您很有機會找到高價值的 AI 商機。 您可以評估構想的技術可行性，以及對使用者體驗的影響，這兩方面必須結合，AI 功能才能成功。您不應因為 AI 功能新穎或令人驚豔而建構，而是因為這些功能確實能讓使用者生活更輕鬆、更快速或更愉快。
本單元將說明如何透過結構化、反覆運算的方法，在產品中發想、指定及製作 AI 用途的原型。
瞭解 AI 的價值
下列 AI 發展機會樹狀結構定義了 AI 可提供的價值大類：
我們列出價值類別，協助您規劃解決方案。隨著您瀏覽清單，複雜度、風險和對使用者影響的可能性通常會增加：
- 洞察：協助您做出更明智的決策。
- 便利性：移除阻礙。
- 自動化：取代重複性工作。
- 增強：協助使用者處理複雜或創意工作。
- 個人化：根據個人需求和偏好調整產品。
首先，請嘗試解決影響較小的使用案例。舉例來說，您可以運用內部 AI 系統收集更深入的產品洞察資料，從內部改善產品。接著，稽核現有的 UX 債務，並運用 AI 減少使用者的阻礙和認知負荷。隨著信心和經驗增加，您可以開始處理更複雜的用途，並提高 AI 的使用頻率。
不過，您可能會發現影響力極大的商機，例如輕微的個人化，這些商機出乎意料地容易實現、風險低且有意義。
找出產品中的商機
如要找出合適的點子，您必須充分瞭解使用者。與使用者體驗團隊合作或複習目標對象，定義這些使用者。採取以使用者為優先 (或以人為優先) 的做法，並將您發現的 AI 應用機會，對應到產品的具體用途。
可能的形式包括：
- 由明確的使用者需求或痛點所驅動。
- 由團隊成員或您本人建議。在這種情況下，與使用者快速驗證至關重要，可避免「為 AI 而 AI」的陷阱。
- 參考競爭對手的做法，但請謹慎行事。競爭對手的目標對象和情境可能與您不同。提早驗證，測試成功的競爭對手計畫是否會對你的產品產生影響。
舉例來說，下表提供航班預訂網站的構想：
在使用者歷程的每個階段，您都可以找出不同的商機，透過 AI 增加價值。
打造解決方案
到目前為止，您已在使用者歷程中規劃了多個 AI 構想。下一步是為這些想法賦予形狀，並建立足夠的信心，以便決定要優先開發哪些想法。這項工作需要團隊合作，通常由產品經理主導。身為開發人員，您的主要責任是估算預計 AI 解決方案的成本、工作量和風險。
具體說明想法
首先，請快速全面地記錄每個想法。您可以採用簡介中的AI 系統藍圖。一般來說，開發人員會專注於解決方案，而產品經理則會指定商機。這項練習可為所有人提供共同的基礎，以便在繼續進行之前達成共識並展開討論。
評估工作量和成本
接著，評估構想的實作難度。舉例來說，新增智慧篩選器可能只需要使用 LLM API 進行提示式剖析，這樣就能快速製作原型和執行，也更容易調整。相較之下，個人化預訂助理需要自訂資料管道、預訂 API 和謹慎的人工參與機制，工作量大得多。
從多個層面考量工作量和成本：
- 資料準備程度：您是否已備妥所需資料？需要進行多少清理、前處理或標記，才能讓資料適用於 AI？
- 模型成熟度：是否有合適的預先訓練模型，還是需要從頭訓練模型？
- 延遲：模型的回應速度要多快，才能讓使用者覺得這項功能流暢又實用？
- 整合複雜度：需要連線的系統數量？是否有後端、API、UI 或第三方工具？觸控點越多，成本和風險就越高。
- 營運成本：每次模型呼叫或推論的費用是多少？估算每月用量和預算，以利擴充。在原型階段「便宜」的功能，一旦有數千名使用者上線，就可能變得非常昂貴。
此外，請考慮使用者隱藏的費用。AI 可能會為產品帶來不確定性，且經常出錯，這點大多數人都不喜歡。如果導入用戶端 AI，這些功能會在使用者裝置上執行，耗用頻寬、儲存空間和電力。這項功能必須夠實用，使用者才會願意付費。
及早評估工作量，有助於您專注於高價值、低阻力的勝利，並將較複雜的想法延後，直到資料、基礎架構和經驗成熟為止。
估算故障模式
有時模型會出錯，導致功能無法正常運作。 您必須向使用者說明發生了什麼事，以及失敗的原因，讓他們瞭解是否可以變更輸入內容，以取得所需結果。
舉例來說，假設您經營旅行社，貴公司想為旅客提供個人化旅遊靈感。使用者要求提供工具自行執行這項操作，因此產品團隊積極推動實作這項功能。不過，您知道個人化功能需要許多使用者興趣信號，但您尚未設定收集這類信號的資料庫。這會導致個人化功能無法順利運作，提供不相關的靈感，進而導致使用者放棄使用這項功能。您對個人化資料可用性的瞭解，應有助於團隊估算價值。
以下是其他需要考量的重大 AI 故障模式：
- 幻覺：模型生成的輸出內容看似合理，但其實是虛構的 (例如編造不存在的航班)。
- 偏誤：模型會根據訓練資料呈現或放大不公平的概括結果，導致輸出內容帶有歧視或不公平。舉例來說，模型可能會根據使用者感知到的性別或種族，假設使用者想要頭等艙航班，其他人則想要經濟艙。
- 冷啟動問題：系統無法為新使用者或項目提供價值，因為缺少初始資料，如個人化旅遊工具範例所示。
- 效能降低：隨著實際資料演變並偏離原始分布，模型的準確率會隨時間降低，這也稱為模型偏移。
原型
一開始，您在成本、工作量和失敗模式方面的輸入內容準確度不高。 如要取得信心，驗證特定 AI 功能的最佳方式就是製作原型。在投入完整建構作業前，您可以先進行原型設計，快速測試核心技術假設 (資料準備度、延遲時間、準確度)。特別是對於 AI 這類尚未完全開發的新技術，您透過建構學習的速度，會比研究和分析更快。
有了 Vertex AI和 Replit 等 AI 輔助程式碼生成工具，您就能大幅加快原型設計流程，並降低風險。
請抱持這種心態：先推出小規模的產品，觀察其行為，然後持續改良。
請採用下列最佳做法：
- 提早建構端對端流程。測試 AI 系統藍圖中定義的整個流程 (資料、智慧、使用者體驗)，而不只是模型準確度。這個版本應反映使用者與 AI 互動的每個環節，但不一定要代表每個應用程式功能。
- 先從快速鍵開始。使用 API 和預先訓練的模型，快速驗證價值。
- 記錄所有內容。追蹤輸入內容、輸出內容和使用者編輯內容，找出常見的失敗模式，並評估潛在的阻礙。
- 使用實際資料進行測試。早期測試應擷取使用者自然、混亂的行為。
- 新增意見回饋和控管機制。讓使用者更輕鬆地標記錯誤或調整輸出內容，並允許使用者確認或修正結果。
在大多數情況下，原型設計會與評估和規格工作同步進行。
重點摘要
您已瞭解如何將抽象的 AI 潛力轉化為具體的高價值產品構想。身為開發人員，您的優勢在於將技術可行性與使用者體驗結合。您已瞭解 AI 如何在不同類別中創造價值、將這些商機對應至產品的使用者歷程，以及如何使用結構化架構指定、評估及設定這些商機的優先順序。
請記住，AI 是透過不斷疊代來取得成功。盡早發布、聽取使用者意見並觀察他們，然後快速修正。每個原型都是瞭解 AI 如何提升產品價值和使用者體驗的一步。
資源
- 正確進行 AI 探索：這份指南可協助您發想、驗證及排定 AI 用途的優先順序。
隨堂測驗
哪一類 AI 發展商機涉及協助使用者處理複雜或創意工作？
評估 AI 構想的投入成本和費用時，「整合複雜度」是指什麼？
在 AI 故障模式中，冷啟動問題是什麼？
設計 AI 功能原型時，建議抱持什麼心態？
為什麼在原型設計時保留記錄很重要？