面对众多机会，也存在走错方向或失去焦点的高风险。为了有效选择并执行最佳方案，你需要结合公司独特的背景，包括战略、总体目标和技术能力。这样的做法将帮助你聚焦最具影响力的机会，强化竞争优势，并带来可量化的商业成果。
常见误区是，许多公司为了"用AI而用AI"，却不清楚自己能带来什么价值或满足哪些客户需求。例如，没有明确使用场景的聊天机器人往往令用户失望，反而没有提升服务质量。本章介绍的方法将帮助你避免这种错误。
本章结构遵循如图2.2所示的发现流程：首先是机会来源，我们通过用户洞察、技术进步以及你的创造力和经验，识别AI可以创造价值的领域。接着，我们通过评估可行性、影响力以及与业务目标的契合度来优先排序机会。最后，你将学习如何明确机会形态，探索解决方案路径，将构想打磨成基于AI的功能。
为了让这些概念更具实操性，我们将通过实际案例进行讲解。你将看到一位音乐流媒体应用的产品经理如何发现一个重要的用户问题------用户难以在日常听歌之外发现新音乐------并评估基于AI的推荐系统。随后，我们会对比医疗健康领域更高风险、更复杂但影响更大的AI机会，展示不同行业中风险、复杂性和影响的差异。
尽管AI机会发现面临独特挑战，许多传统的产品发现、调研和创意原则依然适用。本章过程中，我们将引用持续塑造该领域最佳实践的基础性著作。
2.1 寻找AI创意和机会
要识别最佳AI机会，你需要广泛的选项。你搜集和评估的创意越多，就越有可能发现珍贵的"宝石"，而不至于被少数几个想法的执行压力所困扰。因此，你需要对所有可能来源的创意保持开放，并学会快速判断AI在哪些问题上能产生显著影响。同时，你还应关注AI社区的技术发展，增强对潜在方案可行性和可扩展性的直觉判断。
2.1.1 AI机会树
你正在阅读这本书，我猜想你对AI很感兴趣------但许多人并非如此。脱离技术迷恋的泡沫，你的用户和客户面对的是现实生活问题，期待你提供解决方案。他们大多不关心你产品中的AI------即便关心，也可能把AI与诸如就业替代、隐私和幻觉等风险联系在一起。
那么，如何准确识别值得用AI解决的客户问题呢？你可以绘制所有客户的需求、痛点和愿望，期望AI能解决其中部分问题。然而，根据我的经验，更有效的方法是先聚焦AI的具体优势。例如，假设你负责管理一款音乐流媒体应用。当你围绕六类AI优势------自动化与生产力、改进与增强、个性化、灵感与创新、便利性及情感价值------探索AI机会时，最终形成了图2.3所示的机会树。
其中一些机会已经包含了部分解决方案，这没关系。树状结构中已经编码了这些优势，你无需再额外证明更好的音质或更个性化的音乐推荐能提升用户体验和满意度。当然，最终你需要评估和比较这些机会，以决定优先处理哪些，具体方法见第2.2节。接下来，让我们以音乐流媒体应用为例，逐一讨论这些优势。
自动化与生产力
任何业务都会面临许多需要做出大量小决策的日常任务，例如客户服务、欺诈检测和发票处理。通常，这些任务可以被AI系统学习并执行，从而减少或消除人工完成这些任务的成本。这种优势在B2B领域尤为吸引人，因为整个团队往往被繁琐的常规工作占满。借助AI，这些人力资源可以释放出来，投入到更高价值、更具变革性的工作中。
AI还可以应用于用户希望有人完成但因时间和资源不足而无法完成的任务，也就是那些优先级不高的任务。例如，对于小企业主，AI可以用来实现一套定期向客户推送营销内容的流程------这一场景将在第5至第7章中详细探讨。
生产力提升是AI之旅中重要的第一步，因为它们的价值是切实可见的。图2.4中的公式展示了如何量化自动化机会，并判断其是否值得投入。
让我们来解读一下。右侧表示手工流程的成本，左侧表示AI流程的成本。除了开发和运行AI的成本外，还包括AI错误带来的不可避免的成本------例如，当客服系统给出错误答案时。人工可以识别并修正部分错误，但这也会消耗时间。还有些错误可能被忽视并造成损害；这部分风险也计入了成本。要使你的机会获得回报，左侧的成本应远远低于右侧。
你一开始可能没有所有这些信息，但在发现过程中应收集并估算不同的成本组成部分，这样你才能准确评估价值创造的潜力。
改进与增强
在生产力和自动化领域，AI被用来处理整个任务，取代了之前的人工作业。但我们也可以采用协作的方式，创造更多（且更可持续）的价值。如图2.5所示，AI和人类在不同领域各有所长。通过将这些优势结合起来，你可以取得更好的成果，这是单独依靠任何一方都无法实现的。
例如，在开发新内容时------比如营销文案、博客文章或教学材料------AI语言模型可以基于其庞大的"知识"库生成初稿。然后，人工创作者对这份初稿进行润色，添加只有深入了解公司文化和目标的人才能体现的品牌细微差别、语调和见解。同样，在产品设计中，AI可能分析用户反馈并指出反复出现的问题，而设计师则能将这些洞察转化为直观且用户友好的界面。
在人机协作中，设计合理的AI交互是提升和增强AI能力的核心组成部分。你将在第11章学习如何在协作型用户界面中平衡透明度、控制权与AI自动化。
案例研究：Miro中的人机协作
协作白板软件Miro利用AI来支持人类的创造力和决策，而非替代，比如用于头脑风暴、绘图和综合分析。Miro的AI功能充分发挥了人类和AI各自的优势，如下表所示。
我鼓励你深入研究Miro的AI功能及其相关的沟通方式。它是设计以提升和增强为目标的AI驱动产品的典范
个性化
个性化是一种趋势，现代用户期望产品和服务能够根据他们的需求和偏好进行调整。AI可以利用用户行为、偏好和上下文信息，提供量身定制的推荐、信息和体验。例如，我们的音乐流媒体应用可能会随着时间推移了解听众的口味，提供完美契合他们心情的播放列表；而一款生产力工具则可以为特定用户的工作流程推荐快捷操作或模板。这些针对性的改进使产品更加直观和吸引人，从而提升用户参与度、留存率和满意度。
优质的个性化很难实现。它需要大量关于用户的数据，且糟糕的个性化体验或隐私问题会迅速流失用户。想象一下，你花了比真正看电影更多的时间在Netflix推荐列表里滚动，那种挫败感。在大多数情况下，个性化不会是产品初期的第一大收益------早期你根本没有足够的数据来定制体验。即使产品发展起来，你仍可能达不到用户的期望。例如，很多公司只能成功为少数拥有大量数据的"核心用户"实现个性化，而无法扩展到更多偶尔使用的用户。务必现实看待个性化的可达成度，从强大的数据基础开始，不断优化方法，确保用户感受到被理解和帮助。
启发与创新
AI可以改变创新流程，催生新产品、新服务和新商业模式。现代企业面对不断变化的环境------从法规调整到客户需求演变。为了保持竞争力，公司必须持续适应和创新，AI在这一过程中扮演关键角色，通过以下方式：
- 通过分析海量数据、识别模式和生成大量想法，增强人类创造力
- 挑战根深蒂固的假设、信念和观点，帮助你建立客观性
- 加速从创意到行动的过程，实现更快的反馈循环，从而带来更大的信心和影响力
AI推动创新的一个主要领域是研发。例如，在材料发现领域，借助AI的研究人员发现了44%更多的新材料，申请了39%更多的专利，下游产品创新提升了17%（参见 Aidan Toner-Rodgers 的《人工智能、科学发现与产品创新》；doi.org/10.48550/ar...）。
提示：想了解更多AI在创新中作用的洞见，可以参考波士顿咨询集团的报告《创新体系需要重启》（mng.bz/nZvd）。
便捷性
利用AI快速处理和筛选大量信息的能力，你可以减少用户旅程中的摩擦，消除繁琐步骤。例如，AI驱动的搜索可以预测用户查询，立即给出相关答案，或者日程工具自动建议最佳会议时间。在机场，面部识别等AI技术能减少旅客的焦虑，取而代之的是流畅愉快的体验。便捷性在很多情况下不是产品的核心收益，而是一种额外的差异化因素，代表用户的无障碍体验。
情感价值
AI能够创造更具人情味的交互，在情感层面产生共鸣。比如，语音助手会根据用户的语调和情绪作出回应，推荐引擎能捕捉细微线索，建议振奋人心的内容。这层情感智能让用户体验更有意义，将功能性产品转变成用户在个人层面感受到连接的产品，从而提升用户黏性和参与度。虽然情感参与通常是次要收益，但一些面向消费者的产品------比如AI驱动的游戏或心理健康聊天机器人------正是围绕这一理念打造，将情感连接作为价值的关键驱动力。
常见误区 让我们看看一些不适合用AI解决的机会：
- 重大单一决策------不要试图自动化一次性或不频繁的决策，因为成本往往超过收益。
- 需完全解释的决策------某些决策需要对"为什么"的问题给出明确客观的答案，特别是当决策对人们生活有重大影响时，如信用评分和法律程序。此类情况更适合使用简单的基于规则的方法，以确保完全可解释。
选择合适的机会是一项极具战略意义的挑战。在考虑选项时，不应孤立评估，而要考虑不同收益之间的相互作用和依赖关系。例如，一款心理健康聊天机器人可能围绕情感互动构建，但只有整合足够的个性化后才能体现价值。在B2B场景下，可以从人机协作界面入手，随着产品收集更多任务相关数据，逐步提高自动化程度，最终实现完全自动化。此外，不同机会对资源和技能需求不同。例如，个性化需要大量用户数据，增强型体验需要交互设计的高级技能，创新收益往往需要更深的领域知识支持。
在全书中，你将看到多个场景，涵盖这些AI机会和收益。第12章将再次探讨这些收益，并教你如何向客户和用户传达这些价值。
2.1.2 AI机会的来源
虽然向客户或用户询问是发现新机会的普遍做法，但成功的创新者和产品构建者知道，客户并不总是会直接告诉你他们真正想要什么。因此，你需要保持广阔的视野，从各种渠道寻找灵感。
现有知识与直觉
好的机会和创意不会凭空出现。它们源自经验、强烈的产品洞察力和市场动态。借助现代数字产品的跟踪能力，机会和想法可以通过实验轻松验证，从而实现更灵活、更快速的构思和开发。团队成员可以在产品驱动增长中自行提出假设，而无需严格依赖数据驱动论证。这些假设可以分阶段形成，例如修改提示词或调整局部用户体验元素的布局，方便实现、部署和测试。例如，在第4章中，我们将看到一家电商公司如何逐步在产品中引入预测型AI，以提升个性化和转化率。
另一种方法是咨询并信任领域专家。虽然他们可能不太清楚技术可行性和实施细节，但通常对领域和潜在用户有深入了解，能提出有前景的方向。
最佳实践：你不必将构思限制在团队内部。跨组织的内部众包能帮助你收集更多、更具多样性的有趣新颖想法，也能激发员工对自动化和AI的思考，支持创新文化和主动解决问题的氛围。
通过消除对每个新建议事先提供数据的压力，这种方法利用所有团队成员的直觉和创造力，同时快速直接地验证建议。比如你已经将首个聊天机器人作为金融分析软件的附加功能集成（参考第1章第1.1节），此时你的用户体验团队可以尝试用设计模式（如提示建议和模板）引导用户正确提问。开始时可以在公司内部员工中进行测试，然后转向受控环境下的外部用户，最后在"真实场景"下发布，监测使用和满意度等指标。即使是在不够敏捷的大型组织，也可以通过沙箱环境中的小型试点逐步推动更快的迭代和发现流程。
自用验证（Dogfooding）
另一种常见做法是"自用验证"，即构建AI工具以满足你自身的需求，从而能直接对齐真实用户需求。例如，在第5章中，博主Alex发现自己需要高效内容创作，决定开发AI应用自动生成内容。以自己为初始目标用户，他能更快推进，减少外部调研需求。这种做法使AI产品扎根于真实需求，并让Alex能迅速迭代改进工具。但自用验证不宜持续过长，否则可能偏向自身需求产生偏差。一旦拥有初步的最小可行产品（MVP），应开始与外部用户合作，使产品可扩展且更具代表性。
倾听客户
有时客户会告诉你他们的需求或期望。他们会表达未满足的需求、当前方式的痛点或愿望清单------也就是他们愿意为之付费的项目。你可以从已有的客户反馈中挖掘信息，如产品评价、销售和客户成功团队的记录。也可以主动向客户征求反馈。因此，在第7、8章中，我们将看到Alex如何访谈他的首批客户（也称设计伙伴），识别他们对初始MVP的问题。
在分析客户反馈时，要注意客户表达的需求和他们的实际需求往往存在差距。你可以通过比较客户反馈和行为数据来发现这些差异。例如，若你构建一款AI辅助语言学习应用，潜在用户可能告诉你他们想每天学习，但实际使用数据表明他们只在周末打开一两次。客户没有呈现真实情况，而是表达了理想目标行为。尽管如此，这仍是有价值的信息，因为你的任务是帮助他们实现这一目标------例如，通过在应用中加入习惯养成的"钩子"和可变奖励机制（参考Nir Eyal的《Hooked: How to Build Habit-Forming Products》）。
提示：若想详细了解面向客户机会的发现及相关访谈技巧，可以参考Teresa Torres的著作《Continuous Discovery Habits》。
其他市场信号
特别是对于像AI这样具有战略潜力的广泛技术，你不应依赖客户告诉你他们需要什么。否则，可能陷入增量改进的窠臼，落后于竞争对手，且不敢大胆创新。真正的创新者会拥抱并磨砺自己对客户和用户的信息优势。以下是一些能激发AI新机会的其他来源：
技术------技术飞跃，比如2022-23年生成式AI的推动，带来了全新的工作方式，并提升了现有应用的水平。例如，对话界面和虚拟助手存在多年，但大型语言模型（LLM）显著提升了其可用性和质量，使其在客服等广泛场景中得以大规模普及和采用。寻找这类机会时，你必须采用技术优先（特别是AI优先）思维。客户不会指引你方向，因为他们不知道新技术的可行性。因此，你必须富有创造力地想象新技术解决方案，和用户一起测试，并就其潜在价值做出最佳判断。这种机会尤其适合以AI专长为核心竞争力的技术驱动型团队。第2.1节介绍的AI收益可作为探索起点。
竞争对手------当竞争对手有所行动时，说明他们已经做了一些底层研究和验证。只要耐心观察，就能看到这些开发的最终影响。利用这些信息学习他们的错误，打造更优解决方案。竞争对手是"入场门槛"机会的宝贵信息源，但构建核心能力和竞争优势时，应追求更具创新性和原创性的机会，而非单纯跟随对手。
法规------技术变革、可持续发展和全球化等大趋势促使监管机构收紧要求。法规带来压力和可靠的机会来源，难以妥协。例如，第11章将介绍强制性可持续发展报告等新要求，这些引入了资源密集型任务，并带来大量自动化和AI机会。
市场定位------AI是"潮流"，有助于塑造企业创新、高科技、面向未来的形象。例如，它能助你将企业从分析公司提升为个性化AI驱动服务，并与竞争者区分开来。但你需要谨慎使用这招，结合其他机会，否则会丧失可信度。第11章中你会认识Sam，一位致力于将企业分析解决方案重新定位为AI驱动智能平台的产品经理。
尽管灵感可能来自不同方向，最终你仍需访谈客户，确保你为他们创造了价值。如果客户没有感受到法规压力，他们不会购买你的产品。如果竞争对手推出了花哨的AI功能，但客户觉得AI用错了地方，他们也不会使用。如果你的客户是抗拒技术的群体，想坚持旧习惯，单靠把自己包装成前沿AI公司无法留住他们。
2.1.3 纵向机会与横向机会
尤其是在从零开始构建AI驱动产品时，你需要明确自己是在应对横向机会还是纵向机会。横向机会适用于许多不同的行业和职业。例如，拼写检查工具Grammarly满足了一个相对通用的需求------正确书写。它可以被不同行业的工作人员、学生及其他个人使用。相比之下，纵向机会则聚焦于特定行业。因此，我们在第1章第1.1节讨论的对话系统，专门为金融服务行业打造。不过，作为长期战略的一部分，你也可以设想在用特定领域数据微调模型后，将其扩展到其他领域。
你的产品是横向还是纵向，会决定你的工作内容和团队所需技能。横向产品要求你了解广泛且多样的潜在用户群，识别所有用户共有的需求。纵向产品的市场范围更窄，但对领域知识的要求更高。因此，你需要具备丰富的行业知识，且很可能需要对AI模型进行领域微调。
麦肯锡2023年报告《生成式AI的经济潜力：下一生产力前沿》（mng.bz/vZla）对纵向与横向机会进行了精彩分析，重点聚焦生成式AI。主要结论如下：
- 在横向应用场景中，约75%的生成式AI价值来自四个领域：客户运营、市场营销与销售、软件工程和研发。
- 在行业特定应用方面，银行业、高科技和生命科学预计将在生成式AI对其收入的影响中占据最大份额。例如，银行业若全面应用自动客户服务、反洗钱和AI驱动内容创建等用例，年增值潜力可达2000亿至3400亿美元。高科技行业的潜力主要来源于软件开发过程的优化，生命科学则能从药物发现与开发的自动化中获益巨大。
2.1.4 探索AI集成的不同场景
作为产品构建者，你可能会遇到多种将AI融入数字产品的起点。你可能从当前公司的简单AI附加功能开始，随后被AI吸引，几个月后加入一家新成立的初创公司。或者，你可能专注于将AI作为内部赋能工具，用于各种数字产品。每种场景都需要差异化的设计、开发和资源分配策略。本节将探讨三种常见的AI集成场景，如图2.6所示，并在后续小节详细讨论。理解每个场景的细微差别，将助你更好地识别机会、管理风险，并战略性地引导不同类型的AI项目。
作为现有产品的AI附加功能
以第1章示例为例，AI被添加到现有的金融分析平台中。这种"棕地"场景往往是快速获胜的，因为你是在一个已有的基础和用户群上构建。本书中将通过两个案例展示这一场景：
- 第10章：将已有的企业报告工具升级，新增可持续发展报告功能。
- 第11章：你将认识Sam，他正在将AI集成到数据分析平台中，并需要解决众多相关治理挑战。
将 AI 添加到遗留系统中通常伴随着集成挑战。数据可能分散存储于多个数据库，格式不一，或需要大量清理工作，才能使 AI 正常运行并发挥价值。你需要投入时间和资源来进行数据整合、治理及潜在的基础设施升级。
在大多数棕地场景中，公司核心竞争力往往不在 AI 领域，比如医疗、商业或金融。AI 应被视为增强这些核心能力和竞争优势的工具。此外，成熟公司通常风险偏好较低，需要对开发决策更有信心。如果你处于这样的环境，以下是一些通用建议：
- 识别高影响力领域：关注 AI 能显著提升用户体验的领域。例如，在电商平台工作时，如果数据表明用户难以找到相关产品，这个洞察可以为添加 AI 驱动的推荐功能提供合理依据。
- 基于现有专业知识和数据构建 ：你的公司很可能拥有丰富的行业知识和大量关于客户、竞争对手及行业的数据。你需要严谨地将这些资产转化为竞争优势。与领域专家和数据科学家紧密合作，将领域知识编码到数据中，利用可用数据训练模型，确保其符合用户需求。更多指导可参考我的文章《将领域专业知识注入AI系统》（mng.bz/4neQ）。
- 打造无缝的用户体验集成：用户已习惯现有体验，新 AI 功能应自然融入，避免造成中断或信任流失。
- 在真实场景中进行用户测试：开展针对性测试，了解用户对新 AI 功能的反应。确保 AI 的不确定性和错误率不会令用户反感。例如，若你开发的是财务报告软件，AI 出错导致计算错误，用户很难接受。他们期望高度准确，必须复核每次计算将抹杀 AI 价值。
需要避免的两大陷阱：
- 避免为 AI 而用 AI：不要因为"大家都在用"而盲目添加 AI。AI 会为产品增加复杂性和潜在风险，务必确认其添加价值。如果更简单的非 AI 方案能达到同样效果，请优先选择。
- 设定明确边界：你的用户可能对 AI 不熟悉，唯一接触可能是与 ChatGPT 等通用聊天机器人交互。通过清晰沟通 AI 的局限性（如功能范围和可能失败方式），防止用户产生不切实际的期望。
AI 作为核心价值驱动
在这个"绿地"场景中，AI 是新产品价值主张的核心引擎。开发此类产品的团队通常已有深厚的 AI 和机器学习专业知识，成为其竞争优势。第5至8章中，你将看到 Alex 开发新内容生成应用的案例。以下是该类型开发的关键要点：
- 确定 AI 必不可少的核心用例：锁定只有 AI 能解决的具体用户需求。例如，目前内容生成任务只能通过 AI 自动化。AI 应成为满足用户需求的驱动力。
- 投入高质量数据采集：AI 原生公司常遇到"冷启动"难题，缺乏训练差异化 AI 模型所需数据。你应制定计划，通过循环利用已有数据集、生成合成数据，或在人工参与下运营产品收集真实用户数据，快速积累关键数据量。
- 聚焦持续改进：以 AI 为中心的产品需不断迭代提升模型准确性和相关性，持续推动质量边界。用户会期望产品价值增长、错误减少。设计包含定期更新的路线图，确保工程团队有顺畅的微调和迭代流程。随时间提升 AI 效能，将直接影响用户满意度和信任度。
绿地场景两大常见陷阱：
- 避免"找问题的解决方案" ：产品应聚焦真实、经过验证的用户需求，而非单纯炫耀惊艳的 AI 能力。
- 避免过早规模化：优先进行小规模、受控的发布，验证 AI 效果后再逐步扩大规模。
AI 作为内部赋能工具
最后，AI 也能在幕后发挥作用，通过优化产品内部运作，提升最终用户体验，而无需在 UI 层面增加 AI 功能。例如，第4章讲述了电商公司产品经理 Nina 如何利用预测 AI 优化客户细分和个性化。管理内部 AI 增强开发时的指导原则：
- 识别瓶颈和重复任务：找出 AI 能产生显著影响的环节。是否有手动数据处理拖慢团队？是否需要更多个性化，但现有数据分析达不到？
- 设定明确的效率指标：定义符合内部目标的关键绩效指标（KPI），例如"个性化推荐点击率达60%"。指标有助于评估 AI 方案效果，及时调整。
- 确保数据安全和合规：内部 AI 工具通常接触敏感数据。与 IT 和合规团队紧密合作，保障数据管道安全，妥善处理个人身份信息（PII）。
- 培训团队使用新工具：内部赋能工具需团队认可。提供详尽培训，解释 AI 目的、用法和局限，促进采纳和持续使用。
实施内部 AI 时需注意的两点：
- 不要忽视内部用户体验：即使是内部工具，也需确保界面简洁易用，降低采纳门槛。
- 关注成本效益平衡：内部 AI 应带来切实投资回报（ROI）。避免投入过高却收益有限，优先在 AI 能发挥最大作用的流程上用力。
理解每种场景的特点并量身定制策略，你将最大化 AI 在产品和内部工作流中的价值。要跟上 AI 快速发展步伐，应养成每日登记和筛选机会的习惯。随着时间推移，你会不断打磨直觉，深刻理解产品与市场，使发现过程自然流畅。
想了解如何持续稳定地产生创意，可参考 Jeremy Utley 与 Perry Klebahn 合著的《Ideaflow: The Only Business Metric That Matters》（企鹅出版社，2022），该书详述创造力与灵感所需技巧。
2.2 优先排序 AI 机会
在使用 AI 时，很容易被众多自动化、增强和个性化的机会所吸引。如何实现聚焦并迅速决定优先解决什么问题呢？让我们通过之前提到的音乐流媒体应用场景及其个性化音乐推荐的潜力，来探索如何评估和优先排序 AI 机会。
2.2.1 定义优先排序标准
在评估音乐流媒体应用的用户反馈时，你很快注意到许多听众在寻找自己喜欢的新音乐时遇到困难。一些用户抱怨应用感觉陈旧，因为他们不断收到相同的推荐，或难以发现符合他们喜好的新艺术家。在一次用户访谈中，有人这样说："我很喜欢这个应用，但过了一段时间，我感觉一直在听同样的艺术家。要在庞大的音乐目录里找到新东西真的很难，容易迷失。"与此同时，你的竞争对手已经领先一步，实施了复杂的个性化功能，而你也痛苦地意识到，一些流失的用户已经转向他们的平台。
你沿着 AI 机会空间中的个性化分支，开始评估向用户提供个性化音乐推荐的可能性。图 2.7 定义了一些你可以用来评估和与该分支其他机会比较的一般标准。
业务影响
首先，我们需要评估该机会的规模，看看它如何影响业务并助力实现核心业务目标。在你的音乐流媒体公司中，用户参与度是关键指标，因为它直接影响订阅续费。你的假设是：如果用户能发现更多喜欢的音乐，他们会在应用中花费更多时间，形成正向反馈循环，提升参与度并降低流失率。通过从业务分析团队收集的洞察验证了这一点，数据显示平均来看，探索并收藏新音乐的用户续订率高出20%。更高效的推荐引擎有望显著提升这些参与数据，因此这可能是一个高影响力的机会。为大量用户提供更个性化的体验，也符合你公司的整体愿景和战略。
桌面上还有其他个性化可能性，比如基于用户当前情绪自动创建播放列表和内容策划，但你对这些是否能提高用户参与或留存并不确定。而音乐发现是平台的核心功能------如果做好，能够显著提升用户满意度，保持听众持续回归。
技术可行性
既然你已经估算了该机会的业务影响，下一步是评估 AI 解决方案的技术可行性。同样，这个评估不是绝对的------它取决于现有资源，如数据和模型，以及团队的专业能力。因此，你与工程师开会讨论是否拥有构建推荐系统所需的数据。幸运的是，应用多年来已收集了用户行为数据，包括听歌习惯、跳过曲目、点赞和添加播放列表等。这些数据结构良好，已准备好用于 AI 训练。你的首席数据科学家解释道："我们已有构建有效推荐引擎所需的用户行为数据。我们可以用历史数据开始训练模型，并随着实时数据的增加进行优化。"
相比之下，其他机会，比如创建个性化自适应播放列表或使用 AI 驱动的语音搜索，则需要额外的数据源，而你的团队还未能获取这些，这会延迟开发并增加实现难度。
在讨论模型训练时，发现上个月加入团队的新工程师在推荐算法方面经验丰富。他们相信协同过滤模型能快速达到不错的准确率。协同过滤是一种基于相似用户偏好进行推荐的标准算法（更多内容见第4章第4.4节）。这让你在新机会上占了先机，但工程师也预见到该方法存在问题，例如对于没有数据的新用户效果不佳。幸运的是，他们已经有很多关于更高级机器学习技术的想法，未来可以优化这一功能。
自定义标准
你选择的优先排序标准可能因公司而异。让我们来看一些更具体的标准：
- 如果你所在行业监管严格（如医疗），可以将合规难易度纳入评估标准。
- 如果你有经验知道缺乏现成数据会迅速成为团队的障碍，可以将数据可用性加入评估矩阵。
- 如果客户为大型企业，应最大化系统可扩展性，同时减少为单个客户定制功能所需的工作量。
请注意，标准不宜过于细化。目前阶段，团队尚无足够信息做出精准评估，过多细节可能拖慢进程。最后，保持优先排序标准和流程的透明与一致至关重要。应尽量减少猜测和主观判断，而这只有在框架保持相对稳定并反映企业战略重点的情况下才能实现。
2.2.2 决定下一个机会
你已经完成了功课，评估了可用的机会。为了让决策更加明确，许多团队会尝试给机会打分。例如，你可以对每个机会的各项标准进行1到5分的评分------每个标准得分的总和越高，机会的价值越大（见图2.8）。
图2.8 这个简单的优先级矩阵根据用户影响、业务价值和技术可行性来评估AI机会。它清晰明了，但可能过于简化了决策过程。
虽然结果看起来简单且有说服力，但这种方法应谨慎使用。优先级排序是高度依赖上下文且模糊的活动，将其硬套成数字矩阵可能掩盖许多相关细节和微妙之处。你和团队应当承认并尊重这项任务的复杂性和不确定性。留出足够的怀疑空间，鼓励你在初步决策未达预期时，保持对机会地图上其他选择的开放态度。
是否打分并不是成功排序的核心问题。更重要的是利用这一过程收集关于每个机会的更多情报和数据，因为这些机会已接近实现阶段。到目前为止，你的创意都还停留在纸面上，现在事情逐渐具体化，这种（希望是积极的）压力会显著改变团队的动态。评估和观点开始出现分歧，技术可行性受到质疑，你的数据科学家可能需要重新核查个性化的客户反馈。让数据科学家去做，接受其余的混乱，并鼓励每个人解释和挑战自己的观点。
某个时刻，你需要决定接下来优先处理哪个机会。即使无法达成完全一致，团队也应明确，如果决策错误，会及时转向下一个选项。结束优先级会议时，带着关于每个机会的挑战、技术方案和未解决问题的笔记和细节，远比制作一个光鲜却简单的优先级矩阵更为重要。
2.2.3 快速收益与长期投资的平衡
目前，实现个性化推荐以改善音乐发现是你的首要任务。当你与管理层沟通时，他们想知道这一改进如何契合整体AI战略。由于公司刚刚起步使用AI，策略是通过一些实验性的快速收益积累初步经验，并逐步建立防御壁垒。推荐引擎技术上可行，能够在几个月内开发并上线。缺点是竞争对手也可能很快追赶上，甚至有人已经实现了该功能。低垂的果实就像快速碳水化合物，通常情况下，这样的护城河较薄且难以长期防守。需要注意的是，在某些特殊情况下，快速收益对战略仍然重要：如果你利用的是公司已有的资产，比如独特的数据集，这些收益可以快速且可持续地增强你的竞争优势。
而其他想法，比如构建复杂的语音激活搜索系统，则属于长期投资，且结果更不确定。虽然这类改进未来可能很有价值，但对刚开始使用AI的公司来说，开发周期会明显更长。不过，一旦发布，改进的用户体验能极大提升满意度，成为产品的关键差异点。你决定将此类机会保留在机会库中，等待合适时机实施。
在优先排序AI机会时，应力求短期成果和长期增长的健康平衡。最佳分配比例取决于AI在整体产品战略中的作用。如果你使用AI是为了保持竞争力，不被对手甩开，那就可以重点关注短期收益和基础功能。反之，如果你希望将AI打造为关键差异化优势并建立战略壁垒，就应为更具防御力的长期机会留出足够时间和空间。
2.3 塑造你的机会
大多数想法和机会最初都比较模糊。它们指明了潜在的方向，但前路却迷雾重重且充满不确定。如果你已经认真完成了优先级排序的练习，可能已经为这幅拼图补充了一些缺失的部分。现在，你需要收集更多证据，探索潜在解决方案，增强信心，并塑造一个能够激励团队和用户的愿景。如图2.9所示，你可以在两种方法之间进行选择：一种是更谨慎的方法（先准备，瞄准，再开火），另一种是快速的实验方法（先准备，开火，再瞄准）。这两种方法分别体现了风险管理、速度和适应性的不同侧重点。理解何时使用哪种方法，对打造成功的AI产品和功能至关重要。接下来，我们通过现实场景探讨这两种方法的优缺点。
图2.9 谨慎与快速何时适用：对比"先准备，瞄准，再开火"和"先准备，开火，再瞄准"两种方法
2.3.1 谨慎方法：先准备，瞄准，再开火
在"先准备，瞄准，再开火"的情形中，你会先进行详尽的调研和规划，然后再投入重大开发工作。这种谨慎且经过深思熟虑的方法，典型代表是设计思维------你花大量时间进行共情、定义和构思，最后才能进行原型设计和产品测试，如图2.10所示。
这种方法源于过去软件开发投入巨大、未经充分验证急于求成是大忌的时代。当执行成本高昂、错误可能导致资源浪费或错失市场机会时，这种方法依然非常有效。举例来说，假设你是某健康科技公司的产品经理，团队负责开发一款基于患者病史、生活方式和基因信息，提供个性化慢性病治疗方案的AI功能。该功能的潜在影响巨大，但风险也同样高------错误的建议可能影响患者健康，引发法律问题，并破坏公司的声誉。采取更谨慎和周密的路径，可以帮助你最大限度地降低风险，并建立对解决方案的信心：
图2.10 传统设计思维流程
- 为了验证用户影响力，你收集了现有医疗记录数据，采访医生，并进行了市场调研，深入了解患者和医疗专业人员的实际需求。
- 为了验证可行性，你探索了不同的AI模型并进行了模拟测试。
- 为了验证商业价值，你估算了开发该功能的潜在投资回报率（ROI），同时研究相关法规以确保解决方案合规。
尤其是在需要正式审批时，记录这些发现活动尤为重要。一旦验证了机会，并确保市场需求能够支撑投资，你便可以自信地推进开发，确信方向正确。通过充分调研和规划，你最大限度地降低了开发出不符合用户需求或不满足监管标准的AI产品或功能的风险。在正式投入构建产品之前，你已高度确信其价值，并对潜在难题和市场适配进行了分析。
缺点是，这种纸上谈兵的充分准备需要时间，可能导致团队错失成为市场首发者的机会。如果过度强调调研，可能陷入"分析瘫痪"（Erika Hall的《适度调研》一书中有避免此陷阱的相关描述）。此外，过多的前期投入可能降低团队的整体敏捷性------当你投入大量资源进行调研和规划后，一旦开发中出现意外挑战，调整方向将更为复杂。
注：想了解更多谨慎方法的步骤和活动，可参考设计思维领域的经典著作，如Tim Brown的《以设计驱动变革》（Harper Business, 2019）。
2.3.2 快速方法：先准备，开火，再瞄准
相反，快速方法（"先准备，开火，再瞄准"）是精益创业方法中采用的一种思路，意味着直接进入开发，快速制作原型或最小可行产品（MVP），并在实践中不断学习。许多团队采用此方法，是因为现代工具使得快速开发和测试粗略原型变得更容易。在某些情况下，这些快速胜利在战略上非常重要。尤其是当你能利用已有资产（如独特数据集）时，这种方法可以快速且持续地提升你的竞争优势。非技术团队成员可以利用低代码/无代码框架和提示工程等捷径快速实现原型，缩短业务、设计和工程之间的传统鸿沟。一些团队甚至完全放弃前期设计工作，直接编写功能原型代码。
这种方法不仅能让你行动更快，还能帮助你与客户和用户建立信任。许多人对粗糙设计稿和最终拿到手的真实产品之间的差距感到厌倦。尤其是在AI领域，一个能响应"真实"请求的原型，而非虚构数据，将更能赢得用户信心和未来使用的动力。
快速行动可能是2.2节介绍的音乐推荐功能的合适选择。正如你的可行性评估显示，开发该功能不需要巨额前期投入。个性化播放列表市场竞争激烈，速度至关重要，失败得快也被接受。因此，你的团队快速开发了一个简单原型，分析了部分用户数据并生成个性化播放列表。随后，你将其部署给有限用户群，收集反馈，发现一些意想不到的洞察。例如，用户更喜欢混合熟悉和新颖歌曲的播放列表，这一点你的模型未曾考虑。你迅速迭代，调整AI模型以平衡这些偏好。
你比起更谨慎细致的方法更快地将功能推向市场，获得了更及时的真实反馈。这也提升了你的敏捷性------快速的反馈循环让你能根据实际用户行为调整和迭代产品，而这些行为往往难以通过理论预测。在AI背景下，这种方法很好地支持了模型开发的迭代特性，让你逐步减少AI解决方案的不确定性。几年前，训练和测试基础机器学习模型可能需耗费数月；如今，初期成本和工作量正持续降低。此外，尽管团队已做了粗略的可行性评估（见2.2节），许多问题只有在实践中才能解答：
- 训练数据是否与现实数据相符？
- 模型能达到什么准确度？
- 结果是否符合用户期望和容错度？
事先进行理论研究以解答这些问题非常困难。因此，快速构建端到端系统并反复修订，迭代多次，包括数据生成、评估和训练，是更合理的做法。
2.3.3 谨慎方法与快速方法的比较
谨慎和快速方法各有优势。最佳方法不仅取决于你探索的AI机会，还取决于团队文化和风险承受能力。以下情况适合"先准备，瞄准，再开火"：
- 失败成本高昂。医疗或金融等行业的错误可能造成严重后果，此时必须采取谨慎、周密的方法以避免伤害用户和损害声誉。
- 监管或技术障碍显著。如果AI功能需遵守严格法规（如医疗或法律应用），最好先充分了解环境和影响再做决策。
- 市场调研能显著降低风险。AI机会价值不确定且需要大量调研揭示潜在风险时，花更多时间调研有助于合理分配资源。
- 团队较为保守。此类团队倾向从项目初期就追求必要的验证和工程严谨性。
相反，以下情形适合"先准备，开火，再瞄准"：
- 速度至关重要。在竞争激烈、节奏快的市场（如消费类应用），快速推出可用AI功能或许带来竞争优势，后续再做调整也可接受。
- 开发成本低廉。如果原型开发成本和周期短，你可以开始测试假设，并从真实反馈中学习，而不需提前投入大量资源。
- 问题复杂且需多次迭代。特别是涉及机器学习模型的AI项目，最佳方案常通过迭代发现。AI模型开发鲜有"一次成功"，需持续完善。越接近真实数据和用户需求，改进效果越显著。
- 你有一支动手能力强的工程团队。这样的团队乐于尝试新事物，勇于面对风险假设和快速失败。
附录中提供了结构化发现的清单和蓝图。明确机会后，我们将深入解决方案空间。下一章将绘制AI领域的首张地图，介绍可用方法和技术，帮助你解决主要AI机会和用例。
总结
通过多个渠道（用户反馈、竞争对手、团队洞察和技术发展）持续创造并维护AI创意的流动，培养灵感的持续涌现。评估的创意越多，越有可能发现有价值的机会。
让整个团队参与创意生成和优先级排序过程，利用他们的直觉、创造力和领域专长，实现更快速的创意产生和更稳健的决策。
快速辨别"AI优势"，优先考虑能解决具体用户问题的AI机会，如自动化日常任务、提升结果、推动创新或个性化用户体验。避免针对一次性决策和需要完全可解释性或完美准确性的场景。
多元化寻找灵感。跳出单纯依赖客户反馈的局限，从竞争对手、新兴技术、法规以及市场定位中汲取灵感，保持创新力和竞争力。
区分横向和纵向用例，明确你的AI机会是适用于多个行业的横向机会，还是聚焦特定领域的纵向机会。横向机会需广泛的市场理解，纵向机会则需深厚的领域知识。
应用优先级框架，基于用户影响、商业价值和技术可行性对AI机会进行评分，确保评估过程客观且促进团队一致。
平衡短期快速收获与长期投资。优先实现能立即带来用户价值的快速胜利，同时投入长期AI机会，借助AI打造竞争优势。
根据项目风险和团队文化，选择合适的发展方法：高风险项目适合谨慎、以研究为先的方法（先准备，瞄准，再开火/设计思维）；而快速迭代的项目则适合快速试错方法（先准备，开火，再瞄准/精益创业），以加快价值实现。
持续通过实验测试你的AI想法。无论采用快速还是谨慎的方法，早期收集用户反馈并持续迭代，都能更好地贴合真实需求。