第二章 市场分析与机会识别：如何发现AI落地的真需求

说实话，我见过太多AI创业团队，技术牛得不行，产品却死得很快。为什么？说白了就是没找到真需求。这一章，我就把我在多个AI产品项目中踩过的坑、总结的方法论，一次性讲清楚。

2.1 真需求 vs 伪需求：怎么分辨？

先讲个我自己的经历。2019年，我参与过一个AI客服项目。团队花了3个月，做了一个能自动回复80%问题的机器人。结果上线后，用户根本不买账。为什么？因为用户真正需要的不是「自动回复」，而是「复杂问题能转人工」。我们做的功能，用户根本不在乎。

这就是典型的伪需求。怎么避免？我总结了一个「三问法」：

• 用户愿意付费吗？ 免费的东西，需求往往不真实
• 用户现在怎么解决？ 如果已经有替代方案，说明需求存在
• AI能带来10倍提升吗？ 小修小补，用户懒得换

举个例子。我最近辅导的一个团队想做「AI简历筛选工具」。他们觉得HR每天看几百份简历很累。但一问，HR其实更头疼的是「面试安排」和「候选人跟进」。简历筛选？人家用关键词搜索就够了。这就是伪需求。

2.2 竞品分析方法论：别只看表面

很多人的竞品分析，就是打开竞品网站，看看功能列表。嗯，这基本等于没看。我习惯用「三层分析法」：

第一层：功能层

这个最简单。列个表格，把竞品的功能点都列出来。但注意，别只看「有」或「没有」，要看「做得好不好」。

功能维度	竞品A	竞品B	我们的机会
语音识别准确率	95%	93%	提升到97%
多轮对话	支持	不支持	做差异化
私有化部署	不支持	支持	重点突破

第二层：用户层

这个才是关键。我建议你去做三件事：

• 看竞品的用户评价（App Store、知乎、小红书）
• 假装用户去问客服（看他们怎么解决问题）
• 加入用户社群（看大家在抱怨什么）

我曾经做过一个AI写作工具。看了竞品用户评价后，发现大家最不满的不是「生成质量」，而是「生成速度太慢」。于是我们重点优化了推理速度，上线后用户留存率提升了40%。

第三层：商业层

这个很多人会忽略。你要搞清楚：

• 竞品怎么赚钱？（订阅制？按量付费？）
• 他们的成本结构是什么？（API调用费？人力成本？）
• 他们的护城河是什么？（数据？技术？品牌？）

2.3 市场规模与可行性评估

嗯，这里我要说个扎心的事实：90%的AI创业项目，市场规模算出来都是错的。为什么？因为大家喜欢用「总市场规模（TAM）」来忽悠投资人，但真正该看的是「可服务市场（SAM）」和「可获得市场（SOM）」。

我习惯用这个公式：

SOM = 目标用户数 × 付费转化率 × 客单价

举个例子。你做一个AI法律文书工具：

• 中国律师总数：60万
• 其中会用AI工具的：假设20%（12万）
• 愿意付费的：假设30%（3.6万）
• 年客单价：假设2000元
• SOM = 3.6万 × 2000 = 7200万/年

这个数字才是有意义的。别跟我说「中国法律市场有5000亿」，那跟你没关系。

2.4 可行性评估：技术、数据、团队

市场再大，你做不了也是白搭。我总结了一个「三要素评估框架」：

技术可行性

别被技术忽悠了。我见过太多团队，用GPT-4做个Demo就觉得能商用。你要问自己：

• 现在的模型能力够吗？（准确率、延迟、成本）
• 需要自研还是用现成的？（别什么都自己造）
• 技术迭代速度能跟上吗？（AI领域变化太快）

数据可行性

这个我特别有感触。之前做一个医疗AI项目，模型效果很好，但拿不到真实病历数据。最后项目黄了。你要考虑：

• 数据从哪里来？（公开数据集？合作方？自己标注？）
• 数据质量够吗？（脏数据、标注不一致）
• 数据合规问题？（隐私、版权、行业监管）

团队可行性

AI产品不是只有算法工程师就行。你需要：

• 懂业务的人（知道用户真正要什么）
• 懂工程的人（能把模型部署到生产环境）
• 懂运营的人（能让用户持续使用）

我见过最成功的AI团队，往往是「行业专家 + AI工程师 + 产品经理」的铁三角组合。

2.5 机会识别：从痛点出发

最后，分享一个我常用的「机会发现地图」。说白了，就是找到那些「又痛又高频」的场景：

你看，右上角那个「高痛高频」区域，就是AI产品的最佳切入点。我做的几个成功项目，无一例外都落在这个区域。

最后说一句：市场分析不是一次性工作。我建议你每3个月重新做一次。因为AI行业变化太快，今天的蓝海，明天可能就是红海了。