从用户旅程发现 AI 机会
一句话定义
机会发现是把用户旅程逐环打点，用「痛点强度 × 错误容忍度 × 数据可得性 × AI 杠杆」四道筛子过滤，产出可评估的候选场景卡的结构化方法。
为什么重要
AI 时代需求过多而非过少——几乎任何环节都能「加上 AI」。没有结构化筛子，团队会在伪场景上烧掉三个月；有了筛子，才能把发散的想象收敛成少数几个能进入 kp-007 打分排序的候选场景。
前置知识
kp-003 产品形态——识别机会时要同步预判形态。
核心概念
- 用户旅程打点：把目标用户的完整工作流按环节列出，逐环记录：现在怎么完成、耗时多少、出错率多高、出错代价多大。
- 四道筛子：
- 痛点筛：该环节痛点是否高频且强烈（用户主动抱怨、有替代方案在收费）；
- 容错筛：出错的代价多大——可逆、可发现、可拦截的错误才适合 AI 介入（对照 kp-016）；
- 数据筛：完成任务所需的信息是否在系统内可得（知识库、历史记录、上下文），无米之炊是大模型场景第一死因；
- AI 杠杆筛：该任务是否真的需要理解、生成或预测——规则能解决的不要用 AI，这是成本与可控性的双重胜利。
- 场景卡：每个通过筛选的场景产出一张卡，字段包括：目标用户、现状流程、痛点、AI 做法（哪个环节、哪种能力）、形态预判、主要风险、验证方式。场景卡是 kp-007 打分的输入单元。
原理与机制
四道筛子的顺序有讲究：痛点筛先行保证「值得做」，容错筛与数据筛保证「做得成」，AI 杠杆筛保证「做得对」。把 AI 杠杆筛放最后是刻意的——先用业务标准过滤出「值得且能做」的环节，再检查 AI 是不是最合适的工具，避免「拿着锤子找钉子」的定向偏差。经验上，一个 B 端工作流走完全程通常只剩 1–3 个真候选场景，这个收敛比例本身就是方法有效性的证据。
公式或模型
不适用——本节是过滤框架而非量化模型；量化排序在 kp-007 完成。
图示
| 筛子 | 判据 | 不过筛的处理 |
|---|---|---|
| 痛点 | 高频且强烈、有人付费替代 | 放弃或降级为灵感池 |
| 容错 | 错误可逆、可发现、可拦截 | 改为 Copilot 或加人工审批 |
| 数据 | 所需信息在系统内可得 | 先补数据工程，场景挂起 |
| AI 杠杆 | 需要理解/生成/预测 | 用规则实现，省成本 |
实例或案例
某 SaaS 客服团队的旅程打点：工单分类（规则已解决 80%，AI 杠杆不足）、首次回复撰写（高频痛点、错误可被客服修改、知识库齐全——四筛全过，且适合 Copilot 形态）、自动退款决策（错误代价是资金损失，容错筛不过，需改为「AI 建议+人工审批」）、会话质量抽检（规则无法评估话术质量，AI 杠杆强，适合后台嵌入式）。一张旅程图产出两个立项候选、一个降级方案、一个明确不做。
常见误区
- 访谈引导出伪需求：直接问「你想要 AI 帮你做什么」只会收到想象。按《妈妈测试》原则问过去的事实（上次做这件事花了多久、错在哪），不要问对未来的许诺。
- 只看头部用户：重度用户的旅程不能代表主流，长尾用户的「低频高痛」环节常被忽略。
- 漏掉 AI 杠杆筛：把纯规则问题包装成 AI 项目，上线后维护成本与不确定性双双失控。
直观类比
机会发现像淘金：旅程打点是铺开整条河床，四道筛子按粒度依次过滤，最后留在盘里的几粒才是送去化验（kp-007 打分）的矿砂。跳过任何一道筛子，化验室就会被沙子淹没。
自测题
- 为什么「规则能解决的不要用 AI」？
要点：规则输出确定、可测试、边际成本为零；用 AI 替代规则徒增不确定性、推理成本与评测负担。
- 数据筛不过的场景应该怎么处理？
要点：不要硬上——先补数据工程（埋点、知识库、历史数据治理），场景挂起；无米之炊的模型输出必然幻觉。
- 场景卡里「验证方式」为什么必填？
要点：它强制在投入开发前定义成功判据（可用现有数据模拟、人工小样本试跑），避免先建后验。
与其他知识点的关系
kp-007 接收本节产出的场景卡并完成量化排序；kp-010 把场景卡中的「目标用户与痛点」深化为任务陈述；kp-016 提供容错筛不过时的形态降级方案。
延伸阅读
- 《妈妈测试》（The Mom Test），Rob Fitzpatrick——不引导、问事实的访谈纪律。
- 《启示录：打造用户喜爱的产品》，Marty Cagan——机会评估与产品探索的整体框架。