決定AI產品生死的，不是算法，是產品經理的這個決策

很多產品經理把精力放在功能交互、算法選型上，卻忽視了一個更底層的問題：你的產品設計，能不能產生"有價值的數據"？這才是AI產品真正的護城河。

———— / BEGIN / ————

兩款相似的AI產品，三年后命運截然不同

2020年，國內幾乎同時出現了兩款AI智能簡歷助手，我姑且稱它們為A產品和B產品。

兩款產品起點相似：都是幫求職者優化簡歷、匹配崗位的AI工具，初期用戶體量差不多，融資規模也旗鼓相當，背后的算法團隊實力相當。

三年后，A產品成為行業頭部，月活破百萬，還孵化出了招聘SaaS業務。B產品則悄悄關閉了，幾乎沒有激起任何水花。

是A產品的算法更好嗎？不是，初期兩者都用的是同類開源模型。

是A產品更會做市場推廣嗎？也不是，B產品一度比A產品更激進。

核心差異，出在產品設計的一個決策上。

A產品在設計之初就想清楚了一件事：簡歷優化工具最有價值的數據，不是”用戶投了多少份簡歷”，而是”哪些簡歷修改行為，對應了后續的面試邀請”。于是他們把產品設計成了一個閉環：用戶投遞簡歷→跟蹤后續面試結果→記錄哪些修改帶來了正向反饋→反哺推薦模型。

B產品呢？他們的數據埋點邏輯是傳統的：”用戶打開次數、使用時長、功能點擊率?！边@些數據能幫他們優化交互，但無法幫模型變得更聰明。

A產品積累的是有因果關系的訓練數據，B產品積累的是沒有閉環的行為日志。三年時間，這個差距被無限放大。

這個案例讓我意識到：AI產品的競爭，在產品設計階段就已經決定了勝負。 那個決定勝負的關鍵變量，叫做——數據設計。

什么是”數據設計”？大多數PM從沒認真想過這個問題

“數據設計”不是數據分析，不是埋點方案，也不是BI報表。

它是指：在產品功能設計階段，有意識地規劃這個功能將產生什么數據、這些數據有沒有訓練價值、數據能不能形成壁壘。

打個比方。你是一名廚師，要做一道菜。數據分析是”分析這道菜好不好吃”；數據埋點是”在廚房里安裝攝像頭”；而數據設計，是”在建廚房之前，就規劃好食材從哪里來、怎么儲存、怎么加工”。

大多數PM會做前兩件事，但很少認真做第三件。

數據設計有三個核心層次，PM必須都想清楚：

第一層：數據從哪里來（數據入口設計） 你的產品功能是否會產生有意義的用戶行為信號？用戶的哪些操作，能反映他們真實的需求和判斷？

第二層：數據長什么樣（數據結構設計） 采集到的原始數據，是否具備可訓練性？它是有標簽的還是無標簽的？是稀疏的還是稠密的？

第三層：數據能去哪里（數據流向設計） 這些數據最終能不能流回模型、形成反饋？還是采集了就躺在數據庫里睡大覺？

三層都想清楚，才叫完整的數據設計。只做其中一層，是大多數PM的現狀。

三個改變產品命運的數據設計決策

數據設計不是抽象的理念，它落地在產品經理每天都要做的功能決策上。以下三個決策點，決定了你的AI產品數據壁壘的高度。

決策一：你的產品”問用戶”，還是”讓用戶做”？

這是數據設計最根本的分叉點。

“問用戶”是指：通過調研問卷、評分彈窗、滿意度打分來獲取數據。這類數據看起來很直接，但有兩個致命缺陷：第一，用戶的表達和用戶的真實行為往往是兩回事；第二，這類數據量太少，很難驅動模型迭代。

“讓用戶做”是指：把數據采集內嵌在用戶的自然操作流程中，用戶的每一次使用行為本身就是數據。

以AI代碼助手為例。GitHub Copilot的數據設計有一個極其聰明的地方：他們不只看”用戶點了接受”，還會追蹤”用戶接受了AI建議之后，在接下來5分鐘內有沒有修改它”。如果用戶接受之后馬上修改，說明這條建議質量不高；如果用戶接受之后直接提交，說明質量很好。這個行為序列給了模型非常精準的質量信號，而整個過程中用戶什么都不需要額外做。

這就是“讓用戶做”的精髓：數據采集藏在用戶價值里，用戶毫無感知，但每一次操作都是高質量標注。

決策二：你設計的是”單次反饋”，還是”序列反饋”？

很多PM在設計數據采集邏輯時，只考慮”單次”：這次交互好不好，用戶滿意不滿意。

但AI模型真正需要的，是序列信號——用戶行為的前后文關系。

舉個例子：某AI客服產品，只采集”用戶是否點擊了滿意”。這是單次反饋。

但是，一個更聰明的設計是采集這樣的序列：用戶問了問題→AI給了答案→用戶追問了（說明沒答好）→AI給了第二個答案→用戶結束對話（說明這次答好了）→整個對話鏈構成一條訓練樣本。

前者只知道”結果”，后者同時知道”哪一步出了問題”。對模型訓練來說，后者的價值是前者的數十倍。

Netflix的推薦系統是這方面的經典案例。他們發現”用戶評分”這個信號其實很臟——用戶給的評分反映的是”用戶認為應該喜歡”，而不是”用戶真正喜歡”。所以Netflix更依賴”用戶的觀看行為序列”：看到哪里暫停了、第二天又繼續看了、看到一半關掉了——這些序列信號，比評分準確得多。

單次反饋給你一個點，序列反饋給你一條路。想清楚你需要的是點還是路，決定了你能訓練出什么樣的模型。

決策三：你的數據是”可積累的”，還是”用完即棄的”？

這個決策決定了你的產品有沒有時間維度的競爭優勢。

可積累的數據，是指隨著時間推移，數據價值會持續增長的數據。典型例子：用戶的歷史行為畫像、專業領域的標注語料、用戶與產品的長期交互記錄。這類數據有”飛輪效應”——積累越多，模型越好，產品越好用，用戶越多，數據積累越快。

用完即棄的數據，是指采集完成后就失去價值的數據。典型例子：實時流量數據、單次會話日志（沒有串聯）、沒有標簽的原始點擊流。這類數據可以用來做運營監控，但無法構筑數據壁壘。

某醫療AI公司是反面案例。他們花了大量資源采集了數百萬條患者問診對話，但因為沒有設計標注體系，這些數據全是無標簽的文本，幾乎無法用于模型精調。數百萬條數據，價值幾乎為零。后來他們花了比采集更多的成本回頭補標注，白白浪費了兩年時間。

采集之前先想清楚：這條數據，三年后還有價值嗎？如果答案是“不確定”，那它大概率是用完即棄的。

當數據設計出錯：三個代價慘重的真實案例

光說正面做法不夠，再來看看數據設計失誤會有多大代價。

案例一：某智能寫作工具

因為“問錯了問題”白白浪費18個月

這個產品上線后，設計了一套”用戶評分體系”：每次AI生成內容后，彈出1-5星評分。他們用這個評分數據訓練模型整整18個月，但產品質量幾乎沒有提升。

原因很簡單：用戶給AI打分，打的是”這段內容和我期待的有多接近”，但因為用戶自己也描述不清楚期待，評分高度隨機。更糟糕的是，評分彈窗影響了用戶體驗，大量用戶開始跳過，導致數據本身也有嚴重的選擇性偏差——只有對結果特別滿意或特別不滿意的人才打分。

他們問錯了問題，采集到的是噪音，而不是信號。

后來他們改變策略，轉而追蹤”用戶對生成內容的具體修改行為”，三個月后模型質量開始顯著提升。

案例二：某AI教育平臺

把“完課率”當成核心數據，越優化越糟糕

這個平臺用AI推薦學習路徑，核心優化目標是”完課率”（用戶完成課程的比例）。聽起來很合理，但問題出現了：模型為了優化完課率，開始推薦最簡單的課程——因為簡單的課完成率高。結果是，用戶確實都完課了，但完的都是沒什么挑戰性的內容，學習效果極差，用戶很快流失。

他們采集了正確的數據，但優化了錯誤的目標。 數據設計不只是設計”采集什么”，還要設計”優化什么”——這兩個問題必須同時想清楚。

案例三：某AI助手產品

數據被競爭對手“白嫖”

這個案例很特殊，但發人深省。某AI助手因為產品開放，用戶反饋數據（包括對話日志）通過API大量流出，被競爭對手用于訓練自己的模型。等他們意識到問題時，競爭對手已經用他們的數據完成了一輪模型迭代。

數據設計還包括數據的保護設計。 你辛苦采集的高質量數據，如果沒有好的訪問控制，可能會成為競爭對手的免費訓練集。

PM的數據設計能力，如何在日常工作中培養？

說了這么多理論和案例，最后落到一個最實際的問題：作為產品經理，我該怎么做？

在每次需求評審時，加一個“數據維度”的靈魂發問。

每當你在評審一個新功能時，強制自己問三個問題：

• “這個功能上線后，會產生什么數據？”

• “這些數據，能不能用來訓練或優化我們的模型？”

• “如果不能，我們能不能調整設計，讓它產生更有價值的數據？”

把這三個問題變成需求文檔的標配章節，剛開始可能會覺得多余，但堅持三個月，你對數據的直覺會發生質變。

學會區分“行為數據”和“偏好數據”，并優先設計前者。

行為數據是用戶”做了什么”——點擊、修改、停留、復購。偏好數據是用戶”說他們喜歡什么”——評分、問卷、標簽選擇。

絕大多數情況下，行為數據比偏好數據更可靠、更有訓練價值。在功能設計時，優先思考”如何讓用戶的自然行為成為數據”，而不是”如何讓用戶主動告訴我他們的偏好”。

第三步：

建立“數據價值地圖”，定期復盤你的產品在采集什么。

每隔三個月，畫一張表格：列出你的產品正在采集的所有數據類型，評估每一類數據的”訓練價值”（高/中/低）和”積累趨勢”（增長/平穩/衰減）。

這張表會給你很多意外發現：有些數據采集成本極高但訓練價值極低；有些數據輕易可得卻從未被利用。定期做這個復盤，是提升數據設計能力的最快路徑之一。

產品經理，是AI產品數據戰爭的第一決策人

我在做AI產品的這幾年里，見過太多團隊把精力放在錯的地方：花幾個月時間選算法框架，花大價錢買算力，花無數會議討論模型架構——卻從來沒有認真坐下來想過：我們的產品，在產生什么樣的數據？這些數據，能不能讓我們的產品越來越聰明？

算法工程師可以選擇更好的模型，數據工程師可以優化數據管道，但只有產品經理，才能在設計階段決定產品能不能采集到有價值的數據。

這是一個只有PM才能做、也只有PM必須做好的決策。

AI產品的競爭，本質上是數據的競爭。而數據的競爭，在產品經理畫第一張原型圖的時候，就已經開始了。

本文來自作者：吳知

想要第一時間了解行業動態、面試技巧、商業知識等等等？加入產品經理進化營，跟優秀的產品人一起交流成長！