夜雨聆风AI 产品设计实战 · 决策篇 · 2026
什么需求该用 AI 做？
产品经理的 AI 决策四象限
避免「为了 AI 而 AI」的系统性决策框架
一张图判断你的需求值不值得用 AI 解决
AI 产品系列第8篇决策框架实战方法论
「我们要在这个功能里加 AI。」
这句话现在几乎每个产品评审都会听到。老板说要加，竞品加了，技术说能做——于是 AI 就进了需求池。但最后上线的效果，往往是：用户根本不用，或者用了之后觉得不如自己手动操作。
问题不在于 AI 技术，而在于这个需求根本就不该用 AI 做。这篇给你一个系统性的决策框架——在立项阶段就判断清楚，这个需求适不适合 AI，用什么程度的 AI。
01 先搞清楚：AI 到底在解决什么问题 |
AI 不是魔法，它本质上擅长解决两类问题：
第一类：模式识别 从大量数据里找规律，输出判断或预测。 · 图片识别产品缺陷 | 第二类：内容生成 基于上下文和规则，生成文字、代码、方案。 · 自动生成商品 Listing |
不属于这两类的需求，用 AI 往往是画蛇添足。关键词是「模糊性」和「规模性」——如果一个问题有明确规则可以穷举，用规则引擎就好，不需要 AI。
02 · 核心框架 AI 决策四象限 两个维度：业务价值高低 × 问题不确定性高低 |
判断一个需求是否适合 AI，核心看两个维度：
维度一：业务价值 解决这个问题能带来多大价值？省多少成本、提多少效率、创造多少收入？价值低的需求不管用不用 AI，都不值得做。 | 维度二：问题不确定性 这个问题有没有明确的规则可以解决？输入输出是否可以精确定义？不确定性低的问题用规则就够了，不需要 AI。 |
四象限详解
业务价值高 | 象限一：规则优先 用规则引擎 价值高但规则明确，AI 反而会引入不必要的不确定性和成本。用规则引擎稳定、快速、可解释。 示例：订单金额结算、税率计算、权限判断、库存扣减逻辑 | 象限二：AI 优先 重点投入 AI 价值高且规则复杂，这是 AI 最有竞争力的场景。值得投入大量资源，做好数据、模型和交互设计。 示例：设备故障预测、智能客服、商品推荐、异常检测 | |
业务价值低 | 象限三：果断砍掉 不做 既没有价值，规则又简单，根本没必要存在。不管用不用 AI，这个需求都不该进迭代计划。 示例：给已经很少人用的功能加 AI 优化 | 象限四：谨慎评估 小步试验 问题复杂但价值不高，AI 投入成本大，ROI 存疑。可以用最小化方案验证，不要大规模投入。 示例：给边缘功能加「智能提示」，先做 MVP 看数据 |
💡 最常见的错误：把象限一的需求（规则清晰）错当成象限二处理——花大力气引入 AI，结果上线后不确定性反而升高，用户体验下降。典型案例：用 AI 计算订单金额（应该用确定性公式）。
03 实战：用四象限分析五个真实需求 |
以下五个需求来自真实产品场景，我们用四象限逐一分析：
📍 定位：象限二 — 重点投入 AI。历史工单数据 + 处理人能力标签 + 实时负载，三个维度联合建模，准确率可达 85% 以上。 |
📍 定位：象限一 — 规则优先。绝对不用 AI，用确定性公式 + 精确数学计算，结果必须 100% 可预期。AI 引入浮点误差或逻辑判断偏差，在财务场景是灾难。 |
📍 定位：象限二 — 重点投入 AI。AI 生成初稿，人工审核关键词和合规性，效率提升 80% 以上。这正是 LLM 最擅长的场景。 |
📍 定位：象限四 — 谨慎评估。先用历史搜索词做简单匹配，看搜索成功率数据。如果数据证明搜索是核心路径，再考虑引入 AI 预测。不要直接上 AI。 |
📍 定位：象限二 — 最典型的 AI 优势场景。时序数据 + 异常检测模型，结合领域专家知识标注，是工业 AI 的核心价值所在。 |
04 进阶：四象限之外，还要问这三个问题 |
四象限定位只是第一步。即使确认落在象限二，还需要回答三个关键问题，才能判断这个 AI 需求是否真的可以做：
Q1 | 有没有足够的数据？ AI 模型的质量上限由训练数据决定。没有数据积累的新业务，AI 往往无从下手。建议先把数据采集做起来，6 个月后再考虑 AI。用 LLM 类的生成式 AI（如 Claude），对数据的依赖相对低，是初期的好选择。 |
Q2 | 用户能接受 AI 出错吗？ AI 不是 100% 准确的。在金融、医疗、法律场景，一次错误的代价极高，需要设计完善的「人工兜底」机制。如果业务完全不能容忍错误，AI 只能做「建议」，不能做「决策」。 |
Q3 | 如何衡量 AI 是否成功？ 在立项时就要定义：AI 的准确率目标是多少？用户采纳率目标是多少？如果这两个指标答不上来，说明需求本身还没想清楚。没有可量化目标的 AI 需求，上线后必然陷入「说不清好不好」的困境。 |
05 一页纸决策清单：立项时直接用 |
把以上框架浓缩成一份可以在立项评审时当场使用的清单：
| ## 需求：[填写需求名称] ### Step 1：定位象限 （量化：节省多少成本 / 提升多少效率 / 创造多少收入） - 问题不确定性：高 / 低 （能否用规则引擎穷举？有没有边界模糊的判断？） -象限定位：一 / 二 / 三 / 四 ### Step 2：三个追加问题 -数据：有多少历史数据？质量如何？ -容错：用户/业务能接受 AI 出错吗？出错的最坏后果是什么？ -度量：如何量化 AI 是否成功？（准确率目标 / 采纳率目标） ### Step 3：决策结论 □重点投入 AI（象限二，三问均有答案） □用规则引擎（象限一） □暂不做，先积累数据 □砍掉（象限三） □ 小步试验，30 天看数据（象限四） |
💡 这份清单可以直接复制进 CLAUDE.md，作为团队 AI 需求评审的标准工具，每个 AI 需求立项前必须填写完整。
总结 记住这句话 |
四象限框架的本质，是帮你在立项阶段就把问题想清楚——不是阻止你用 AI，而是确保每一次引入 AI 都有清晰的理由、可量化的目标、可接受的风险。这才是产品经理在 AI 时代最核心的判断力。 |
后台回复「四象限」获取完整决策清单模板
AI 产品设计实战系列 · 第8篇 · 2026
下一篇：AI 产品的 UX 设计原则——如何让用户真正信任 AI