第 2 课｜找到值得 AI 解决的真问题
不从“我们能用大模型做什么”出发，而从“谁的哪一步任务值得被改善”出发。
快速回顾
上一课我们把 AI PM 的工作归纳为四个判断：找问题、判能力、定边界、验结果。现在进入第一步：把一句模糊的“做个 AI 功能”，转成可观察、可验证的产品机会。
先写任务，不写方案
“做一个智能总结”是方案；“销售每次会后花 40 分钟整理行动项，而且经常漏掉承诺”才是问题。
问题陈述模板
当【某类用户】在【具体场景】要完成【任务】时，因为【障碍 / 约束】，导致【可观察后果】。我们希望把【结果指标】从 X 改善到 Y。
为什么先写后果？只有后果能让团队判断价值。如果漏项没有造成返工、损失或体验下降，自动总结再酷也未必值得做。
把“痛点”按证据强弱排序
下面四条信息都可能是真的。用上下按钮，把你认为更有决策价值的证据排在前面。
18 名销售中，6 人每周至少一次漏掉客户承诺并产生返工
2销售负责人说“大家都想要一个 AI 助手”
3竞品首页最近上线了“AI 会议纪要”
4日志显示 41% 的会议记录会在 24 小时后被二次编辑
通常，行为数据与重复出现的实际损失比口头愿望、竞品动作更强。排序不是为了追求唯一答案，而是提醒你区分“观点”和“证据”。
AI 机会筛选：价值、适配、可验证
价值结果改善后，用户或业务真的在乎吗？
AI 适配任务是否包含模糊语言、模式识别或生成？
数据条件有代表性输入、参考答案与反馈信号吗？
验证速度能否用小样本在两周内学到关键结论？
机会判断
客服希望 AI 自动决定所有退款。订单金额差异大，规则经常变，错误退款不可追回。第一步怎么做？
等待选择想想怎样最快验证价值，同时保留可逆性。
从研究问题到成功标准
好的发现阶段不是“访谈完了就开始画原型”，而是回答三个研究问题：任务是否足够高频且痛苦？AI 的错误是否可接受、可发现、可恢复？什么变化能证明产品有效？
| 层级 | 弱表达 | 可验证表达 |
|---|---|---|
| 用户问题 | 整理纪要很麻烦 | 销售会后平均花 40 分钟整理，且 25% 的行动项未被跟进 |
| 产品假设 | AI 可以总结 | AI 提取行动项并让销售确认，可把整理降到 10 分钟以内 |
| 成功标准 | 用户觉得好用 | 行动项召回率 ≥ 90%，人工编辑中位时长 ≤ 8 分钟 |
快速测验
1. 哪一句最接近可验证的问题陈述？
正确。它包含用户、任务、障碍和可观察后果。
问题陈述应描述现实任务与后果，而不是技术或愿望。
2. 发现阶段最强的一类证据通常是？
正确。它更接近真实发生的任务与代价。
观点可以给方向，但不足以单独证明机会。
3. 高风险、不可逆任务的第一版更适合？
正确。先用增强式工作流验证，再逐步放开自动化。
不可逆风险要求更强的人工控制与日志。
思考练习：改写一个伪需求
把“我们想做一个 AI 搜索”改写成问题陈述
选择你熟悉的组织或产品，补全：谁、在什么场景、完成什么任务、被什么阻碍、造成什么后果、希望改善什么指标。
新入职销售在第一次准备行业客户会议时，需要从 2000 篇材料中找到可引用案例；平均耗时 70 分钟且经常引用过期信息。我们希望把准备时间降到 20 分钟，并让过期引用率低于 2%。
延伸阅读
User Needs + Defining Success
从用户需求、AI 机会和奖励函数三个层次定义成功。
People + AI Guidebook Patterns
用问题导向的模式库判断何时、怎样在产品中使用 AI。