AI 产品的定义与边界

一句话定义

AI 产品是以机器学习（Machine Learning）或生成式模型的概率性输出为核心价值来源的产品或服务——价值主要来自模型「算出来的内容或判断」，而不是来自人工编写的确定性规则。

为什么重要

定义决定管理方式。传统软件的行为可以穷举：所有输入分支都能被测试和验收；而 AI 产品的行为是概率性的，同样的输入可能得到不同输出，质量只能用统计指标刻画。如果把 AI 功能当成普通功能排期，会系统性低估评测、降级与合规的工作量，导致「演示很惊艳、上线很翻车」。先划清边界，才能确定后面三十一个知识点里哪些动作是必须的。

前置知识

无。本知识点是全库起点。

核心概念

• 确定性输出 vs 概率性输出：登录校验的输出是确定的（通过/不通过），摘要生成的输出是不确定的（每次可能不同）。判据不是「有没有用 AI」，而是「产品价值是否依赖模型输出」。
• AI 内嵌 vs AI 核心：相册按人脸聚类的美颜相机是 AI 核心；只是在搜索框加了个「AI 优化」按钮、实际逻辑仍是规则的产品不是本库讨论对象。
• AI 产品的四个管理难点：质量不可枚举（只能抽样评估）、行为不可完全预测（需要降级设计）、成本随用量线性增长（推理要花钱）、责任边界模糊（模型出错谁负责）。
• 判定模型（本节的公模型）：一个功能是否按「AI 产品」来管理，看三条——价值来源是概率性输出？出错的表现是「质量差」而非「报错」？改进手段是「喂数据/换模型/改提示词」而非「改代码逻辑」？三条中两条为真，即按 AI 产品管理。

原理与机制

为什么概率性输出会传导出上述四个难点：模型是从训练数据中学到的统计分布，输出是对分布的采样。第一，分布覆盖不到的长尾输入会得到低质量输出，而长尾无法穷举，所以只能建评测集抽样；第二，采样天然带随机性，必须设计失败兜底；第三，每次输出都要消耗算力（token），成本与调用量成正比，而不是像传统软件那样边际成本趋近于零；第四，输出是「模型的判断」而非「代码的执行」，出错时的归因链条更长。产品管理的全部特殊动作——评测、灰度、降级、成本控制、合规——都是这四条的对策。

公式或模型

不适用——本节为定性判定内容，上面的「三问判定模型」即本节的判定框架。

图示

实例或案例

• ChatGPT：核心价值是对话生成，典型 AI 产品；它的「记住偏好」等外围功能虽是传统工程，但整体按 AI 产品管理。
• 美图秀秀的一键美颜：基于计算机视觉模型，价值来自概率性输出，是嵌入式 AI 产品（形态见 kp-003）。
• 反例：某笔记应用在搜索结果页顶部加一句由规则模板拼出的「猜你想搜」，没有模型参与，不构成 AI 产品命题，不必套用本库方法。

常见误区

• 「接了大模型 API 就叫 AI 产品」：只做一层转发、无场景理解、无质量管控的产品没有护城河（见 kp-009），也不需要完整 AI 产品方法论——但要警惕它常被包装成 AI 产品。
• 「AI 优先，用户价值其次」：技术炫技型立项是 AI 产品最高频的死因，先过 kp-007 的价值评估再动手。
• 把 badcase 当 bug 修：传统思路是修一个少一个，AI 产品必须建机制（见 kp-023）。

直观类比

传统软件像自动售货机：按哪个键出哪罐水， forever 正确。AI 产品像一位新来的实习生：大多数时候表现出色，偶尔一本正经地胡说，你需要给他出考核题（评测集）、定工作边界（降级）、算工资（成本），而不是指望他永远不出错。

自测题

1. 一个日历应用用大模型自动给会议生成摘要，它是不是 AI 产品？为什么？

要点：是。价值来源是概率性生成输出，出错表现是摘要质量差，改进靠提示词与模型，三问全中。

1. 「用了 AI 技术的产品」和「AI 产品」的区别是什么？

要点：看价值来源是否依赖概率性输出；仅以 AI 为辅助噱头、核心逻辑仍为规则的不算。

1. AI 产品管理难点的根源是什么？

要点：模型输出是统计分布的采样，导致质量不可穷举、行为带随机性、成本随量线性增长、归因链条长。

与其他知识点的关系

kp-003 在此基础上把 AI 产品细分为四种形态；kp-004 提供这些产品形态出现的历史脉络；kp-012 给出「统计性质量」的具体量化方法，是本知识点四个难点的第一剂解药。

延伸阅读

• 《启示录：打造用户喜爱的产品》（Inspired），Marty Cagan——传统产品管理基线，对照理解 AI 产品的增量差异。
• "Software 2.0"，Andrej Karpathy，2017——「软件 2.0」概念出处：权重代替代码成为软件形态。