1. AI产品边界定义的核心挑战

AI产品与常规软件产品的根本差异在于：模型能力存在着不确定的泛化边界。当产品经理无法明确界定“模型能做什么、不能做什么、做到什么程度算好”时，项目就会陷入三种典型困境——边界模糊、能力溢出、期望失控。这三种挑战并非孤立存在，而是相互交织、层层放大，最终导致交付失败、成本超支和用户信任破裂。

1.1 边界模糊：需求范围的幽灵

用户场景
某金融科技公司计划开发智能风控助手。业务方提出：“做一个能识别欺诈交易的AI。”然而，“识别”的具体含义并未明确——是实时预警还是交易拦截？是覆盖全部交易类型还是仅限高频场景？准确率需要多高？产品经理没有将这些模糊描述转化为可执行的范围定义，导致开发团队花费3个月训练了一个覆盖全品类、全时段的模型，却在上线时发现业务方只需要“对单笔超过5万元的交易做离线风险评分”。

业务问题
边界模糊的直接后果是需求范围成为幽灵：团队看似在朝同一个方向走，实际上每个人心中的“终点”完全不同。需求文档中充斥着“智能”“自动”“优化”等无法量化的词语，模型验收时才发现功能与预期南辕北辙，返工成本往往数倍于初始开发成本。

1.2 能力溢出：成本的无声杀手

用户场景
某电商平台为提升商品搜索体验，决定上线图像识别功能。算法团队追求“识别准确率99%”，投入大量GPU算力训练超大模型，实际线上业务只需要“Top-10召回率≥85%”即可满足用户需求。项目结束后核算，算力成本超支320%，模型推理延迟反而比轻量方案高出4倍，用户体验不升反降。

业务问题
能力溢出的本质是技术目标与业务目标脱节。团队以“模型能力的上限”而非“业务价值的下限”作为成功标准，导致无节制地堆叠算力、数据和模型复杂度。这不仅增加了研发和运维成本，还拉长了交付周期，让产品错失市场窗口。

1.3 期望失控：信任的隐形裂缝

用户场景
一家医疗AI创业公司向医院承诺“辅助诊断覆盖全部常见疾病”。产品经理没有在早期通过原型演示收敛医生的预期，导致影像科、病理科、内科分别提出了20多种不同疾病的诊断需求。团队在每个方向上只做到60%的准确率就因资源耗尽而被迫终止。最终医院认为“AI什么病都诊不准”，项目被搁置。

业务问题
期望失控的根源在于承诺范围大于验证范围。产品经理为了获取项目立项或客户签约，主动或被动地扩大AI的能力边界，却未在合同中明确“哪些场景不承诺、哪些指标为验收标准”。当模型在非核心场景表现不佳时，用户对整个系统的信任就会崩塌。

1.4 挑战对比与用户访谈识别法

1.5 需求拆解：边界确认的第一把尺

面对上述三个挑战，第一步不是写PRD或画原型，而是通过结构化的拆解将模糊期望转化为可验证的边界假设。拆解框架包含四个要素：

1. 能力单元拆解——将“智能识别”拆分为“检测、分类、排序、预测”等原子能力，每个能力单独定义输入、输出和性能底线。
2. 场景锚定——明确模型只在哪一类用户、哪一类数据、哪一类环境下生效，超出范围即视为“能力外场景”。
3. 验收前置——在模型训练前就定义“什么指标达到多少分算通过”，而不是等模型出来再拍指标。
4. 负面清单——以文档形式列出“本版本不支持的功能和场景”，作为需求边界的形式化护栏。

1.6 边界确认的验收标准与交付物框架

在第一章我们暂不展开完整的模板（后续章节会逐一详解），但需要建立验收思维：每个边界确认动作都对应一个可检查的交付物。以下是本章涉及的核心交付物清单：

上述交付物模板的具体填写方法和实战案例，将在第3章、第7章、第12章中逐一拆解。本章的目标是：让团队在项目启动阶段就建立起边界意识——没有明确边界的能力切分，都是成本黑洞。