探索用途

您很適合尋找高價值的 AI 商機。 您可以評估構想的技術可行性,以及對使用者體驗的影響,這兩個面向必須結合,AI 功能才能成功。開發 AI 功能時,不應只追求新奇或令人驚豔,而是要能真正讓使用者的生活更輕鬆、更快速或更愉快。

本單元說明一種結構化、反覆進行的方法,可用於構思、指定及製作產品中 AI 用途的原型。

瞭解 AI 的價值

下列 AI 商機樹狀圖定義了 AI 可提供的主要價值類別:

商機與用途相對應。
圖 1. 每種 AI 價值類別都有多種用途。舉例來說,在便利性類別中,您可以建構 AI 輔助的智慧型篩選器或自動完成功能。

我們列出了價值類別,協助您構思解決方案。隨著您在清單中向下移動,複雜度、風險和對使用者造成影響的可能性往往會增加:

  • 洞察:做出更周全的決策。
  • 便利性:消除阻礙。
  • 自動化:取代重複性工作。
  • 增強:協助使用者處理複雜或具創意的任務。
  • 個人化:根據個人需求和偏好調整產品。

首先,請嘗試解決影響較小的用途。舉例來說,您可以透過內部 AI 系統收集更完善的產品洞察資料,從內部改善產品。接著,稽核現有的使用者體驗債務,並運用 AI 減少使用者的阻礙和認知負荷。隨著信心和經驗增加,您可以逐步轉向更複雜的用途,並提高 AI 曝光率。

不過,您可能會發現一些高影響力的機會,例如輕微的個人化,這些機會出乎意料地容易實現、風險低且有意義。

找出產品中的商機

如要找出合適的構想,你必須充分瞭解使用者。請與使用者體驗團隊合作,或複習人物誌,定義這些使用者。採取使用者優先 (或以人為本) 的做法,並將找到的 AI 商機對應到產品的具體用途。

可能的形式包括:

  • 受明確的使用者需求或痛點驅使。
  • 由你或團隊成員建議。在這種情況下,請務必快速與使用者驗證,避免陷入「為 AI 而 AI」的陷阱。
  • 從競爭對手身上汲取靈感,但請謹慎行事。競爭對手的目標對象和背景可能與你不同。提早驗證,測試競爭對手的成功做法是否適用於您的產品。

舉例來說,下表列出機票預訂網站的構想:

使用者歷程 更深入的洞察 便利性 自動化 增強模型 個人化
探索 趨勢洞察

為什麼要使用 AI 取得趨勢洞察?

分析市場資料,顯示熱門和新興搜尋趨勢。

智慧篩選器

為什麼要使用 AI 智慧篩選器?

套用智慧型和情境篩選器,有效縮小搜尋結果範圍。

    個人化靈感

為什麼要使用 AI 取得個人化靈感?

根據過去的行為和偏好,提供量身打造的建議。

探索       影像摘要

為什麼要使用 AI 生成影像摘要?

生成簡潔的圖形總覽,呈現複雜資料或選項。

自動調節建議

為什麼要使用 AI 產生自動調整建議?

使用者與選項互動時,動態調整建議。

決定 預測價格

為什麼要使用 AI 預測價格?

預測產品或服務的未來價格,協助使用者決定是否預訂。

    可靠性評分

為什麼要使用 AI 評估可靠性?

根據歷來成效和評論,為各個選項評分。

 
書籍   自動填寫表單

為什麼要使用 AI 自動完成功能?

自動填入使用者資料,加快結帳速度。

偵測詐欺行為

為什麼要使用 AI 偵測詐欺行為?

在預訂過程中,找出並標記可疑交易或使用者行為。

   
預訂後   智慧通知

為什麼要使用 AI 傳送智慧通知?

根據情境及時傳送行程異動或相關服務的快訊。

主動重新預訂

為何要使用 AI 主動重新預訂?

如果目前的預訂行程中斷,系統會自動搜尋並提供替代方案。

  個人化追加銷售

為什麼要使用 AI 進行個人化追加銷售?

根據使用者目前的預訂,提供相關且價值更高的加購項目或升級選項。

在使用者歷程的每個步驟中,您都可以找出不同的機會,運用 AI 增加價值。

打造解決方案

到目前為止,您已在使用者歷程中規劃了多個 AI 構想。下一步是將這些想法具體化,並建立足夠的信心,決定要先開發哪些想法。這項工作需要團隊合作,通常由產品經理主導。身為開發人員,您的主要職責是評估預定 AI 解決方案的成本、工作量和風險。

具體說明想法

首先,請快速、全面地記錄每個構想。您可以使用簡介中的 AI 系統藍圖。一般來說,開發人員會著重於解決方案,而產品經理則會指定商機。這項練習可讓大家在繼續前進之前,先建立共同的協調和討論基礎。

評估所需人力和成本

接著,評估構想的實作難度。舉例來說,如要新增智慧型篩選器,可能只需要使用 LLM API 進行提示剖析,這樣就能快速建立原型並執行,也更容易調整。相較之下,個人化預訂助理需要自訂資料管道、預訂 API 和謹慎的人工介入迴路機制,難度高出許多。

從多個面向評估所需投入的心力和成本:

  • 資料準備度:是否已備妥所需資料?需要進行多少清理、預先處理或標籤作業,才能讓資料可供 AI 使用?
  • 模型成熟度:是否有合適的預先訓練模型,還是需要從頭訓練?
  • 延遲時間:模型的回應速度要多快,才能讓使用者覺得功能流暢實用?
  • 整合複雜度:需要連結多少系統?是否有後端、API、使用者介面或第三方工具?接觸點越多,成本和風險就越高。
  • 營運成本:每次模型呼叫或推論的費用為何?估算每月用量和擴充預算。在原型階段「便宜」的功能,一旦有數千名使用者上線,就可能變得昂貴。

考量使用者可能需要支付的隱藏費用。AI 可能會為產品帶來不確定性和常見錯誤。使用用戶端 AI 時,功能會在使用者裝置上執行,因此會消耗頻寬、儲存空間和能源。這項功能必須有足夠價值,讓使用者願意付費。

及早評估所需投入的心力,就能專注於高價值、低阻力的成果,並將更複雜的想法延後,等到資料、基礎架構和經驗成熟後再處理。

預估故障模式

有時模型會出錯,功能無法如預期運作。 您必須向使用者說明情況和失敗原因,讓他們知道是否能變更輸入內容,取得所需結果。

舉例來說,假設您經營旅行社,貴公司想為旅客提供個人化靈感。使用者要求提供工具,讓他們自行執行這項操作,而產品團隊也積極推動這項功能的實作。不過,您知道個人化功能需要使用者提供許多興趣相關信號,而您尚未設定收集這類信號的資料庫。這會導致個人化功能無法成功提供相關靈感,使用者也會因此放棄使用這項功能。您對個人資料可用性的瞭解,應能協助團隊估算價值。

以下是其他需要考量的重要 AI 故障模式:

  • 幻覺:模型生成看似合理,但實際上不實的輸出內容 (例如虛構不存在的航班)。
  • 偏誤:模型根據訓練資料,呈現或放大不公平的通則,導致歧視或不公平的結果。舉例來說,模型可能會根據使用者的性別或種族,假設他們想搭乘頭等艙或經濟艙。
  • 冷啟動問題:系統無法為新使用者或項目提供價值,因為缺乏初始資料,如個人化旅遊工具範例所示。
  • 效能降低:隨著實際資料演變並偏離原始分布,模型的準確率會隨時間降低,這也稱為模型偏移。

原型

一開始,您輸入的成本、工作量和失敗模式資料精確度會較低。如要確保特定 AI 功能符合需求,最好的驗證方式就是建立原型。原型設計可讓您在全面建構前,快速測試核心技術假設 (資料準備度、延遲時間、準確度)。尤其是像 AI 這樣尚未完全探索的新技術,透過建構學習的速度會比研究和分析更快。

有了 Vertex AI 和 Replit 等 AI 輔助程式碼生成工具,您就能大幅加快原型設計速度,並降低風險。

請採取以下做法:先推出小規模產品,觀察其運作情況,然後持續改進。

請採用下列最佳做法:

  • 提早建構端對端。測試 AI 系統藍圖中定義的整個流程 (資料、智慧、使用者體驗),而不只是模型準確度。這個版本應反映使用者與 AI 互動的每個環節,但不一定要涵蓋所有應用程式功能。
  • 從捷徑開始。使用 API 和預先訓練的模型,快速驗證價值。
  • 記錄所有內容。追蹤輸入、輸出和使用者編輯內容,找出常見的失敗模式,並評估可能導致系統無法運作的問題。
  • 使用實際資料進行測試。早期測試應擷取自然、雜亂的使用者行為。
  • 新增意見回饋和控制機制。讓使用者能更輕鬆地標記錯誤或調整輸出內容,並確認或修正結果。

在大多數情況下,原型設計會與評估和規格工作同時進行。

重點摘要

您已瞭解如何將抽象的 AI 潛力轉化為具體、高價值的產品構想。身為開發人員,您的優勢在於能將技術可行性與使用者體驗連結。您已瞭解 AI 如何在不同類別中創造價值、將這些機會對應至產品的使用者歷程,並學會如何使用結構化架構來指定、評估及排定優先順序。

請記住,AI 必須經過不斷反覆調整,才能成功。盡早推出產品、傾聽並觀察使用者,然後快速修正。每項原型設計都是一個步驟,有助於瞭解 AI 如何提升產品價值和使用者滿意度。

資源

  • Getting AI Discovery Right:這份指南說明如何構思、驗證 AI 用途,並排定優先順序。
  • AI Radar:這項探索和決策支援工具可找出各產業的用途,並排定優先順序。

隨堂測驗

哪一類 AI 商機涉及協助使用者完成複雜或具創意的任務?

自動化:
答錯了。
增強。
答對了,太棒了!
便利性。
答錯了。
更深入的洞察分析。
答錯了。

評估 AI 構想所需投入的心力和成本時,「整合複雜度」是指什麼?

每次模型呼叫的費用。
答錯了。
模型回覆使用者的速度。
答錯了。
需要連結多少系統 (後端、API、UI、第三方工具)。
答對了,太棒了!
是否已有預先訓練模型。
答錯了。

在 AI 故障模式中,冷啟動問題是什麼?

模型生成看似合理,但與事實不符的輸出內容。
答錯了。
由於缺乏初始資料,系統無法為新使用者或項目提供價值。
答對了,太棒了!
模型根據訓練資料,展現不公平的通則。
答錯了。
隨著實際資料不斷變化,模型的準確度會逐漸降低。
答錯了。

設計 AI 功能原型時,建議抱持什麼心態?

在編寫程式碼前,先花幾個月的時間研究及分析。
答錯了。
先推出小規模功能,觀察使用者行為,然後持續調整。
答對了,太棒了!
在測試前,先完整建構整個特徵集。
答錯了。
直接將未經測試的原型複製貼上到正式環境。
答錯了。

為什麼在原型設計階段記錄過程很重要?

追蹤輸入、輸出和使用者編輯內容,找出常見的失敗模式。
答對了,做得好!
確保有足夠的資料,可從頭開始訓練大型語言模型。
答錯了。
增加專案的儲存空間費用。
答錯了。
監控開發人員團隊的成效。
答錯了。