第5章 机会捕捉：AI 产品市场与需求分析

90%的AI产品失败，不是因为技术不行，而是因为做了一个没人要的东西。

这是我做AI产品3年最大的教训。技术很酷，但用户不关心酷不酷，用户关心有没有用。

我是怕浪猫，这章讲需求分析——怎么发现真正的需求，怎么验证需求是不是真的，怎么避免"伪需求"。

5.1 用户体验与产品设计基础

AI产品的用户体验有什么不同

AI产品的用户体验和传统产品有本质区别：传统产品的行为是确定的，AI产品的行为是概率性的。这带来几个独特的UX挑战：

1. 不确定性体验 用户不知道AI会给出什么回答，这种不确定性会带来焦虑。好的设计应该降低这种焦虑。

具体做法：

• 给AI的输出加上"置信度提示"（"我比较确定/我需要再查一下"）
• 让用户可以方便地重新生成
• 提供编辑AI输出的能力，让用户觉得有掌控感
• 在AI思考时展示过程（流式输出的意义不只是快，还有"它在思考"的感知）

2. 错误处理体验 AI一定会犯错。好的设计不是避免错误，而是让错误的影响最小化。

错误类型	用户感受	设计策略
完全正确的回答	满意	保持
小瑕疵但可接受	还行	允许用户快速修改
明显错误但无害	失望	提供重新生成/反馈按钮
有害或冒犯性内容	愤怒	安全过滤+即时反馈通道
拒答正常问题	困惑	解释原因并提供替代方案

每种错误类型的处理方式完全不同，产品经理需要针对每种类型设计专门的交互。最常见的错误是"小瑕疵但可接受"——这时候最有效的设计是让用户可以快速编辑AI输出，而不是重新生成一个可能同样有瑕疵的回答。

3. 期望管理体验 用户对AI的期望往往是两极的：要么觉得AI无所不能，要么觉得AI一无是处。好的设计应该引导用户形成合理的期望。

期望管理的3个层次：

• 事前提示："我是AI助手，可能会犯错"——降低初始期望
• 事中展示：流式输出、思考过程——让用户了解AI在工作
• 事后验证：标注信息来源、提供事实核查入口——让用户有能力验证

AI产品的UX不是让AI显得更聪明，而是让用户觉得更可控。可控感比聪明感更重要。

用户体验要素

Jesse James Garrett的经典用户体验5层模型，在AI产品中有新的含义：

1. 战略层 用户想要什么？AI能提供什么？ AI产品的战略层需要额外考虑AI的能力边界。不是用户想要的AI都能做，也不是AI能做的用户都想要。战略层的核心是找到"用户需求"和"AI能力"的交集。

2. 范围层 做什么？不做什么？ AI产品的范围层需要考虑一个特殊问题：AI的行为是不确定的，你怎么定义"做什么"和"不做什么"？答案是定义"应该做什么"和"绝对不能做什么"，中间地带靠提示词和约束来控制。

3. 结构层 信息架构和交互流程 AI产品的交互流程通常比传统产品更灵活。传统产品是"用户操作→系统响应"的确定性流程，AI产品是"用户表达意图→AI理解→AI执行→用户反馈"的概率性流程。需要设计"AI理解失败"和"AI执行失败"的兜底流程。

4. 框架层 界面布局和导航 AI产品的界面需要容纳"不确定性"。比如对话式产品的界面需要同时展示：用户输入区、AI输出区、操作区（重新生成、编辑、反馈）。

5. 表现层 视觉设计 AI产品的视觉设计需要传递"智能但不傲慢"的感觉。太多科技感会让用户觉得高不可攀，太少又让人觉得不专业。

AI产品的交互模式

目前主流的AI产品交互模式有3种：

1. 对话式 代表产品：ChatGPT、Claude 优点：学习成本低，自然语言交互 缺点：对复杂任务效率低，用户需要反复描述上下文 适合场景：探索性任务、开放性问题、创作类任务

对话式的关键设计决策：

• 是否支持多轮对话记忆？记忆保留多久？
• 对话历史怎么管理？是否可搜索？
• 用户的输入方式是否只有文本？是否支持语音、图片？

2. 嵌入式 代表产品：Cursor、Notion AI、Github Copilot 优点：在用户工作流中无缝使用，无需切换 缺点：能力受限于嵌入场景 适合场景：日常工作辅助、编辑场景、开发场景

嵌入式的关键设计决策：

• 触发方式：自动触发还是手动触发？
• 交互入口：悬浮按钮、侧边栏、还是行内？
• 上下文获取：AI能自动感知当前工作内容吗？

3. 工作流式 代表产品：Dify工作流、Zapier AI 优点：流程清晰可控，结果可预测 缺点：灵活性差，只能处理预定义的流程 适合场景：标准化流程、批量处理、需要确定性的任务

工作流式的关键设计决策：

• 流程的可视化程度：用户能看到执行到哪一步吗？
• 失败处理：某一步失败后怎么恢复？
• 人工介入点：哪些步骤需要人工确认？

交互模式	适合场景	不适合场景
对话式	探索性任务、开放性问题	重复性任务、精确操作
嵌入式	日常工作辅助	复杂多步骤任务
工作流式	标准化流程	需要灵活调整的任务

选择建议：MVP阶段从对话式开始（开发成本最低），后续根据用户反馈决定是否需要嵌入式或工作流式。很多成功的AI产品最终是混合模式——简单问题用对话，复杂任务用工作流，日常辅助用嵌入式。

5.2 用户需求调研

AI产品的需求有什么特殊之处

AI产品的需求调研比传统产品多了一个维度：不仅要了解用户需要什么，还要评估AI能不能做好。

传统产品的需求可行性评估：技术上能不能实现？ AI产品的需求可行性评估：技术上能不能实现 + AI能不能达到可接受的质量？

这就需要产品经理同时理解用户和技术两边。只懂用户不懂技术，会做出AI做不到的需求；只懂技术不懂用户，会做出没人要的功能。

用户访谈

用户访谈是最经典也最有效的需求调研方法。但AI产品访谈有特殊技巧：

访谈前的准备：

1. 明确访谈目标 不是"了解用户需求"，而是具体的：

• "了解用户在XX场景中的完整工作流程"
• "了解用户对现有AI产品的满意度和不满"
• "验证用户是否有XX需求，以及这个需求的优先级"

2. 选择受访者

• 目标用户而非任意用户
• 8-12人即可，不需要太多
• 覆盖不同细分群体（新手/专家，不同行业，不同规模）

3. 准备访谈提纲 提纲不是问卷，是引导对话的框架：

开场（5分钟）
- 自我介绍和访谈目的
- 强调没有对错答案
- 录音许可

背景了解（10分钟）
- 请描述你日常工作中的XX流程
- 这个流程中你花时间最多的是什么？
- 最让你头疼的是什么？

深入探索（20分钟）
- 刚才提到XX让你头疼，能具体说说吗？
- 你现在是怎么解决的？
- 如果有一个AI工具能帮你做XX，你觉得最重要的是什么？
- 你之前用过AI产品吗？体验怎么样？

验证与反馈（10分钟）
- 如果有这样的工具，你愿意付费吗？付多少？
- 你觉得这个工具最可能让你失望的地方是什么？
- 你会推荐给同事吗？

结束（5分钟）
- 还有什么想补充的？
- 后续可以再联系你吗？

访谈执行技巧：

1. 多问"为什么"，少问"要不要" 用户说"我需要一个AI帮我写报告"，不要直接记录这个需求，而是追问：

• "你现在写报告最费时间的部分是什么？"
• "你希望AI帮你写整篇报告还是只写某些部分？"
• "你写报告时最怕AI出错的是什么？"

2. 关注用户的痛点，而不是解决方案 用户提出的解决方案往往不是最优解。比如用户说"我需要一个AI自动分类邮件"，但真正的痛点可能是"我每天花太多时间处理邮件"。解决方案可能是AI自动分类，也可能是更好的过滤规则，也可能是减少邮件数量。

3. 注意用户的非语言信号 犹豫、皱眉、叹气——这些往往比言语更有信息量。

用AI辅助访谈：

AI可以加速访谈的前后两个环节：

用AI生成访谈提纲：

我需要做一次用户访谈，了解目标用户在[XX场景]中的需求和痛点。
目标用户是[用户画像]。
请帮我生成一个30分钟的访谈提纲，包含：开场、背景了解、深入探索、验证反馈、结束5个部分。

用AI整理访谈洞察： 把访谈录音转成文字后，让AI帮提取关键洞察：

以下是一份用户访谈记录。请提取：
1. 用户的核心痛点（按严重程度排序）
2. 用户提到的需求（按频率排序）
3. 用户对AI的期望和担忧
4. 潜在的产品机会

访谈记录：{transcript}

问卷调研

问卷适合量化验证访谈中发现的假设。不适合发现新需求。

问卷设计原则：

原则一：一个问题只问一件事 错误："你觉得AI客服的回答准确且及时吗？"（同时问了两件事） 正确：拆成两个问题——"你觉得AI客服的回答准确吗？"和"你觉得AI客服的响应速度怎么样？"

原则二：选项要穷尽且互斥 错误：满意度只给"满意""不满意"两个选项 正确：1-5分，从非常不满意到非常满意

原则三：先易后难 先问简单的事实性问题（职业、使用频率），再问需要思考的态度性问题（满意度、付费意愿）。

原则四：不要诱导 错误："AI客服可以大大提升效率，你觉得这个功能重要吗？" 正确："以下功能你认为是重要的请打勾：___"

AI产品的问卷特殊项：

除了常规的人口统计和使用习惯问题，AI产品问卷还需要测量：

1. AI信任度

• "你会直接使用AI给出的回答吗？"（1-5分）
• "你会验证AI回答的准确性吗？"（1-5分）
• "你觉得AI在[特定场景]中可靠吗？"（1-5分）

2. 容错接受度

• "AI犯错时你能接受吗？"（1-5分）
• "你能接受的AI错误频率是多少？"（每周1次/每月1次/几乎不能接受）

3. AI期望值

• "你对AI回答的准确率有什么期望？"（>95%/90%/80%/70%）
• "你希望AI在不确定时怎么做？"（直接回答/告诉你不确定/给你多个选项/不回答）

抽样策略：

方法	适用场景	优缺点
便利抽样	快速验证	样本可能有偏差
配额抽样	确保群体覆盖	需要预先了解群体比例
滚雪球抽样	找特定人群	可能形成同质化样本
随机抽样	最可靠	成本高，执行难

实际建议：至少收集100份有效问卷，1000份以上可以做细分分析。质量比数量重要——100份高质量的问卷比1000份垃圾问卷有用。

用AI设计问卷：

我需要设计一份问卷，调研[目标用户]对[AI产品概念]的需求和接受度。
目标用户画像：{描述}
产品概念：{描述}

请帮我设计一份15-20题的问卷，包含：
1. 基本信息部分（3-4题）
2. 场景与痛点部分（5-6题）
3. AI接受度部分（4-5题）
4. 使用习惯部分（3-4题）

每题提供选项，并说明选择该题型的理由。

5.3 竞品调研

竞品选择

AI产品的竞品不只有直接竞品，还有3类：

竞品类型	说明	示例
直接竞品	同赛道同功能	你做AI客服，竞品也做AI客服
替代竞品	不同方案解决同一问题	你做AI客服，竞品做规则客服系统
潜在竞品	还没做但可能做	大厂可能在你的赛道做AI功能
跨界竞品	技术相似但场景不同	你做AI客服，竞品用同样技术做AI销售

最容易忽视的是替代竞品和潜在竞品。很多AI产品不是被直接竞品打败的，而是被传统方案或大厂免费功能替代的。

竞品分析框架

对每个竞品，按以下框架分析：

1. 产品定位

• 目标用户是谁
• 核心价值主张是什么
• 和我们的差异在哪

2. 功能矩阵

功能	我们	竞品A	竞品B
知识问答	有	有	无
工具调用	有	无	有
多轮对话	有	有	有
数据分析	无	有	有

3. 技术方案

• 用的是什么大模型（自研/第三方API）
• RAG还是微调
• 有没有Agent能力
• 数据安全怎么保障（本地部署/云端加密）

4. 用户评价 去用户聚集的地方看真实评价（小红书、知乎、App Store评论、ProductHunt）：

• 好评集中在什么功能
• 差评集中在什么问题
• 用户最想要但竞品没有的功能是什么

用户评价分析的技巧：

• 差评比好评更有价值——它告诉你竞品没做好什么
• 注意差评的趋势——是功能问题还是体验问题
• 特别关注"用了XX之后就不想用这个了"的评价——这暗示了替代方案

5. 商业模式

• 免费还是付费
• 按量还是按月
• 有没有免费额度
• 增值服务的定价策略

用AI加速竞品分析

AI可以大幅加速竞品信息的收集和整理：

1. 自动收集竞品信息

请帮我收集以下竞品的信息：
竞品名称：{名称}
需要收集：产品定位、核心功能、定价、用户评价
请从公开信息中整理，标注信息来源。

2. 自动化竞品对比

以下是3个竞品的信息：
竞品A：{信息}
竞品B：{信息}
竞品C：{信息}

请从以下维度对比：
1. 功能覆盖度
2. 定价竞争力
3. 用户口碑
4. 技术方案差异
5. 市场定位差异

差异化策略

基于竞品分析，制定差异化策略：

策略一：功能差异化 竞品没做的功能，你做。前提是这个功能用户真的需要，而不是"竞品没想到"但用户也不需要的功能。

策略二：体验差异化 同样的功能，你做得更好用。比如更快的响应速度、更准确的回答、更友好的交互。体验差异化的关键是找到竞品最被用户诟病的点，做到极致。

策略三：场景差异化 不做大而全，做小而精。在一个细分场景做到最好。比如不做通用AI客服，专门做电商退货场景的AI客服。场景差异化是最可持续的策略——因为大而全的产品很难在每个细分场景都做到最好。

策略四：定价差异化 更便宜或者免费。但要注意，价格战不是长期策略。除非你有明显的成本优势（比如自研模型），否则低价策略不可持续。

竞品分析的目的不是抄竞品，是找到竞品没做好的地方，做到更好。

5.4 需求验证

什么是伪需求

伪需求的3种类型：

1. 自嗨型 产品经理觉得用户需要，但用户并不需要
2. 低频型 用户确实有这个需求，但频率极低，不值得开发
3. 能力不足型 用户有需求，但当前AI能力做不好，强行做出来体验差

需求验证方法

方法一：5Why验证法 对每个需求连续问5个"为什么"，如果问不到底就说明需求不够真实。

需求：用户需要一个AI写作助手
为什么？因为用户写文章花时间
为什么花时间？因为不知道怎么组织内容
为什么不知道组织？因为缺乏写作框架
为什么缺乏框架？因为没有系统学习过写作方法
为什么没学习？因为没时间学，只需要偶尔写写

结论：真正的需求不是"AI帮我写"，而是"给我一个写作框架让我快速成文"。
这可能意味着产品不应该自动生成全文，而是提供结构化的写作模板和素材推荐。

方法二：烟雾测试（Smoke Test） 做一个假的产品落地页，看看有多少人愿意注册或付费。如果连假页面都没人注册，说明需求不成立。

落地页的核心元素：

• 一句话产品描述
• 3-5个核心功能
• 价格或"加入等待列表"按钮
• 用户反馈入口

衡量指标：

• 页面访问→注册的转化率 >5% 说明需求值得探索
• 注册→付费的转化率 >1% 说明需求有商业价值

方法三：最小可行产品（MVP）验证 用最低成本做一个能验证核心假设的产品。不需要完美的UI，不需要全部功能，只需要验证"用户会不会用"。

AI产品的MVP特殊考虑：

• 可以先用通用大模型API，不需要自研模型
• 可以先人工处理部分逻辑（Wizard of Oz方法），不需要全部自动化
• 可以先用对话式交互，不需要复杂的UI
• 可以先覆盖一个场景，不需要全场景

方法四：数据验证 如果已有类似产品或功能，用数据验证需求：

• 用户使用频率
• 用户留存率
• 用户付费转化率
• 用户推荐意愿

需求验证的核心是"用最低成本证明需求存在"。不需要完美地满足需求，只需要证明需求是真实的、有价值的。

本章小结

主题	核心要点
AI产品UX	不确定性体验、错误处理、期望管理是3大独特挑战
UX五层	战略→范围→结构→框架→表现，每层都要考虑AI的特殊性
交互模式	对话式/嵌入式/工作流式，MVP从对话式开始
需求调研	场景比需求真实，行为比语言可靠
用户访谈	多问为什么，关注痛点而非解决方案
问卷调研	不问技术问体验，测信任度和容错接受度
竞品调研	4类竞品+5维分析，找差异化而非抄功能
需求验证	5Why+烟雾测试+MVP+数据，用最低成本验证

觉得有用？收藏起来，下次直接照抄。

你做AI产品调研时用什么方法？评论区聊聊。

关注怕浪猫，下期我们讲产品设计——从市场选择到数据驱动的产品迭代。

系列进度 5/13

下章预告： 第6章产品打造，AI产品市场选择原则、设计原则、数据驱动迭代方法论。