韦氏词典将“slop”（意为低质量数字内容）评选为2025年的年度词汇。这一提名反映了公众对人工智能的更广泛情绪。没人想要“AI噱头”，那些急于将AI功能塞进现有产品的公司正遭受无情的嘲讽。
看看某中心对AI功能的执着如何引发反弹，并迅速催生了将其公司名戏称为“Microslop”的梗。这可能只是一小部分论坛爱好者在抱怨，或是竞争对手的抹黑，亦或是两者兼有。
尽管如此，一些AI功能仍然是有益的。对于产品经理、CEO或任何数字业务从业者而言，挑战在于知道你的产品何时真正需要AI。
产品解决问题
之前已经讨论过在团队层面取代人类专业知识时保持对炒作免疫的重要性。同样的逻辑也适用于构建产品：从根本上说，AI功能只是产品的一部分。从营销角度看，产品是解决某个问题或满足客户需求的东西。
成功的产品能很好地解决问题，失败的产品则不能。正是这种能力使产品变得有价值，而制造产品的公司可以获取这部分价值来盈利。已有AI功能带来有意义的业务改进、提升产品价值的例子。
大型语言模型在记录会议、撰写公司邮件、创建设计或代码原型、改进客服聊天机器人以及许多其他类似应用中都取得了成功。AI功能的影响毋庸置疑，且可能只会增长。
然而，许多生成式AI试点项目未能带来任何有意义的影响。根本原因通常在于无法解决与用户或员工相关的问题，但即使解决了这个问题，也还需要应对其他挑战。
- 技术限制。大多数AI功能需要大量、高质量且特定领域的数据。用于收集此类数据的代理服务器和网络爬虫成本高昂，将其集成到现有系统中也需要时间。
- 信任侵蚀。即使在关键流程中偶尔出现幻觉，也可能摧毁用户信任。对于金融、健康及相关领域的产品来说，这一点更为重要，但所有产品都必须确保AI功能可靠。
- 数据隐私担忧。将日志和用户数据发送给第三方API会带来未经授权访问或收集数据的风险。一些公司甚至禁止将AI工具用于敏感数据。
- 采用挑战。对于并非为此而构建的产品，AI实现可能仅仅是一个糟糕的用户体验选择。开发者必须考虑其产品和整体品牌定位是否与AI实现相匹配。
- 监控。现有产品中的生成式AI功能需要持续监督，以避免潜在的崩溃、公关危机、法律风险或其他问题。必须设定评估方法，以确保生成式AI按预期工作。
- 未知挑战。生成式AI仍然很新，它可能引发的许多挑战和问题尚属未知，因此在实施时存在固有的额外风险。
对于扩展数字产品的企业家来说，这些挑战大多并不新鲜。几乎任何功能，无论是否涉及AI，都需要解决类似的痛点。区别在于如何管理伴随“AI”标签而来的期望。围绕生成式AI实现的炒作太多，以至于公司害怕落后。
竞争带来的错失恐惧症
错失恐惧症对CEO和其他决策者的影响与对消费者一样大。当ChatGPT发布时，许多精心策划的战略被放弃，转而追求保持领先地位的可见度。
对AI功能的竞争压力类似于军备竞赛。一家公司宣布集成AI，其他公司必须做出类似回应，否则就可能面临产品显得过时的风险。且不说这种反馈循环可能并不反映消费者的需求。
这种算计似乎是，一旦达到临界质量，人们将开始主要根据AI功能来选择产品。对于投资者来说，这无疑是事实，因为AI已成为市场主导的增长叙事。
任何上市公司或风投支持的公司现在都面临着至少实施一些AI功能的压力。投资者期待AI举措，分析师跟踪AI公告。没有这些，公司似乎就错过了自互联网以来最重要的技术创新。
同样的现象也反映在营销中，公司急于将现有的自动化或机器学习工作流程重新包装为“AI驱动”。这样的流行语有助于吸引关注并证明溢价合理，并且在某种程度上是有效的。
用户为何可能偏爱带AI功能的产品？
研究表明，人们倾向于选择功能更多的产品，即使他们实际上不会使用这些功能。如果成本不是问题，消费者几乎总是选择功能更多的产品，而“AI”标签是这方面的终极信号。
然而，消费者也会经历“功能疲劳”，这是一种由功能过载引发的挫败感。至少从家用电器（如冰箱和电视）变得更复杂时起，功能疲劳就已经为人所知。
以最近的某中心Edge浏览器更新为例，一个具备AI功能的浏览器是将其产品营销为比竞争对手更强大的简单方法。然而，AI功能可能会使产品的核心目的——浏览网页——变得复杂。
注重隐私的用户也对AI功能持怀疑态度，认为这只是公司为自身利益收集用户数据的另一种方式。这就是“AI噱头”标签的由来，也是为什么它不仅仅意味着可用性降低。
一些产品正试图扭转这一趋势，承诺不提供LLM AI功能，以在其用户群体中脱颖而出。以隐私为重点的网络浏览器Vivaldi正在这样做，宣传其意图是避免AI功能，除非这些功能符合其浏览器愿景。
这种做法可能过于极端，因为大多数用户仍然会选择支持AI的产品，至少在初期是这样。解决方案应该是找到正确的平衡点，并了解你的产品何时需要AI。
你的产品需要AI功能吗？
我们已经看到，传统的产品开发框架，如RICE（触达 × 影响 × 信心 ÷ 努力）正被调整以考虑AI带来的挑战。Maryl Nika提出了一个RICE-A框架，将AI功能纳入产品开发考量。
前面提到的技术限制、用户信任侵蚀、采用、监控和数据隐私问题，必须纳入典型的RICE计算中。通过使用AI复杂性乘数来赋予它们更多权重可能也有用。这样做会迫使你在开发阶段就将AI功能视为普通功能来思考。
权衡实施AI的困难，并不能帮助确定AI功能是否真的有助于提高消费者满意度。Kano模型通过定义三种产品功能类型来解决这个问题。
- 必备型功能 是产品的核心功能。所有用户默认都期望拥有这些功能，失去它们会引起客户的不良反应。
- 期望型功能 在一定程度上提高客户满意度。更快的加载速度、更多的存储空间或类似的改进会在一定程度上提升客户反馈。
- 魅力型功能 有助于与其他品牌竞争，并通过锦上添花来超越客户满意度。缺少它们不会引起不满，但它们的存在可能会吸引一部分用户。
许多生成式AI功能，至少在早期阶段，属于期望型和魅力型类别。在电子商务中，客户支持聊天机器人、上下文产品摘要和类似功能可以增强吸引力或改善性能，但它们很难取代良好的产品选择和用户界面。
这并不是说一些AI功能没有潜力成为必备型功能。在电子商务中，至少具备基本拼写检查的AI搜索如今几乎是必需品。同样，用于在线数据收集的AI驱动的网络解封器也变得越来越关键。
随着网站使用AI工具封锁数据访问，网络爬虫需要利用AI工具来管理代理池、浏览器指纹和其他细节。在你的细分领域中找到此类必备型功能的例子，是判断你的产品是否需要AI功能的关键。
结论
AI功能的失败是产品管理的失败。一个始于技术，然后再思考它能解决什么问题的产品注定会失败。这同样适用于所有AI功能。我们必须问，AI能为我们的用户解决哪些问题，并且只在合适的时候才实施它。
不可否认，生成式AI是一项变革性技术，但真正的赢家将是那些抵制炒作并坚持传统产品管理框架的人。其他方法的风险是被贴上又一个“AI噱头”的标签。
