您完全可以找到高价值的 AI 应用机会。 您可以从技术可行性和用户体验影响这两个角度评估某个想法，这两个角度必须结合起来，AI 功能才能成功。 您不应仅仅因为 AI 功能新颖或令人印象深刻就开发它们，而应因为它们确实能让用户的生活更轻松、更快捷或更愉快。
本模块将介绍一种结构化、迭代式方法，用于在产品中构思、指定和设计 AI 用例原型。
了解 AI 的价值
以下 AI 机会树定义了 AI 可以提供的大类价值：
我们列出了各种价值类别，以帮助您构建解决方案。随着您浏览列表，复杂性、风险和对用户的潜在影响往往会增加：
- 数据洞见：改进决策流程。
- 便捷：消除阻力。
- 自动化：取代重复性工作。
- 增强：协助用户完成复杂或富有创意的任务。
- 个性化：根据个人的需求和偏好调整产品。
首先，尝试解决影响较小的使用情形。例如，借助内部 AI 系统收集更出色的产品数据分析，以便从内部改进产品。然后，审核现有的用户体验债务，并使用 AI 来减少用户摩擦和认知负荷。随着您信心和经验的积累，您可以尝试更复杂的应用场景，并增加 AI 的使用频率。
不过，您可能会发现一些影响深远的机遇，例如轻度个性化，这些机遇出人意料地容易实现、风险低且意义重大。
发掘产品中的机会
为了确定合适的创意，您应该对自己的用户有充分的了解。 与用户体验团队合作或复习角色概念，以确定这些用户是谁。采用以用户为先（或以人为先）的方法，并将您发现的 AI 机会与产品的具体用例相关联。
这些模型可以是：
- 由明确的用户需求或痛点驱动。
- 由团队成员或您本人建议。在这种情况下，与用户进行快速验证至关重要，可避免陷入“为了 AI 而使用 AI”的陷阱。
- 从竞争对手那里汲取灵感，但要谨慎行事。竞争对手的受众群体和背景可能与您不同。尽早进行验证，以测试竞争对手的成功举措是否会影响您的产品。
例如，下表列出了有关机票预订网站的一些想法：
在用户转化历程的每个阶段，您都可以发现不同的机会，通过 AI 增加价值。
打造您的解决方案
到目前为止，您已经根据用户转化历程规划了多个 AI 创意。下一步是为这些想法赋予具体形态，并获得足够的信心，以便决定先开发哪些想法。这是一项团队工作，通常由产品经理主导。作为开发者，您的主要责任是估算计划中的 AI 解决方案的成本、工作量和风险。
具体说明您的想法
首先，在快速、全面的规范中记录每个想法。您可以使用我们简介中的 AI 系统蓝图。通常，开发者专注于解决方案部分，而产品经理则负责指定机会。通过这项练习，每个人都能在继续前进之前达成共识并进行讨论。
评估工作量和费用
接下来，评估您的想法的实现难度。例如，添加智能过滤条件可能只需要使用 LLM API 进行基于提示的解析，这样可以快速完成原型设计和运行，并且更易于调整。相比之下，个性化预订助理需要自定义数据流水线、预订 API 和精细的人在环机制，这要复杂得多。
从多个维度查看工作量和费用：
- 数据准备情况：您是否已拥有所需的数据？需要进行多少清理、预处理或标记才能让数据可供 AI 使用？
- 模型成熟度：是否已有合适的预训练模型，还是需要从头开始训练模型？
- 延迟时间：模型应以多快的速度响应，才能让用户感觉该功能顺畅且实用？
- 集成复杂性：需要连接多少个系统？是否有后端、API、界面或第三方工具？接触点越多，成本和风险就越高。
- 运营费用：每次模型调用或推理的费用是多少？估算每月用量和用于扩缩的预算。在原型阶段“便宜”的功能在数千名用户上线后可能会变得非常昂贵。
此外，还要考虑用户的隐性成本。AI 可能会给您的产品带来不确定性和常规错误，而大多数人都不喜欢这样。如果您实现客户端 AI，这些功能会在用户设备上运行，从而消耗带宽、存储空间和电量。该功能必须足够有价值，让用户愿意承担相应费用。
通过尽早评估工作量，您可以专注于高价值、低摩擦的成功，并在数据、基础设施和经验成熟后再考虑更复杂的想法。
估计故障模式
有时，模型会出错，导致功能无法按预期运行。 您需要告知用户发生了什么情况以及故障发生在哪里，以便他们了解是否可以通过更改输入内容来获得所需的结果。
例如，假设您经营一家旅行社。贵公司希望为旅客提供个性化的灵感。您的用户要求提供一种可自行完成此操作的工具，而您的产品团队也极力推动实现此功能。不过，您知道个性化需要用户提供许多有关其兴趣的信号，而您尚未设置收集此类信号的数据库。这会导致个性化失败，提供无关的灵感，从而导致用户放弃使用该功能。您对个性化数据可用性的了解应该有助于团队进行价值估算。
以下是需要考虑的其他关键 AI 故障模式：
- 误区：模型生成的输出看似合理，但实际上并不真实（例如编造不存在的航班）。
- 偏见：模型会根据训练数据表现出或放大不公平的泛化，从而导致歧视性或不公平的结果。例如，该模型可能会根据用户的感知性别或种族，假设用户想要头等舱机票，而其他用户想要经济舱机票。
- 冷启动问题：由于缺少初始数据，系统无法为新用户或新商品提供价值，如个性化旅游工具示例所示。
- 性能下降：随着真实世界的数据不断演变并偏离原始分布（也称为模型漂移），模型的准确率会随时间推移而下降。
原型
您在成本、工作量和故障模式方面的输入最初的保真度较低。 为了增强信心，对特定 AI 功能进行原型设计是最好的验证方式。通过原型设计，您可以在全面构建之前快速测试核心技术假设（数据准备情况、延迟时间、准确性）。 尤其是对于像 AI 这样尚未完全探索的新技术，通过构建来学习比通过研究和分析来学习更快。
借助 Vertex AI 和 Replit 等 AI 驱动的代码生成工具，您可以大幅加快原型设计流程并降低风险。
秉持这种心态：先发布一些小功能，观察其表现，然后不断改进。
请遵循以下最佳实践：
- 尽早构建端到端流程。测试 AI 系统蓝图中定义的整个流程（数据、智能、用户体验），而不仅仅是模型准确性。此 build 应反映用户与 AI 互动体验的方方面面，但不一定需要代表每个应用功能。
- 从快捷方式开始。使用 API 和预训练模型快速验证价值。
- 记录所有内容。跟踪输入、输出和用户编辑，以发现常见的故障模式并评估潜在的严重问题。
- 使用真实数据进行测试。早期测试应捕捉自然、混乱的用户行为。
- 添加反馈和控制机制。让用户更轻松地标记错误或调整输出，并让用户确认或更正结果。
在大多数情况下，原型设计与评估和规范工作同时进行。
要点总结
您学习了如何将抽象的 AI 潜力转化为具体的高价值产品创意。作为开发者，您的优势在于将技术可行性与用户体验相结合。您探索了 AI 如何在不同类别中创造价值，将这些机会与产品的用户历程相关联，并学习了如何使用结构化框架来指定、评估和确定这些机会的优先级。
请注意，AI 通过不断迭代来取得成功。尽早发布，听取用户意见并观察用户行为，然后快速改进。每个原型都是了解 AI 如何提升产品价值和用户满意度的一步。
资源
- 正确开展 AI 探索：关于构思、验证和确定 AI 应用场景优先级的指南。
检验您的掌握情况
哪类 AI 机会涉及协助用户完成复杂或创造性任务？
在评估 AI 想法所需的人力和成本时，“集成复杂性”是指什么？
在 AI 故障模式的背景下，什么是冷启动问题？
在设计 AI 功能原型时，建议采用哪种思维模式？
为什么在原型设计阶段记录日志非常重要？