您处于有利位置，可以为 AI 找到高价值的机会。 您可以评估创意的技术可行性及其对用户体验的影响，这两个方面必须结合起来，AI 功能才能取得成功。您不应仅仅因为 AI 功能新颖或令人印象深刻而构建它们，而应因为它们能真正让用户的生活更轻松、更快捷或更愉快而构建它们。
本单元介绍了一种结构化、迭代式的方法，用于在产品中构思、指定和原型设计 AI 用例。
了解 AI 的价值
以下 AI 机遇树定义了 AI 可以提供的主要价值类别：
我们列出了价值类别，以便您构建解决方案。随着您在列表中向下移动，复杂性、风险和对用户产生影响的可能性往往会增加：
- 数据分析：改进决策流程。
- 便捷：消除阻碍。
- 自动化：取代重复性工作。
- 增强：协助用户完成复杂或富有创造性的任务。
- 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用例。例如，通过内部 AI 系统收集更优质的产品数据分析，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 减少用户的阻力和认知负荷。随着信心和经验的积累，您可以逐步转向更复杂的应用场景，并增加 AI 的应用范围。
也就是说，您可能会发现一些高影响力的机会，例如轻度个性化，这些机会出人意料地易于实现、风险低且意义重大。
发现产品中的机会
为了确定正确的想法，您应该清楚地了解您的用户是谁。 与您的用户体验团队合作，或温习用户画像，以确定这些用户是谁。采用用户至上（或以人为本）的方法，并将您发现的 AI 机会映射到产品的具体用例。
这些模型可以是：
- 由明确的用户需求或痛点驱动。
- 由您的团队成员或您自己建议。在这种情况下，快速与用户验证至关重要，可以避免陷入“为 AI 而 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。尽早验证，测试竞争对手的成功举措是否适用于您的产品。
例如，下表列出了机票预订网站的创意：
在用户体验历程的每个步骤中，您都可以发现不同的机会，利用 AI 增加价值。
打造专属解决方案
到目前为止，您已经根据用户体验历程规划了多个 AI 创意。下一步是让这些想法成形，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，通常由产品经理推动。作为开发者，您的主要职责是估算计划的 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、全面的规范中捕获每个想法。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，而机会则由产品经理指定。此练习可让每个人在继续推进之前，有一个共同的基础来达成一致并进行讨论。
评估工作量和费用
接下来，评估您的想法的实施难度。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，这样可以快速进行原型设计和运行，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 和谨慎的人机协同机制，这要复杂得多。
从多个维度考量工作量和成本：
- 数据就绪情况：您是否已经拥有所需的数据？需要进行多少清理、预处理或标签化工作，才能让数据做好 AI 准备？
- 模型成熟度：是否已存在合适的预训练模型，还是需要从头开始训练一个模型？
- 延迟时间：模型应以多快的速度响应，才能让用户感觉功能流畅且实用？
- 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。
- 运营成本：每次模型调用或推理的费用是多少？估算每月用量和扩缩预算。在原型阶段“成本低廉”的功能，一旦有数千名用户使用，就可能变得成本高昂。
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见错误。使用客户端 AI 时，功能在用户设备上运行，会消耗带宽、存储空间和电量。该功能必须具有足够的价值，让用户觉得物有所值。
通过尽早评估工作量，您可以专注于高价值、低阻力的成功，并将更复杂的想法推迟到数据、基础设施和经验成熟时再实施。
估算故障模式
有时，模型会出错，功能无法按预期运行。 您需要向用户传达发生了什么情况以及故障发生的位置，以便他们知道是否可以更改输入以获得所需的结果。
例如，假设您经营一家旅行社。贵公司希望为旅行者提供个性化的灵感。用户要求提供一款工具，以便他们自行完成这项工作，而产品团队也积极推动实现这一目标。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，提供不相关的灵感，从而导致用户放弃该功能。您对个性化数据可用性的理解应该已经为团队的价值估算提供了参考。
以下是需要考虑的其他关键 AI 故障模式：
- 幻觉：模型生成看似合理但并非真实的输出（例如，编造不存在的航班）。
- 偏见：模型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，模型可能会根据用户的感知性别或种族，假设某些用户想要头等舱航班，而其他用户想要经济舱。
- 冷启动问题：如个性化旅行工具示例所示，由于缺乏初始数据，系统无法为新用户或新内容提供价值。
- 性能下降：随着时间的推移，真实世界的数据会不断演变并偏离原始分布，模型的准确率也会随之下降，这也称为模型漂移。
原型
您在成本、工作量和故障模式方面的输入最初会具有较低的保真度。 为了获得信心，对特定 AI 功能进行验证的最佳方式是为其制作原型。通过原型设计，您可以在投入全面构建之前，快速测试核心技术假设（数据就绪情况、延迟时间、准确性）。尤其是在面对 AI 这样尚未被充分探索的新技术时，通过实践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。
采用这种思维方式：发布一些小功能，观察其行为，并不断改进。
请遵循以下最佳实践：
- 尽早构建端到端。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率。此 build 应反映用户使用 AI 的每个环节，但不一定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。
- 记录所有事件。跟踪输入、输出和用户修改，以了解常见的故障模式并评估潜在的严重问题。
- 使用实际数据进行测试。早期测试应捕捉用户自然、随意的行为。
- 添加反馈和控制机制。让用户能够更轻松地标记错误或调整输出，并让用户能够确认或更正结果。
在大多数情况下，原型设计与评估和规范工作同时进行。
您的收获
您学习了如何将抽象的 AI 潜力转化为具体、高价值的产品创意。作为开发者，您的优势在于将技术可行性与用户体验联系起来。您探索了 AI 如何在不同类别中创造价值，将这些机会映射到产品的用户体验历程，并学习了如何使用结构化框架来指定、评估这些机会并确定其优先级。
请记住，AI 的成功离不开持续不断的迭代。尽早发布，倾听用户心声，观察用户行为，快速改进。每个原型都是一个步骤，有助于您了解 AI 如何提升产品的价值和愉悦度。
资源
- Getting AI Discovery Right（正确探索 AI），这是一份关于如何构思、验证 AI 应用场景并确定其优先级的指南。
- AI Radar，一款发现和决策支持工具，用于识别各行各业的应用场景并确定其优先级。
检查掌握情况
哪一类 AI 机遇涉及协助用户完成复杂或创造性任务？
在评估 AI 创意的投入和成本时，“集成复杂性”是指什么？
在 AI 故障模式中，冷启动问题是指什么？
在设计 AI 功能原型时，建议采用哪种思维方式？
为什么在原型设计过程中记录日志很重要？