夜雨聆风我的方法论：AI方向评估四步法
接手一个新方向时，用一个四步框架判断"要不要做AI"。这个方法帮我省过一个2个RD×3个月的错误投入。
方法论总览
竞品分析 → 用户实际行为观察 → AI vs 现有方案ROI → 决策
每一步对应一个核心问题：
下面用一个真实案例说明这个框架怎么用。
案例：竞品都在做AI助手，我用这个方法决定不做
第一步：竞品分析
2025年Q1，电商SaaS圈有一个共识：AI助手是商家后台的下一个入口。
淘宝千牛上线"商家AI助手"，覆盖商品管理、订单处理、数据分析 京东咚咚推出"智能客服+商家助手"双引擎 拼多多商家版灰度"AI经营顾问"
行业会议上，"AI重构商家体验"是最高频的话题。投资人问SaaS公司的一个标准问题变成了："你们有没有AI？"
我们内部也形成了初步方案：基于大模型做商家问答助手，覆盖30+高频操作场景（改价、查单、上活动、看数据），预计Q2灰度、Q3全量。
看起来方向清晰。唯一的问题是我还没见过一个真实商家。
第二步：用户行为观察
传统的用户调研是发问卷、做访谈：问"你希望AI帮你做什么"。这种问法的结果是——用户会说"都行""挺期待的""最好什么都能做"。我们换了一种方式。
观察法：20个商家，每人跟一天。选了20个商家，覆盖大中小三种规模。不去问他们"需要什么"——坐在他们旁边看他们干活。每人跟一天，记录三样东西：
数据采集：后台点击流+客服工单。同时拉了三个数据源：商家后台过去30天的点击流日志（500万条）、人工客服工单（1.2万条，标注了问题类型）、商家社群聊天记录（抽样2000条）。
分析框架：他们在哪一步需要帮助。把商家使用后台的过程拆成三个阶段：找功能 → 操作 → 确认结果。对于每个阶段，判断AI能否减少步数或降低认知负荷。
数据采集结果
query极短，意图极明确
500万条点击流中最有价值的数据不是点击数——是搜索栏的query文本。
Top 5 query：改价格、查订单、上活动、退款、发货。
特点：没有歧义，不需要"理解"。用户知道自己要找什么，而且能找到。
搜索的效率和AI的投入不对等
对于Top 10 query，搜索更快、更准、更便宜。AI唯一能体现优势的场景是长尾query——那些搜索找不到、需要人工客服介入的问题。
长尾query有多少
把500万条点击流里的query按频次排序后发现：
96%的query用搜索就能解决。AI的真正价值在那4%里——但4%的用户量撑不起AI的开发成本。
第三步：ROI对比
AI助手ROI算不过去
AI助手一年省1.3万。不值得投入2个RD三个月。
另一个方向：VOC智能分析
在分析客服工单数据时，发现了另一个问题：
VOC方向：AI没有人工客服的历史包袱——不需要"替代"谁，从零开始帮人工客服提速。
核心能力：自动分类工单（商品/物流/售后）、自动生成处理建议、自动生成回复草稿。投入相同、场景更痛、ROI更高。
最终决策
三个月后VOC上线，处理时效从3天降到4小时。
第四步：决策与复盘
AI不是万能答案——是工具。看到竞品在做AI，不是跟的理由。用户是不是真的需要AI来解决这个问题——才是。
用户调研不要问"想不想要AI"。问法决定了答案的可用性。问"你觉得AI有用吗"得到的全是积极反馈。问"你昨天下午改了三次价格，每次都点了5个菜单——如果AI帮你改会更快吗"——得到的才是真实行为数据。
ROI不是算AI能省多少——是算同样的资源放在哪里最能省。AI助手一年省1.3万 vs VOC一年省200万处理工时的等效成本。答案很清楚。
调研的终点是决策，不是报告。很多团队的调研结束于"产出报告"。报告说"商家对AI助手有需求，建议分阶段上线"。我们的调研结束于——"不做AI助手，做VOC"。
调研的价值不在于验证你最初的想法是对的，在于帮你在付出成本之前发现它是错的。
