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:
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:
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?
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?
在 AI 故障模式中,冷啟動問題是什麼?
設計 AI 功能原型時,建議抱持什麼心態?
為什麼在原型設計階段記錄過程很重要?