第2章 AI产品需求特殊性：不确定性高、技术依赖强、用户习惯待验证、数据闭环
AI产品与传统软件产品在需求层面存在根本性差异。传统需求可以依赖成熟经验进行预判，而AI产品的需求往往在启动时充满未知——技术路线是否可行、用户是否会接受新交互方式、数据飞轮能否跑通，这些都需要在产品定义阶段就纳入考量。本章从四个核心维度拆解AI产品需求的特殊性，为后续使用RICE模型进行优先级排布奠定认知基础。
| 对比维度 | 传统产品需求 | AI产品需求 |
|---|---|---|
| 确定性 | 需求边界清晰，可实现性可预演 | 需求模糊，效果依赖模型探索 |
| 技术依赖 | 技术栈成熟，风险可控 | 算法/数据/算力强耦合，失败风险高 |
| 用户习惯 | 交互范式稳定，可迁移已有经验 | 新交互需培养，信任建立周期长 |
| 数据要求 | 数据辅助决策，非核心依赖 | 数据驱动模型迭代，闭环决定成败 |
2.1 不确定性高：需求从“定义”变为“探索”
传统产品需求可以提前写出完整的功能说明，但AI产品在需求阶段往往无法预知模型最终能达到的效果。例如一个智能客服意图识别需求，只有在标注数据、训练模型、上线测试后，才能知道准确率和召回率是否达标。这意味着需求文档中必须预留“效果不确定区间”，并设置明确的探索终止条件。
用户场景示例
某金融科技公司计划上线“AI保单核保助手”，需求初期无法确定模型对复杂病例的核保准确率。产品经理采用“分阶段验证”策略：先用500例历史保单做离线测试，准确率超过85%才启动在线小流量实验。这个过程中，需求优先级随验证结果动态调整。
2.2 技术依赖强：需求排布受限于“技术就绪度”
AI产品的每个需求背后都依赖算法、数据、算力三要素的支撑。一个需求即使商业价值再高，如果当前技术栈无法实现（例如需要尚未成熟的强化学习框架），就必须降低优先级或拆解为前置研究项。技术依赖度应作为RICE模型中“Effort”维度的关键权重因子。
业务问题实例
某电商平台希望用AI生成商品描述文案，需求评审时发现现有NLP模型在垂直品类（如医疗器械）上的生成质量远低于通用品类。团队将需求拆解为：①垂直品类语料收集与标注（高优先级）→ ②小模型微调实验（中优先级）→ ③全品类上线（低优先级），技术依赖直接决定了需求排布顺序。
2.3 用户习惯待验证：需求价值需“用后认可”
AI产品经常引入全新的交互方式（如语音指令、智能推荐、自动决策），用户是否接受、如何正确使用、在什么场景下信任AI，这些都需要在产品上线后逐步验证。需求优先级不能仅凭用户访谈时的“口头兴趣”决定，而应通过低成本原型验证用户实际行为。
用户访谈方法调整
- 情境化访谈：让用户在真实工作流中体验AI原型，而非抽象描述需求。
- 行为观察：记录用户是否主动使用AI功能、在何种环节放弃AI建议。
- 信任度量：设计“采纳率”“人工干预频次”等指标量化用户习惯形成过程。
2.4 数据闭环：需求可持续性的“命门”
AI产品与传统产品最大的区别在于：需求实现不是终点，而是数据飞轮的起点。一个“智能推荐”需求上线后，必须持续采集用户反馈（点击、跳过、举报）、清洗标注、回流训练，模型才能持续进化。数据闭环的完整度直接影响需求的长期价值，在RICE评估中应作为“Impact”的长期因子计入。
交付物模板：AI产品需求描述卡
以下模板可直接用于AI产品需求的规范化描述，在需求拆解阶段按字段填写，确保四维特殊性被完整记录。
{
"需求ID": "AI-2024-00X",
"需求名称": "智能客服意图识别引擎",
"用户场景": "用户在售后流程中描述问题，系统自动识别意图并分配工单",
"业务问题": "人工客服分流效率低，意图误判率约15%",
"需求拆解": [
"基线：识别退换货/物流查询/投诉三类意图，准确率≥85%",
"优化：扩展至8类意图，准确率≥92%，覆盖长尾表达"
],
"技术依赖": {
"算法": "BERT微调 + 主动学习",
"数据": "需要5000条历史对话标注数据",
"算力": "GPU训练集群，每周更新一次模型"
},
"用户习惯待验证": {
"风险点": "用户可能不习惯语音描述问题，仍倾向点击菜单",
"验证方式": "A/B测试，对比意图识别 vs 传统菜单选择的转化率"
},
"数据闭环": {
"采集": "用户对话日志 + 人工纠正标记",
"标注": "每周200条主动学习采样标注",
"迭代": "准确率监控触发自动重新训练"
},
"指标验证": "意图识别准确率 ≥ 85% | 工单分流率 ≥ 40% | 用户采纳率 ≥ 70%",
"验收标准": "在线A/B测试核心指标正向统计显著，且无严重bad case",
"交付物": "需求描述卡 + 数据标注规范 + 离线评估报告 + 上线灰度方案"
}2.5 四维特殊性对RICE权重排布的启示
AI产品需求的四维特殊性直接决定了RICE模型中各项权重的校准方向：
- Reach（触达）需区分“功能触达”与“有效触达”，后者应乘以习惯转化系数（建议0.3~0.5）。
- Impact（影响）需计入数据闭环的长期增值效应，避免仅评估上线初期的短期收益。
- Confidence（信心）应结合技术可行性验证结果动态调整，未经验证的需求信心分不应超过0.5。
- Effort（投入）必须包含“不确定性缓冲成本”，如探索性实验、数据标注、多轮迭代的资源预留。