AI 产品三重平衡表

一句话定位

不要只看商业指标，用三层判断确保 AI 产品赢得长期信任。

何时触发

• 大方向评审会
• 评估新功能/新产品方向
• 觉得团队只在追求增长和效率
• 需要平衡短期收益与长期价值

输入

一个 AI 产品方向或功能描述。

示例输入：

方向: "做一个默认全自动帮用户安排日程、催办任务、对外发确认消息的 AI 助手"

输出

三层评估 + 综合判断 + 调整建议。

三层判断

层 1: 商业层（Business）

核心问题：这个能力能不能赚钱？能不能持续？

三个检查点：

1. 这个能力的长期成本是什么？

   • Token/算力成本
   • 运维成本
   • 错误兌底成本
   • 人工复核成本

2. 它带来的价值能不能覆盖持续消耗？

   • 单位用户价值
   • 增值服务收费潜力
   • 用户留存提升

3. 它是不是靠高成本堆出"看起来很聪明"？

   • 是否需要持续高成本维护才能保持体验？
   • 如果成本下降 50%，体验会不会大打折扣？
   • 是否是"资金密集型"而非"结构优势型"？

输出格式：

商业层评估:
  long_term_cost: "长期成本估算"
  value_coverage: "价值是否覆盖成本"
  smart_illusion: "是否靠高成本堆出"
  viability: "viable/marginal/not_viable"

层 2: 人性层（Humanity）

核心问题：这个能力是不是真正帮助了人？

三个检查点：

1. 它是否真的减轻了用户的长期负担？

   • 减轻的是执行负担还是决策负担？
   • 是否把负担从用户转移到了其他地方？
   • 用户是否感觉更轻松了？

2. 它是否保留了人的主体性和判断感？

   • 用户是否还能做出自己的选择？
   • 系统是在"帮助判断"还是"替代判断"？
   • 用户是否还能感觉到"这是我的决定"？

3. 它是在帮助人生活，还是让人更依赖系统？

   • 用户是否变得更独立了，还是更依赖了？
   • 如果系统没了，用户是更强了还是更弱了？
   • 这个依赖是健康的还是不健康的？

输出格式：

人性层评估:
  burden_reduction: "是否减轻长期负担"
  agency_preservation: "是否保留主体性"
  dependency_type: "healthy/unhealthy/neutral"
  human_flourishing: "是否促进人的成长"

层 3: 文化层（Culture）

核心问题：这个产品在训练什么？扩散什么？

三个检查点：

1. 它在训练用户怎么理解效率、关系和责任？

   • 效率是否变成了唯一标准？
   • 关系是否被简化成了交易？
   • 责任是否被外包了？

2. 它是在扩大人的现实感，还是在鼓励更浅的自动化依赖？

   • 用户是否更关注现实世界了？
   • 还是更沉迷于系统优化的虚拟体验？
   • 产品是否在"放大"还是"缩小"人的能力？

3. 这种产品逻辑是否值得被扩散？

   • 如果所有产品都这么做，世界会变得更好吗？
   • 这种逻辑能否被复制到其他领域？
   • 如果被复制，结果是什么？

输出格式：

文化层评估:
  value_training: "训练了什么价值观"
  reality_expansion: "扩大还是缩小现实感"
  worth_spreading: "是否值得扩散"
  cultural_impact: "positive/neutral/negative"

综合输出格式

triple_balance_assessment:
  input:
    direction: "产品方向描述"
    context: "业务背景"
  
  business_layer:
    long_term_cost: "长期成本"
    value_coverage: "价值覆盖"
    smart_illusion: "是否高成本堆出"
    viability: "viable/marginal/not_viable"
    score: "1-10"
  
  humanity_layer:
    burden_reduction: "减轻负担"
    agency_preservation: "保留主体性"
    dependency_type: "healthy/unhealthy/neutral"
    flourishing: "促进成长"
    score: "1-10"
  
  culture_layer:
    value_training: "训练价值观"
    reality_expansion: "扩大/缩小现实感"
    worth_spreading: "值得扩散"
    impact: "positive/neutral/negative"
    score: "1-10"
  
  balance_analysis:
    strongest_layer: "最强的一层"
    weakest_layer: "最弱的一层"
    imbalance_risk: "失衡风险"
    
  verdict:
    overall_score: "1-10"
    recommendation: "proceed_with_caution/adjust/stop"
    key_adjustments: ["关键调整建议"]
    
  next_steps:
    if_proceed: "如果继续，需要补强的方面"
    if_adjust: "具体调整方案"
    if_stop: "如果停止，替代方向"

快速使用法

1. 填写产品方向
2. 逐层过三个层次，每层回答三个问题
3. 如果只有商业层有答案，先不要轻易下结论
4. 看哪一层最弱，调整方案补强这一层

示例：完整走一遍

方向：

"做一个默认全自动帮用户安排日程、催办任务、对外发确认消息的 AI 助手"

三层评估：

层次	评估	分数
商业层	容易讲增长故事，能提高效率感和付费想象。但长期运行成本、错误兌底成本、对外沟通失误成本会一起上升。	6/10
人性层	可能减轻执行负担，但会吞掉很多本该由用户自己保留的判断。系统在"替代判断"而不是"帮助判断"。	4/10
文化层	如果系统越来越默认替人表达、替人确认、替人推进，最后训练出来的不是更成熟的协作，而是更舒服的判断外包。	3/10

综合判断：

• 总分：13/30 —— 不建议原样实施
• 关键调整：
  1. 保留一部分自动化
  2. 高风险动作改为待确认
  3. 把"替用户落锤"改成"替用户暴露风险和整理上下文"
  4. 让产品从"更强"变成"更可信"

常见误判

• 商业层一票否决：只看能不能赚钱，忽视长期信任
• 人性层变成道德说教：不是不做，而是找到平衡点
• 文化层太抽象：要具体到"如果所有产品都这么做会怎样"

一句判断

下一代 AI 产品，不该只赢得指标，还要赢得长期信任。

核心概念

概念一：为什么需要三重平衡而不只是商业评估

大多数产品讨论最终回到商业。这不庸俗，是现实——团队要生存，产品需要收入。但在 AI 时代，模型调用、上下文长度、工具编排、重试和系统防护都在持续消耗成本，商业问题比以前更早进入产品设计。

但正因为如此，AI 产品需要比"商业优先"更完整的平衡框架。

如果只看商业，团队会滑向最容易增长、转化和衡量的方向，也会推动系统走向短期刺激、过度自动化和用户依赖。产品可能盈利，但未必减轻了谁的负担，也未必塑造了值得被重复的生活方式。

只有商业层有答案时，先不要轻易下结论。

概念二：商业层——不是"能不能赚钱"，而是"能不能持续创造价值"

AI 产品的商业难点不同于传统软件。过去团队大多对标人力成本，今天越来越多面对持续运营成本：token 消耗、推理深度、链路编排、稳定性和防护成本都在重新定义毛利结构。

商业层核心问题：

• 这个能力的长期运营成本是什么？
• 它带来的价值能否覆盖持续消耗？
• 这个体验是不是靠高成本堆出"看起来很聪明"？
• 有没有更克制的设计、更好的毛利结构？

没有可持续价值交换，再漂亮的产品理想也很难长期存活。

概念三：人性层——不是"用户喜不喜欢"，而是"是否真的减轻了长期负担"

人性层的"好"不是抽象善意，而是非常具体的判断：

• 是否真的减轻了用户的长期负担？
• 是否保留了人的主体性和判断感？
• 是在帮助人生活，还是在让人慢慢失去对判断、关系和节奏的掌控？

关键判断线：这个产品是在帮助用户重获判断力和现实感，还是在帮他们以更舒服的方式交出越来越多的判断？

短期上瘾、高粘性、高转化的产品，不自动等于人性层做得好。

概念四：文化层——产品不只是工具，还在训练用户的世界观

文化层讨论最少，但可能最重要。因为产品从来不只是工具，还在持续训练用户如何理解效率、关系、责任、注意力，以及如何与系统共处。

文化层核心问题：

• 这个产品在训练用户怎样理解效率、关系和责任？
• 它是在扩大人的现实感，还是在鼓励更浅的自动化依赖？
• 这种产品逻辑是否值得被扩散？

文化层的后果不会立刻出现在报表里，但最终决定产品是只赢一时，还是能被长期信任。

概念五：三层冲突时的优先级判断

三层不可能永远和谐。真正的难点不是机械地说"三层都重要"，而是团队必须能判断：

• 什么时候必须商业优先，否则产品无法生存
• 什么时候必须为人性层拒绝短期有利的设计
• 什么时候文化层的长期代价大到不能再忽视

决策框架：

冲突	判断原则
商业 vs 人性	如果人性风险不可逆（生命安全、歧视），人性优先；如果可控，商业优先但必须有保护机制
商业 vs 技术	技术不成熟但商业机会重大，先做 MVP；技术成本过高商业模式不成立，等待技术成熟
人性 vs 技术	技术能力不应决定人性边界，而是人性边界决定技术能用多少

成熟的平衡不是每层都满分，而是团队至少知道自己在牺牲什么、为什么牺牲、这个牺牲值不值得。

分步执行

Step 1：方案描述——明确产品方案和已知约束

输入：产品方案描述 + 已知约束条件

处理：

1. 用一句话描述产品方案的核心功能
2. 列出已知约束（技术限制、合规要求、预算限制）
3. 标记团队内部的主要分歧点

输出：产品方案简述（附约束和分歧标记）

---

Step 2：商业层评估——逐项打分

输入：Step 1 产出的方案简述

处理：

1. 评估长期运营成本（token/算力、运维、错误兜底、人工复核）
2. 评估价值是否覆盖持续消耗
3. 评估是否靠高成本堆出"看起来很聪明"
4. 打分（1-10），列出优势和劣势

输出：商业层评估报告（附分数和关键问题）

---

Step 3：人性层评估——逐项打分

输入：Step 1 产出的方案简述

处理：

1. 评估是否减轻了用户的长期负担（执行负担 vs 决策负担）
2. 评估是否保留了人的主体性和判断感
3. 评估是在帮助人生活还是让人更依赖系统
4. 打分（1-10），列出优势和劣势

输出：人性层评估报告（附分数和关键问题）

---

Step 4：文化层评估——逐项打分

输入：Step 1 产出的方案简述

处理：

1. 评估产品在训练用户怎样理解效率、关系和责任
2. 评估是在扩大现实感还是鼓励更浅的自动化依赖
3. 评估这种产品逻辑是否值得被扩散
4. 打分（1-10），列出优势和劣势

输出：文化层评估报告（附分数和关键问题）

---

Step 5：三角形分析——判断平衡类型和最大矛盾

输入：Step 2-4 的三层评估报告

处理：

1. 将三个分数绘制到三角形中
2. 判断平衡类型：理想型 / 商业-人性型 / 商业-技术型 / 人性-技术型 / 偏斜型
3. 识别最大矛盾点
4. 计算健康度分数（1-10）

输出：三角形分析图 + 平衡类型判断 + 健康度分数

---

Step 6：改进计划——制定分阶段行动

输入：Step 5 的三角形分析

处理：

1. 制定立即要做的（保护机制、风险缓解）
2. 制定短期要做的（产品调整、指标升级）
3. 制定长期要做的（方向校准、文化层建设）
4. 明确"如果必须做权衡，建议优先级"

输出：分阶段改进计划 + 红线清单

示例 1：AI 面试辅助工具的三重平衡

场景描述：一家 HR 科技公司做 AI 面试辅助工具，功能是自动生成面试评估报告。

Step 1 方案描述：

• 核心功能：AI 在面试过程中自动记录、分析候选人回答、生成评估报告
• 约束：面试官担心 AI 替代人的判断
• 分歧：产品团队想让 AI 直接出"通过/不通过"建议，HR 总监认为应该只做辅助

Step 2 商业层评估：

• 收入模型：SaaS 订阅，按面试次数计费
• 支付意愿：企业 HR 部门愿意为节省时间付费
• 成本结构：模型调用成本可控
• 竞争壁垒：面试数据积累形成壁垒
• 分数：7/10

Step 3 人性层评估：

• 自主性：如果 AI 直接出"通过/不通过"，面试官可能过度依赖
• 偏见风险：AI 可能放大历史面试数据中的偏见
• 透明度：候选人不知道 AI 在评估自己
• 退出机制：面试官可以不参考 AI 建议
• 分数：4/10（偏见风险和自主性是主要扣分项）

Step 4 文化层评估：

• 效率观：在训练用户"面试可以被 AI 加速"
• 关系观：可能弱化面试中"人对人的判断"
• 责任观：如果出错，责任归属不清晰
• 分数：5/10

Step 5 三角形分析：

• 平衡类型：商业-技术型，人性有风险
• 最大矛盾点：AI 直接出"通过/不通过"会提升效率但损害人性层
• 健康度：5/10

Step 6 改进计划：

• 立即：AI 只提供"评估参考"，不提供"通过/不通过"建议
• 短期：设计"人工复核"强制流程，添加偏见检测机制
• 长期：收集数据证明 AI 辅助能提升招聘质量（而非替代判断）

结论：AI 面试工具可以做，但必须保护面试官的最终判断权。系统应该"辅助判断"而非"替代判断"。

---

示例 2：AI 学习监督产品的三重平衡

场景描述：一家教育科技公司想做 AI 学习监督系统，自动打卡提醒、学习进度跟踪、惩罚机制、排行榜。

Step 1 方案描述：

• 核心功能：AI 自动监督学习——打卡提醒、进度跟踪、未完成惩罚、排行榜
• 约束：用户可能觉得被"监控"
• 分歧：增长团队认为惩罚机制能提升留存，教育专家认为会损害学习动机

Step 2 商业层评估：

• 收入模型：订阅制 + 增值服务
• 支付意愿：家长愿意为孩子的学习监督付费
• 留存预期：惩罚机制和排行榜短期能显著提升留存
• 分数：8/10

Step 3 人性层评估：

• 自主性：惩罚机制可能让学习变成"被追着跑"，而非主动选择
• 依赖性：一旦产品关闭，用户可能立即回到旧习惯
• 长期负担：是在帮助建立能力，还是在制造依赖？
• 分数：3/10（核心问题是制造依赖而非培养能力）

Step 4 文化层评估：

• 学习观：在训练用户"学习必须被监督、被追、被奖励"
• 责任观：在鼓励"把学习责任外包给系统"
• 这种逻辑值得被扩散吗？→ 不值得
• 分数：3/10

Step 5 三角形分析：

• 平衡类型：偏斜型（商业高，人性和文化低）
• 最大矛盾点：短期留存提升 vs 长期用户能力退化
• 健康度：4/10

Step 6 改进计划：

• 立即：去掉羞辱性惩罚（如"你已经落后 XX 天"）
• 短期：保留提醒和节奏支持，但减少依赖循环；把"被监督"变成"自我节奏管理"
• 长期：增加"能力成长"指标，让用户在产品关闭后仍能自主学习
• 文化层校准：产品应该帮助用户建立自己的学习节奏，而非永远从外部推动

结论：学习监督可以做，但必须从"外部驱动"转向"内在能力培养"。去掉惩罚，保留节奏支持，让产品帮用户成为更能自主学习的人。