90天从零基础到成为AI产品经理系列学习 | 第28课:AI 产品的数据飞轮与护城河

 90天从零基础到成为AI产品经理系列学习 | 第28课 · 阅读时长约 5 分钟本课主题：AI 产品的数据飞轮与护城河——把用户反馈变成别人复制不了的优势

一、课程引言：一个所有人都绕不开的问题

我们先看一组今天的真实例子。

OpenAI 在 DevDay 上发布了 GPT-6.1 Sol，能力只比旗舰 Astra 低 1 分，价格却只要五分之一，缓存输入还打了 95% 的折扣。同一天，DeepSeek 把面向昇腾的一整套基础设施组件开源，与英伟达版一一对应。而 Anthropic 的招股书里，最刺眼的一行不是 2 万亿美元估值，而是那句模型可能"抵制关机、隐瞒或操纵信息"。

把这三件事并排放，你会发现一个残酷的事实：模型能力正在以极快的速度变成公共品。你今天花大力气调出来的效果，半年后可能一个开源模型直接免费给你。价格战打到这个份上，"我们用了更好的模型"这句话，已经不构成任何壁垒。

那么问题来了——如果你的竞争对手明天用同样的模型、同样的价格，做出一个和你一模一样的产品，用户为什么要留在你这里？

这就是第 28 课要回答的问题。前面我们用四节课讲了 Prompt，用两节课讲了 Agent 和多智能体，解决了"怎么做得出来"和"怎么做得稳"。今天往前一步：怎么做得久。

二、核心知识点：飞轮不是"数据多"，是"转得快"

1. 数据飞轮：一个"老中医"的比喻

很多人理解的数据飞轮是：用户越多 → 数据越多 → 模型越好 → 用户越多。这个说法不算错，但它太粗了，粗到没法落地。

换个比喻。想象两个刚毕业的实习医生，都被派到同一个社区医院。十年后，一个成了专家，一个还是普通门诊医生。差别在哪？不在于谁看的病人多——社区医院的病人数量差不多。差别在于：

 第一个医生只看不记，看完就忘，同样的病第十次遇到还是从头判断； 第二个医生每看一个就记一笔，还定期回头翻，把"上次判断错了"的病例单独标出来反复看； 更关键的是，他会主动回访——这个病人后来怎么样了？我开的药有没有效？ 

十年下来，第二个人积累的不是"病历的数量"，而是一套经过验证的判断经验。这才是飞轮。

所以数据飞轮的准确定义是：用户使用 → 产生反馈信号 → 信号被结构化沉淀 → 反哺产品与模型 → 体验变好 → 用户更多、更愿意用。环里面最重要的不是"数据量"这个存量，而是每转一圈需要多久这个速度。一年转一圈的飞轮，数据量再大也是死数据。

2. 反馈信号有四种，含金量差了十万八千里

这是本课最实用的一节。不是所有"用户数据"都值得采，按含金量从低到高排：

① 隐式行为（含金量最低，但最容易拿）。点没点、看没看、停留多久。它告诉你"用户有没有反应"，但说不清"好不好"。一个用户把 AI 生成的文案复制走了，可能是因为写得好，也可能是因为要拿去改。只能做粗筛，不能当结论。

② 显式评价（含金量中等）。点赞点踩、星级评分、一键"重新生成"。这块的问题是样本严重偏斜——满意的人沉默，不满的人才来点踩。你看到 30% 的差评率，真实情况可能只有 5%。

③ 修正行为（含金量最高，这是金矿）。用户动手改了AI 的输出——改了哪几个字、删了哪一段、重新生成了几次才满意。这批数据的价值在于：它不仅告诉你"不好"，还告诉你"什么才是对的"。用户把 AI 写的 200 字删成 80 字，这本身就是一条高质量的偏好样本。

④ 结果数据（最难拿，但一旦拿到就是真护城河）。用户拿你的输出去做了什么，结果如何。AI 帮你写的销售邮件，最后客户回没回？AI 帮你筛的简历，候选人入职后干得怎么样？这类数据周期长、链路难打通，但它直接把你的产品和业务结果绑在了一起——别人抄不走，因为他们根本拿不到这个闭环。

3. 哪些"数据资产"是真护城河，哪些只是自嗨

判断标准只有一条：这份数据，竞争对手在你的场景下能不能低成本地拿到？

自嗨型：通用的问答日志、网上能爬到的公开数据、花钱能买到的标注数据。今天 Anthropic 已经把内部 Prompt 优化与 Agent 评测的方法公开了（客服智能体调优后准确率升到 90.5%、单次成本从 4.6 美分降到 1 美分，配套的 build-eval 与 hillclimb 指令进了 Claude Code 官方技能库）。方法论一旦公开，它就不再是壁垒。真护城河之一：带业务结果的闭环数据。你的产品记录了"建议→执行→结果"的完整链路，且这个结果只有你的客户能定义。真护城河之二：难采集的专有场景数据。需要特殊设备、特殊权限、长周期积累的。比如工业现场的故障声纹、特定行业的合规判例。真护城河之三：高迁移成本的沉淀。用户在你的系统里积累的个人知识库、历史决策、自定义流程——换一家就得从头来过。真护城河之四：稀缺专家的标注判断。不是标注员，是行业里真正懂的人做的判断，且不可批量复制。 

三、实际应用：AI PM 手里到底该干什么

第一件事：把"反馈采集"当成功能来做，而不是当埋点来做。很多 AI 产品的点踩按钮是事后补的，藏在角落里。正确做法是让反馈发生在用户最有表达欲的那个瞬间——他刚点下"重新生成"的时候，他正在手动删改 AI 输出的时候。这时候弹一个"哪里不对"，回收率能高一个量级。

第二件事：设计"可学习的产品结构"。如果你的产品逻辑是一根硬编码的管道，数据再多也没地方用。要给数据留出口：哪些环节的输出可以被用户的修正覆盖？覆盖之后存不存？下次同样的输入，能不能先查一下历史上用户改成了什么？这个"查历史修正"的动作，就是最朴素的飞轮。

第三件事：用今天的降价，把飞轮转快而不是把毛利吃掉。GPT-6.1 Sol 把缓存输入压到 0.10 美元/百万 token，比标价便宜二十分之一。省下来的钱有两种花法：一种是变成利润，一种是拿来多跑一轮评测、多存一批反馈样本、多做一次离线回归。前者是这一季的财报，后者是三年后的护城河。

第四件事：给飞轮装一个"仪表盘"。至少要盯三个数：反馈覆盖率（有多少次交互留下了可用信号）、信号转化周期（从采集到反哺上线要几天）、反哺有效率（上了这一版，同类场景的修正率降了多少）。没有这三个数，飞轮只是在想象中转。

第五件事：提前想清楚数据合规的边界。今天有研究指出九款主流 AI 服务存在向第三方泄露对话标题、提示词与截图的问题；另一项 Arena 的研究发现，LLM 裁判偏爱自己答案的概率比人类高 70%。用 AI 来标注你的飞轮数据，等于把评测偏差直接灌进护城河里。高价值信号必须有人工抽检比例，这个比例要写进 PRD。

四、课后思考

 1. 你现在做的 AI 功能，用户"改了它输出"的那些修正，系统记录下来了吗？如果记录了，这些记录多久能被用上一次？ 2. 你的产品里，有没有哪种数据是竞争对手即使拿到同样的模型也拿不到的？如果有，它属于上面四类护城河中的哪一类？ 3. 如果明天你用的模型 API 突然降价 80%，你会把省下的钱花在哪？这个选择，就是你真实的战略排序。 4. 你的飞轮现在是多久转一圈？里面最慢的那个环节是什么——是采不到，还是洗不干净，还是根本没地方用？ 

下节预告 · 第29课 护城河决定了你能活多久，但活下去还得先回答"钱从哪来"。下一课我们讲 AI 产品的商业模式与定价——从 token 成本到价值定价：为什么按 token 收费正在被抛弃、订阅制与结果付费怎么选、以及如何给你的 AI 功能定一个既不被成本反噬、又能让用户接受的价格。 

— 90天从零基础到AI产品经理 · 第28课 —