3. 业务目标对齐

做AI产品最怕什么？我个人觉得，最怕的是「做出来没人用」。我见过太多项目，技术团队闷头搞了三个月，模型精度刷到98%，结果业务方一句「这不是我要的」直接推翻重来。为什么会这样？说白了，就是一开始没对齐业务目标。

这一章，我们来聊聊怎么跟业务方有效沟通，把模糊的「痛点」变成可衡量的指标。嗯，这里要注意，不是让你去当翻译官，而是当「对齐器」。

3.1 业务痛点的「三层挖掘法」

业务方来找你，通常会说「我们想用AI提升效率」。这句话太虚了。我习惯用三层挖掘法，一层层往下剥。

1. 第一层：表面诉求 —— 业务方自己说出来的需求。比如「客服响应太慢」。
2. 第二层：真实痛点 —— 追问「为什么慢？」，发现是「人工客服需要查3个系统才能回答一个问题」。
3. 第三层：根因分析 —— 再追问「为什么需要查3个系统？」，发现是「数据孤岛，系统间没打通」。

我在项目中遇到过一位业务总监，他说「我们要用AI做智能排班」。我追问了三层后发现，真实痛点不是排班算法不好，而是「排班规则经常变，IT跟不上业务调整」。最后我们做的不是排班AI，而是一个规则配置平台。效果反而更好。

3.2 从痛点推导AI解决方案的「因果链」

明确了痛点之后，下一步是画因果链。我习惯用一张简单的流程图来跟业务方对齐。

这张图我每次跟业务方开会都会画在白板上。你想想看，如果连这根链条都画不清楚，那项目大概率会跑偏。

3.3 定义成功的量化指标：KPI vs OKR

很多同学分不清KPI和OKR。我简单说一下我的理解：

维度	KPI（关键绩效指标）	OKR（目标与关键结果）
核心逻辑	「做到多少」—— 衡量达成度	「做到什么」—— 衡量影响力
适合场景	成熟业务、稳定流程	创新探索、突破性目标
AI项目举例	客服机器人解决率 ≥ 85%	O：让客服团队从重复劳动中解放 KR1：解决率从60%提升到85% KR2：人工客服日均通话时长降低30%
风险	容易「为了指标而指标」	容易「目标太大，落地困难」

我个人习惯的做法是：用OKR定方向，用KPI定验收标准。举个例子，我跟业务方对齐时，会先写一个OKR：

O：提升供应链需求预测的准确性，减少库存积压
KR1：预测准确率从65%提升到85%（KPI：准确率）
KR2：库存周转天数从45天降低到30天（KPI：周转天数）
KR3：缺货率从8%降低到3%（KPI：缺货率）

你看，OKR里嵌套了KPI。这样业务方既能看到「我们要去哪里」，也能看到「怎么算到了」。

3.4 避坑指南：跟业务方对齐时的三个「雷区」

做AI产品需求对齐，踩坑是难免的。我把自己踩过的坑总结一下：

3.5 实战模板：一次完整的业务对齐会议

最后，分享一个我常用的会议模板。每次跟业务方对齐时，我会按照这个流程走：

1. Step 1：痛点陈述（10分钟） —— 业务方先说，我只听不打断。用录音笔或笔记记下来。
2. Step 2：三层挖掘（15分钟） —— 我追问「为什么」，直到找到根因。画因果链图。
3. Step 3：AI可行性评估（10分钟） —— 快速判断：这个根因AI能解决吗？数据有吗？成本可控吗？
4. Step 4：指标对齐（15分钟） —— 写OKR，定KPI，明确负向约束指标。
5. Step 5：确认边界（10分钟） —— 「哪些是我们不做的？」这个很重要，防止范围蔓延。