AI Product Strategy · Differentiation
兩個內部知識庫產品命運的對照
過去兩年我看過上百個「AI 產品」提案，發現一個規律：團隊愈強調自己的模型多強，產品死得愈快；團隊愈強調自己對使用者的理解，產品反而活得愈久。
原因不複雜。模型不是你的護城河，它是大家共用的。
OpenAI、Google、Anthropic 一年改版好幾次，今天你引以為傲的「fine-tune 了一個小模型」，明天可能就被 GPT 的 mini 版直接輾過去。真正的差異化從來不在你用了什麼模型，而是在另一個地方。
下面用一個我親自觀察過、最有代表性的場景，把這件事說清楚。
今天想聊的，是 AI 產品差異化真正的所在：
① 兩個技術棧一樣的 AI 產品，為什麼一個死一個活？
② AI 產品的三層結構，差異化長在哪一層？
③ 問題定義的肌肉，PM 該怎麼練？
兩個內部知識庫產品的對照
場景：去年我同時觀察了兩個團隊，都做企業內部知識庫問答產品，技術棧幾乎一樣（OpenAI API、做了 fine-tune、加了 RAG）。一年後一個死了，一個活著開始收費。
A 團隊：模型導向
主打「我們用了最新的 GPT-4o，回答準確率最高」。
行銷文案、產品頁、demo 影片全部都在講「我們的 AI 多強」。功能堆得很滿：支援 20 種格式、多語系、自動摘要、語音輸入、可下載各種版本。
上線三個月後關站。原因：客戶試用後覺得「跟我自己用 ChatGPT 也差不多」，沒理由付錢。
B 團隊：問題導向
主打「給 100 至 300 人公司：把散在 Confluence 和 Notion 裡的知識變成能問就能答」。
針對一個非常具體的痛點：新人加入公司時，前兩週都在問前輩重複的問題。B 團隊做了三件 A 團隊沒做的事：
| 設計細節 | 解決的痛點 |
|---|---|
| 引導式答題：回答後附「請問你是新人嗎？」 | 新人的問題模式跟老員工不同 |
| 顯示「這個答案上次更新是 47 天前」 | 知識庫資訊容易過時 |
| 標註答案來源人與部門 | 後續要追問可以找到人 |
上線一年還活著、開始收費，這個月剛拿到 seed round。
差別在哪
A 在優化模型，B 在優化問題。
B 真正的競爭力不是模型，是他知道「新人加入公司前兩週的痛點」這個 insight。 這個 insight 不是任何 API 能給你的，是要去訪談 50 個工程主管才聽得出來的。
AI 產品的三層結構
把這個對照拉到一個更通用的框架，AI 產品大致可以拆成三層：
| 層級 | 內容 | 差異化潛力 | 一年後的命運 |
|---|---|---|---|
| 底層模型 | OpenAI、Gemini、Claude API | 商品化、可替換 | 變更便宜、跟你的關係愈淡 |
| 中層工程 | Prompt、RAG、Agent 編排 | 重要，但門檻在快速下降 | 工具會幫你做完，剩判斷品味 |
| 上層問題定義 | 為誰、解決哪個痛點、怎麼設計信任 | 真正的護城河 | 你蓋得愈深，後來者愈難複製 |
大部分新創都把心力放在第一層和第二層，卻忽略了第三層才是會被使用者記得的部分。
這就像 1995 年的網路公司都在賣「我們有更快的伺服器」，2005 年的網路公司都在賣「我們有更多用戶」，而今天我們記得的，是 Amazon、Google、Facebook，不是因為他們的伺服器或網路速度，是因為他們解決了一個獨特的問題。
AI PM 該怎麼練「問題定義」這條肌肉
回到那個內部知識庫的例子，B 團隊不是運氣好，是把下面幾件事做扎實。
第一個練習：把 AI 暫時拿掉
每次有人提案「我們可以用 AI 做 X」，先問：「如果完全不用 AI，這個問題有解嗎？」
- 如果不用 AI 也有解，那 AI 大概只是錦上添花
- 如果不用 AI 沒解（或解得很糟），那 AI 就是這個產品的關鍵
這個練習會幫你過濾掉 70% 的「AI 包裝專案」。
第二個練習：找到「重複手工」的縫隙
AI 最有價值的場景，往往是某個族群每天在重複做、做得很煩、又做不完的事。
| 好縫隙的特徵 | 例子 |
|---|---|
| 重複頻率高 | 客服 FAQ、合約比對、報表整理 |
| 決策不那麼難（80% 案例規則清楚） | 發票辨識、進貨單欄位抽取 |
| 量大到讓人爆炸 | 訪談摘要、競品監控、新人提問 |
第三個練習：把訪談聽到的「情緒字」記下來
「煩」「累」「每次都要重做」「我不想再做這個」「為什麼沒有人幫我」這些情緒字，就是好問題的信號。
我訪談時會準備兩欄筆記。左欄記使用者「說想要什麼」，右欄記使用者「不小心透露的情緒」。通常右欄的價值是左欄的三倍。
第四個練習：盯著「workaround」看
當使用者已經用各種土法煉鋼處理一個問題（記事本、Excel、手寫便條、複製貼上），那個 workaround 本身就是市場驗證。
例如：很多人會把 ChatGPT 對話記在 Notion 裡分類整理，這個 workaround 直接催生了一整類「AI 對話管理工具」的產品。
反過來看：問題定義也有要留意的地方
到這裡你大概看到一個觀點：別賣模型，賣問題。
但這條路有一個容易走偏的地方。
我觀察到一些非常擅長問題定義的 PM，最後變成了「永遠在訪談」的 PM。每個禮拜都在收集新洞察，每個月都在重寫問題框架，三年下來什麼都沒 ship。
問題定義的成熟，不是「不斷找新問題」，是『鎖定一個問題然後深做下去』。
| 該深做的 | 該放手的 |
|---|---|
| 已驗證有付費意願的問題 | 還在臆測階段的問題 |
| 你有獨特觀察的問題 | 大家都看到的明顯問題 |
| 解決後客戶會推薦給朋友的問題 | 客戶解決後就忘記的問題 |
漂亮的 AI PM 不是那個「想到最多 idea」的人，是那個選對一個問題並把它做到無可替代的人。
寫在最後
AI 模型每三個月換一代，但人類痛點百年沒變。
你的競爭力不在你會多少技術，而在你能不能定義出一個「值得 AI 來解」的問題。
下次有人問你「你的 AI 產品差異化在哪？」，如果答案是「我們用了某某模型」，那就要小心了。換個答案：「我們解決的是 X 族群的 Y 問題，這個問題過去用 Z 方式處理，痛點是 W。」
如果你能講得出這四個字母，你就贏過 90% 的 AI 新創了。
你現在手上的 AI 產品（或正在規劃的 AI 功能），如果把模型拿掉，問題本身夠不夠痛、夠不夠具體？歡迎留言分享你的觀察。
如果這篇對你有幫助，歡迎追蹤這份 Newsletter。每兩週一篇 AI PM 實戰筆記，主題涵蓋產品策略、跨職能合作、與 AI 導入的真實節奏。
#AIPM #ProductStrategy #AI產品策略 #問題定義 #ProductManagement #產品邏輯 #職涯成長