1. AI产品需求概述

1.1 什么是AI产品需求

先问个问题：你给一个推荐系统写需求文档，写什么？很多人第一反应是“用户点击率提升到X%”。这其实是个目标，不是需求。

我理解的AI产品需求，是对智能行为的约束性描述。说白了，就是你要告诉算法团队：在什么场景下，输入什么数据，系统应该输出什么结果，并且这个结果要满足哪些可验证的标准。

举个例子。我之前做智能客服项目，业务方提的需求是“能回答80%的常见问题”。这太模糊了。我把它拆成：
- 输入：用户问“怎么退款”，系统输出：退款流程的图文步骤
- 约束：回答必须基于最新版售后政策，不能出现“请联系人工”的兜底话术
- 验收：随机抽取1000条历史对话，系统回答的准确率≥85%，且平均响应时间<2秒

你看，这才是AI产品需求。它必须包含输入、输出、约束、验收标准四个要素。缺一个，开发就会跑偏。

3.2 AI产品与传统软件需求的区别

传统软件需求，比如“用户点击提交按钮，表单数据写入数据库”。这是确定性逻辑——输入A，输出B，100%可复现。

AI产品需求呢？它处理的是概率性逻辑。你没法保证“输入这张猫图，模型100%识别为猫”。你只能要求“在测试集上，识别准确率≥95%”。

我踩过一个坑。早期做OCR识别项目，我按传统方式写了“识别发票上的金额字段”。结果模型在清晰发票上准确率99%，但遇到褶皱发票直接掉到60%。业务方投诉说“需求没写清楚”。后来我学乖了，在需求里必须加一条：明确数据分布边界——比如“训练数据中，褶皱、倾斜、模糊样本占比不低于20%”。

区别总结起来就三点：
1. 确定性 vs 概率性：传统需求是if-then，AI需求是“在X条件下，达到Y概率”
2. 功能 vs 能力：传统需求定义“做什么”，AI需求定义“能做成什么样”
3. 静态 vs 动态：传统需求上线后不变，AI需求会随数据漂移而衰减，需要持续监控和迭代

3.3 AI产品需求的核心挑战

挑战一：需求模糊性。业务方说“让推荐更智能”，什么叫智能？我见过最离谱的需求是“像懂我一样推荐”。这没法写进PRD。我的做法是：逼业务方给出具体反例。比如“用户搜了‘运动鞋’，结果推荐了高跟鞋，这就是不智能”。然后我把这个反例转化成需求：当用户搜索品类词时，推荐结果中同品类占比≥70%。

挑战二：评估标准难统一。传统软件功能好不好，点一下就知道。AI模型好不好？不同人标准不同。做图像审核项目时，运营觉得“露肩”算违规，法务觉得“只有露点才算”。我最后拉了个三方会议，用200张争议图片做标注对齐，把“违规”定义成可操作的规则树，写进需求文档的附录里。

挑战三：数据依赖与冷启动。很多AI需求一上来就要“高准确率”，但初期根本没有标注数据。我处理过一个NLP分类项目，客户要求准确率95%，但只给了500条样本。我直接说：这个需求不成立。然后我重新定义了分阶段需求：第一阶段用规则+小模型，准确率做到80%；第二阶段等用户反馈数据积累到1万条，再上深度学习模型，目标90%。把数据成熟度作为需求的前提条件，这是很多产品经理容易忽略的。

其实这三个挑战背后有一个共同点：AI产品需求本质是在管理不确定性。你没法像传统软件那样“写完代码就交付”，你得持续回答三个问题：数据够不够？模型稳不稳？业务认不认？