夜雨聆风过去一年，我看过不少AI产品PRD。
最常见的问题是：很多时候就是把传统PRD里的“系统”换成了“AI”。
原来写“系统根据规则生成结果”，现在改成“AI生成结果”；原来画固定流程，现在加一个大模型节点；原来写接口和字段，现在多写一段Prompt。
真正进入开发和上线阶段，问题就来了：AI答错怎么办？什么情况必须人工确认？数据过期谁负责？效果达到多少才能上线？
这些问题，不该等上线后再解决，而应该在PRD里提前回答。
传统软件是在固化确定的业务规则；AI产品则要在不确定性中，持续交付“可用、可信、可控的业务结果”。
不是所有问题都需要大模型。库存低于安全线自动预警，规则引擎更稳定；销量预测，机器学习可能更合适；补货量和运输路径计算，往往需要运筹优化。
大模型真正擅长的是理解语言、检索知识、解释推理和跨系统完成任务。
所以AI产品PRD不能只写“接入某个模型”，还要写清楚：现有方案有什么瓶颈？不引入AI会怎样？AI究竟比规则、算法或人工多创造了什么价值？
>问题决定技术方案，而不是模型热度决定产品方案。
传统系统输入条件不变，输出通常也是确定的；AI却具有概率性。因此，PRD必须定义三层边界：
自动执行：风险低、结果可逆的任务，如查物流、文档分类。
推荐＋确认：涉及金额、客户权益或重要决策时，AI给建议，人来拍板。
禁止触碰：资金账户、敏感信息、不可逆操作，明确不让AI执行。
边界写得越清楚，研发越好实现，业务越敢使用。
企业知识库没有更新，AI就会引用过期制度；历史工单分类混乱，模型就会学到错误规律；客户数据没有做好隔离，再高的准确率也没有意义。
AI产品PRD要单独写清楚数据来源、格式、更新频率、质量标准、标注方式、负责人以及安全要求等。
模型可以买到，真正形成壁垒的，往往是持续获得高质量业务数据的能力。
B端AI很少能够100%自动化。用户真正关心的是：AI在哪一步介入？做完以后谁确认？出错以后谁接手？
典型流程应该是：
> 用户发起任务 → 系统检索数据 → AI生成建议 → 判断置信度 → 高置信度直接返回 → 低置信度进入人工复核
同时还要设计异常路径：模型超时怎么办？知识库没有答案怎么办？
用户连续否定怎么办？外部接口调用失败怎么办？
优秀的AI交互，不是让人相信AI永远正确，而是让人随时知道：AI做到了哪一步、依据是什么、自己还能做什么。
传统功能可以验收按钮、流程和数据；AI产品还要设定效果门槛。
技术层面要看准确率、幻觉率、响应时间、安全性和调用成本；产品层面要看建议查看率、采纳率、用户修正率和最终节省的时间或成本。
如果推荐准确率达到90%，用户采纳率却只有20%，问题可能不在模型，而在推荐理由不透明、入口不符合工作习惯，或者用户不愿承担责任。
>技术达标不等于产品落地。
用户每一次采纳、修改、驳回和转人工，都是AI产品最有价值的数据。
PRD需要提前规定：记录哪些行为？谁来标注Bad Case？知识库多久更新？Prompt、规则和模型分别在什么情况下调整？
真正有竞争力的AI产品，不是第一版就最聪明，而是能形成一个持续循环：
> 用户使用 → 反馈沉淀 → Bad Case标注 → 数据和方案优化 → 效果提升
AI产品PRD并不是在传统模板后面增加一个“模型选型”章节。它需要把能力边界、数据、人机协作、效果评估、风险兜底和持续运营等层面，全部纳入产品设计。
说到底，传统PRD是在描述一个确定的系统；AI产品PRD是在设计一套“面对不确定性，仍能稳定交付业务价值的机制”。
【领取B端AI产品PRD完整模板】
我把这套方法整理成了一份可以直接填写的《B端AI产品PRD完整模板》，包含业务目标、AI可行性、能力边界、数据设计、人机协作、评估指标、风险兜底和迭代飞轮等核心模块。
适用于供应链AI、智能客服、企业知识库、AI销售助手、AI数据分析、AI问数、AI办公助手及企业Agent类产品。
关注公众号，回复关键词「AI PRD」，即可领取完整版。
------------------------------
【如果你想掌握B端供应链的实际AI项目】，下方扫码了解详情。
