最近和几个做 AI 产品的朋友聊，发现一个共同的困惑：模型能力越来越强，但用户留存率就是上不去。

这件事让我想了很久。

能力不等于有用

AI 产品经理最容易犯的错误，是把「模型能力」等同于「产品价值」。

GPT-4 能写代码、能翻译、能总结文档。这些都是真实的能力。但当你把这些能力封装成产品，用户的感受却往往是：「这东西能做很多事，但没有一件事做得特别顺手。」

原因很简单：能力是点，工作流是线。

用户不是在使用「AI 能力」，他们是在完成一项具体的任务。这项任务有上下文、有前置步骤、有后续动作。当 AI 只是其中一个孤立的工具，而不是融入整个工作流时，哪怕能力再强，也只是一个「好用但不常用」的玩具。

三个常见误区

误区一：把「会用」当成「好用」

很多 AI 产品的用户调研里，用户会说「这个功能很有用」。但如果你追问：「你上周用了几次？」答案往往让人沉默。

会用，意味着用户理解了产品能做什么。好用，意味着用户在某个具体场景下，不需要思考就会自然地用它。

这两者之间的距离，就是大多数 AI 产品的墓地。

误区二：高估用户的提示词能力

Prompt engineering 是一项技能。大多数用户没有这项技能，也不想学。

当你的产品需要用户写出一段精确的 prompt 才能得到好结果时，你实际上是在把产品设计的工作转移给了用户。这是一种设计的失败，不是用户的问题。

误区三：把「所有功能都能做」当成卖点

「我们的 AI 助手可以帮你写邮件、总结会议、生成代码、分析数据……」

这种定位在早期可能管用，因为用户对 AI 的好奇心能驱动尝试。但留存靠的是习惯，不是好奇心。习惯需要一个足够具体的使用场景，而不是一个无边界的能力集合。

我的判断框架

在做 AI 产品功能取舍时，我会问三个问题：

  1. 用户在没有这个功能之前，是怎么完成这件事的？ 如果答案是「他们根本不做这件事」，这个功能大概率没有市场。如果答案是「他们用某个低效的方式做」，这才是真实的改进空间。

  2. 使用这个功能的摩擦力是多少？ 用户需要切换几个界面？需要学几个新概念？需要输入多少信息？每增加一步摩擦，留存率就会下降一截。

  3. 用户在什么情绪下使用这个功能？ 如果是在「已经很忙很烦」的状态下，任何需要学习成本的功能都会被放弃。AI 产品最好的切入点，是那些用户在疲惫状态下最想要帮助的场景。

好的 AI 产品不是「能做很多事」，而是「把一件事做得比任何人都顺手」。

这句话说起来简单，做起来需要对用户工作流有极其深入的理解，以及放弃很多「看起来很酷」的功能的勇气。

这两件事，都不容易。