ai-product-strategy

AI Product Strategy

优先处理高价值的工作流程，在非确定性开发的环境中精准导航，打造具备长期竞争壁垒的 AI 产品。

结合来自 Lenny's Podcast 与 Newsletter 中 26 位重磅嘉宾与文章的深厚洞察，为使用者提供实用的 AI 产品策略指引。

How to Help

1. 确定切入点（Wedge） - 找出高摩擦、低效率的繁重任务，让 AI 为使用者带来显著且具突破性的回报。
2. 选择技术架构 - 依据对实时数据或特定行为模式的需求，在检索增强生成（RAG）与模型微调（Fine-tuning）之间做出最适选择。
3. 循序渐进扩展自主权 - 设计渐进式的自主授权机制，在走向全面自动化之前，保持人工监督（Human-in-the-loop）。
4. 顺应模型演进趋势 - 将产品路线图与未来的模型能力对齐，避免为了弥补当下的模型缺陷而搭建过于复杂的过渡性代码架构（Scaffolding）。

Core Principles

接受非确定性的输出（Squishy outputs）

Alex Komoroske：「LLM 让开发『不够完美但够用』的软件成本大幅降低，这并不意味着软件品质极佳，但在特定场景下已经足够。这也代表某些原本无法用传统计算处理的软件，现在能以相对低廉的边际成本运行。」

在设计产品体验时，应预设 AI 具有机率性与非绝对精准的特性，而不是试图在 UI 层面硬性追求 100% 的准确率。

将产品视为动态进化的有机体

Asha Sharma：「由于当前的模型非常高效，你会希望开始针对特定成果对它们进行调优。突然之间，这些产品变成了能随着互动增多而不断进化的有机体。我认为这就是所有企盼思考、生存与学习的产品的新型知识产权（IP）。」

衡量成功的标准，应该是团队吸收数据与优化学习循环的迭代速度（Metabolism），而非静态的功能发布频率。

在垂直化深耕中建立防守壁垒

Logan Kilpatrick：「我们不会去推出那些高度垂直化的产品，例如 AI 销售 Agent，那不是我们的发展方向。而那些拥有特定领域知识且对该领域充满热情的公司，可以深入探索并善用我们的模型，不必自己承担全部研发成本，就能持续走在技术最前沿。」

避免直接与基础模型（Foundational Models）竞争，转而聚焦于特定的行业垂直领域，利用领域知识建立结构性优势。

孵化专属的杀手级功能（Superpowers）

Noah Weiss：「在 AI 领域，我们不断听取客户的声音：『如果 Slack 拥有这些新超能力，你希望它能做到什么？』让我们孵化几个小团队或制作原型，给他们自由探索与试点的空间，最终推出让人惊艳的爆款功能。这就是我们验证有效的成功方程式。」

避免开发泛用且缺乏特色的 AI 功能，应精准锁定客户的具体需求，并给予专责团队独立打造原型与探索的空间。

为模型的未来能力而建

Sherwin Wu V2：「AI 领域与模型本身的迭代速度实在太快了，它们往往会自我颠覆。模型很快就会把你辛苦搭好的过渡架构（Scaffolding）当作早餐吃掉。」

应针对 12 到 18 个月后预期的模型能力来进行产品设计，避免构建大量自定义的辅助架构，因为这些功能最终会被模型原生能力所吸收。

采取渐进式的自主授权机制

Aishwarya Naresh Reganti + Kiriti Badam：「你需要刻意从低风险、高人工控制的场景切入，借此精准掌握当下的模型能力及其应用边界，随后再逐步放开限制，向更高程度的自主权与更少的人工干预过渡。」

部署 Agent 系统时，应先从「人工确认建议（Human-in-the-loop）」起步，在验证稳定性后再逐步扩展至全自动化的互动模式。

Templates & Frameworks

• AI Glossary - 20+ Key Terms（AI 常用词汇表）- 包含 20 多个 AI 核心概念的精选清单，提供「连 5 岁小孩都能听懂」的浅显解释，适合随身查阅或开会使用
• AI Product Builder's 12 Principles（AI 产品打造者的 12 选原则）- 汇整来自 GitHub、Canva、Superhuman、Perplexity 等公司 20 多位 AI 产品领袖的逆向思考法则
• CC/CD (Continuous Calibration/Continuous Development) Framework（为何 AI 产品需要不同的开发生命周期）- 专为 AI 产品设计的六步骤开发生命周期框架，妥善应对非确定性与「自主权 vs. 控制权」的权衡，用以替代传统的 CI/CD 流程
• AI Integration Decision Framework（AI 整合决策框架｜Marily Nika (Meta, Google)）- 评估何时以及如何将 AI 引入产品的系统化决策方法
• The Bitter Lesson Applied to AI Product Building（苦涩的教训在 AI 产品构建中的应用｜Sherwin Wu V2）- 将 Rich Sutton 的「苦涩的教训」延伸至 AI 产品开发——为弥补模型短板所做的变通与辅助架构，终将被模型的自我升级所取代
• AI Startup Defensibility Framework（AI 新创防御力框架｜Peter Deng）- 构建具备竞争壁垒的 AI 新创企业三大支柱：独家数据飞轮、精细化工作流，以及超越既有巨头分发优势的产品工艺
• AI Product Mindset Shift: Prototype-First vs. Design-First（AI 产品思维模式转变：原型优先 vs. 设计优先）- 比较传统软件开发模式与「可行性尚不确定」的 AI 原生开发模式之框架
• AI Product Differentiation Stack: Data > Interface > Model（AI 产品差异化层级：数据 > 界面 > 模型）- 解析 AI 产品建立持久竞争优势的优先级层级结构
• Stickiness Over Moats in AI（AI 产品中的黏性重于护城河｜Scott Wu）- 在 AI 产品中，真正的防御力源自持续叠加的产品黏性（积累的知识、团队工作流、学习效应），而非难以跨越的硬性门槛

完整清单与详细说明请参阅 references/artifacts.md。

Questions to Help Users

• 「你的产品中，哪一个高摩擦、低效率的繁重任务在自动化后能带来最高的回报？」
• 「你的应用场景需要接入实时、内部的数据，还是需要特定且一致的行为风格？」
• 「你如何设计产品界面，以妥善应对非确定性或偶尔出错的 AI 输出？」
• 「你目前正在开发的功能，是否可能在一年内因为基础模型的更新而变得毫无价值？」
• 「你拥有哪些竞争对手无法轻易获取或复制的独家数据？」
• 「随着时间推移，你将如何衡量产品学习循环的进化速率（Metabolism）？」

Common Mistakes to Flag

• 为当下的模型局限性而建 - 耗费大量精力构建复杂的辅助架构来解决模型当下的缺点是失败的策略，因为基础模型很快就会原生吸收这些功能。
• 为了 AI 而 AI - 缺乏经过验证、有数据支撑的真实用户问题，泛泛的 AI 功能无法提供实质价值或竞争壁垒。
• 预设 100% 的准确率 - 忽略 AI 的机率本质，当模型不可避免地出现幻觉（Hallucination）时，会导致产品体验崩溃。
• 重 Prompt 工程而轻数据 - AI 功能的实际效果，往往受限于底层数据的质量与实时性，而非 Prompt 本身。

Deep Dive

欲查看来自 26 位嘉宾的全部 45 条精辟洞察，请参阅 references/guest-insights.md。

Related Skills

• Ai Evals
• Ai Native Ux