AI产品经理转型 Day 3 | AI需求分析方法论

引子：一份"翻车"的AI PRD

某B端SaaS产品PM写了一份AI需求文档，核心内容如下：

这份PRD有什么问题？

• 没有定义"合规"的标准
  ——AI怎么判断什么是合规的？
• 没有设效果指标
  ——准确率要到多少才能上线？
• 没有降级方案
  ——AI判断不了的时候怎么办？
• 没有数据需求说明
  ——训练数据从哪来？
• 没有迭代计划
  ——上线后怎么持续优化？

这份PRD如果直接执行，大概率会"翻车"——要么效果不达标被叫停，要么上线后用户投诉。问题不是出在技术上，而是出在需求定义不够专业。

一、AI需求与传统需求的本质区别

这些区别直接改变PM的工作方式。传统PM写完PRD就等开发交付；AI PM在写PRD之前就要搞清楚数据在哪、效果标准是什么、上线后怎么迭代。

二、AI需求识别的3个来源

来源1：用户痛点反推——"这个事现在太麻烦了"

最可靠的AI需求来源。观察用户在哪些环节花费大量时间做重复性、模式化的工作——这些就是AI的用武之地。

来源2：数据洞察驱动——"我们有数据但没用起来"

很多企业积累了大量数据但从未充分利用。当你发现"这些数据里应该有规律"时，AI需求就浮现了。

来源3：技术能力触发——"这个AI能力可以解决我们的问题"

三、AI可行性评估框架——三维评分模型

发现AI需求后，不是所有都值得做。用以下三个维度评估，每个维度1-5分，总分低于9分的建议暂缓。

四、AI PRD的7个新增章节

传统PRD已经不够用了。AI PRD在原有基础上必须新增以下7个章节——这是AI PM和传统PM在交付物层面的核心差异。

新增1：数据需求

• 数据来源（内部系统、第三方、用户产生？）
• 数据量级（需要多少？现有够不够？）
• 标注需求（标注什么？标准是什么？谁来标注？）
• 数据质量要求（清洗标准？异常数据怎么处理？）
• 数据更新机制（多久更新一次？谁负责维护？）
• 数据合规（是否涉及用户隐私？是否需要脱敏？）

新增2：模型效果指标

• 核心指标（准确率/F1/解决率等）+ 目标值
• 分人群指标（是否需要在不同用户群体上分别达标？）
• 对比基线（和什么对比？人工处理/规则引擎/旧版本模型）
• 劣化阈值（效果降到什么水平必须触发重训？）

新增3：效果验收标准

• 功能验收（基本功能跑通）
• 效果验收（在测试集上达到目标指标）
• 边界测试（极端输入/对抗输入下的表现）
• 性能验收（延迟、吞吐量、并发能力是否达标）
• 用户验收（小范围灰度测试的用户满意度）

新增4：降级方案（Fallback）

这是AI PRD最重要的新增内容之一。AI不可能永远正确，必须设计"AI不行时的退路"。

新增5：迭代计划

• 初始版本目标（V1效果目标，通常低于最终目标，先上线再迭代）
• 迭代节奏（多久做一次模型更新？周/月/季度）
• 数据飞轮设计（用户反馈如何收集→如何回流到训练→如何验证效果）
• 效果提升路线（V1→V2→V3的效果目标递进计划）

新增6：伦理与安全审查

• 偏见风险（模型是否可能对特定人群产生歧视？如何检测？）
• 隐私保护（是否使用用户隐私数据？是否脱敏？）
• 安全风险（是否可能被恶意利用？如何防对抗攻击？）
• 可解释性（用户/监管是否需要了解AI决策依据？）

新增7：成本估算

• 研发成本（数据准备+模型训练+工程开发的人月）
• 推理成本（上线后的API调用/GPU使用成本，按月/按量）
• 运营成本（数据标注、模型重训、监控维护的持续成本）
• ROI预估（投入vs收益的时间线）

五、数据盘点方法论——你的数据够不够做AI？

数据是AI项目的生命线。很多AI项目不是死在技术上，而是死在数据不够、不好、不可用上。PM必须学会系统性地盘点数据资产。

六、一个完整的AI PRD示例框架

以"智能文档审核"为例，整合今天所有内容：

今日实践任务：写一份AI PRD

任务说明：从你Day 1扫描出的Top 3 AI机会中选1个，按今天的AI PRD框架写一份完整需求文档。

1. 选定场景
   ：从3个机会中选可行性最高的1个
2. 完成三维评估
   ：业务价值×技术可行性×数据就绪度，给出评分
3. 写完整PRD
   ：包含传统PRD内容 + 今天学的7个新增章节
4. 做数据盘点
   ：用数据就绪度评估表评估数据情况