产品心理学 Skill

适用场景

• 用户行为不符合理性预期
• 需要理解用户的非理性决策
• 产品设计涉及习惯、情绪、认知偏差

输入

字段	说明
user_behavior	观察到的用户行为
stated_intent	用户表达的需求/意图
product_context	产品功能/场景

输出

• 心理模型分析
• 行为驱动因素清单
• 设计建议

工作流程

1. 行为观察：客观记录用户做了什么（而非说了什么）
2. 动机推断：推断行为背后的心理需求（安全感/归属感/成就感等）
3. 偏差识别：识别可能影响判断的认知偏差（锚定/确认/损失厌恶等）
4. 设计映射：将心理洞察转化为产品设计建议

注意事项

• 用户说的"为什么"往往不可信——观察行为更重要
• 区分"情绪"与"需求"——情绪是即时状态，需求是深层动机

核心概念

1. AI 适配性 vs AI 冲动

AI 冲动的典型特征：先有技术名词再找场景、先想演示效果再想真实使用、先讨论模型功能再回头补问题定义、一看到人工步骤就本能地想自动化。AI 适配性完全不同——它关心的是"AI 在这里到底是不是正确的解法"。一个问题值得解决，不代表它适合用 AI 解决。很多时候问题更适合用更清晰的流程、更少的字段、更好的默认项、更直接的规则引擎来解决，硬翻译成 AI 项目只会得到更贵、更不稳定、更难解释、更难交付的版本。

2. "如果没有 AI，这个问题还存在吗"

这是判断 AI 适配性最有效的一句话。如果答案是"不太存在"，那你很可能不是在解决问题，而是在给新技术找展示舞台。一个真问题即使没有 AI，也往往已经以某种成本存在很久了——它可能让人反复绕路、反复返工、反复等待、反复失误。AI 只是在这个基础上提供一种可能的更好解法，而不是凭空制造问题存在感。

3. AI 适配性五问

判断一个问题适不适合 AI 解决的五道关：(1) 这是语言、知识或判断辅助问题吗？AI 擅长处理文本、语义、上下文和模式识别。(2) 错误代价高吗？错了会影响金钱/合规/安全/信誉的任务更适合停留在辅助层。(3) 结果可验证吗？用户能否在低成本情况下发现并纠正错误？(4) 能回退吗？用户可以撤销、改写、跳回人工吗？(5) 用户愿意把它交给 AI 吗？用户愿意交的是哪一步？

4. 非 AI 解法是判断基线

非 AI 解法不是为了证明 AI 不必要，而是为了建立比较基线。写非 AI 解法会逼你看见三件事：问题是不是其实可以被更简单地解决、AI 的真实增量到底在哪里、如果最后还是要用 AI 它应该放在任务链的哪一段。一个成熟团队不是排斥 AI，而是不允许 AI 逃避比较。

5. 五类最适合 AI 的任务

(1) 信息理解类：邮件理解、工单分类、文档摘要、关键信息提取。(2) 内容生成类：回复草稿、话术、报告初稿。(3) 知识检索与问答类：查制度、查产品知识、查 SOP。(4) 决策辅助类：优先级建议、风险提示、审核建议。(5) 多步流程执行类：收到消息→分类→查知识库→生成回复→写回系统。高频、重复、非结构化、依赖语义理解、容错适中、能写回闭环的任务最值得优先 AI 化。

深入核心概念

1. 非AI解法不是保守，而是判断基线

"非AI解法不是为了证明AI不必要，而是为了建立比较基线。你只有知道不用AI时能做到什么程度，才知道AI带来的增量到底值不值。" ——书稿第3章

写非AI解法会逼你看见三件事：问题是不是其实可以被更简单地解决、AI的真实增量到底在哪里、如果最后还是要用AI它应该放在任务链的哪一段。很多时候问题更适合用更清晰的流程、更少的字段、更好的默认项来解决，硬翻译成AI项目只会得到更贵、更不稳定、更难解释的版本。应用：对每个候选AI方向，先写一版非AI解法。如果非AI解法能解决八成问题，那AI的增量价值就需要非常明确才能证明引入的合理性。

2. 结果可验证性决定人能不能接住AI

"一个输出就算不完美，只要容易校验，问题通常都还可控。一个输出如果很难校验，就算看起来很聪明，也可能根本不适合进入真实流程。" ——书稿第3章

可验证性决定的不是模型好不好，而是人能不能在系统里稳稳地接住它。AI帮你总结会议，你能对照录音检查——可验证。AI给你"很像专家判断"的结论，使用者很难独立验证——风险完全不同。应用：对每个AI功能问一个实用问题——"如果AI给出错误结果，使用者能否在低成本、低门槛的情况下发现并纠正？"如果不能，这类问题就不适合轻易AI化，至少不能直接做成默认自动流程。

3. 用户愿意交的是哪一步，而不是全交或全不交

"用户愿意让AI帮自己起草，不代表愿意让AI直接发送。愿意让AI提醒，不代表愿意让AI拍板。" ——书稿第3章

绝大多数任务不是"全交"或"全不交"，而是分段交。如果把任务粗暴理解成"用户愿不愿意让AI做"，就会错过真正的采用机会——用户也许不愿意全交，但非常愿意把某一段交出来。判断AI适配性，最终要落到任务链上逐段判断。应用：把目标任务拆成连续步骤，逐段评估：用户在这一步愿不愿意交？错误后果有多重？用户有没有控制权？找到用户最愿意先交出的那一段，作为托付入口。

分步执行

步骤 1：剥掉技术想象，看问题本体

拿到一个 AI 方向后，先问"如果没有 AI，这个问题还存在吗"。如果答案是不太存在，停下来——你可能是在给新技术找舞台。如果存在，继续看传统解法做到什么程度、痛点在哪里。

步骤 2：非 AI 基线对比

写一版非 AI 解法：用更清晰的产品设计、规则引擎、流程优化、默认项改善能做到什么程度。如果非 AI 解法能解决八成问题，那 AI 的增量价值就需要非常明确才能证明引入的合理性。

步骤 3：AI 适配性五问

逐问评估：(1) 是否语言/知识/判断辅助问题？(2) 错误代价有多高？(3) 结果可验证吗？(4) 能回退吗？(5) 用户愿意交的是哪一步？如果五问中有两三项明显危险，就要非常克制。

步骤 4：任务链定位

把问题拆成任务链，逐段判断哪些适合 AI、哪些适合规则引擎、哪些适合流程优化、哪些适合人工。AI 应该放在任务链的哪一段，而不是覆盖整条链。

步骤 5：六维快筛

对候选 AI 任务做快速筛选：频率高不高、重复性强不强、是否涉及非结构化信息、是否依赖人工经验判断但规则难写清、容错率高不高、能不能接进系统形成闭环。六项全过才是高优先级。

示例 1：报销场景的 AI 适配性诊断

场景：企业内部协作产品，很多客户反馈报销单据提交过程很慢，补充材料来回很多。团队提议做"AI 报销助手"。

诊断过程：

1. 剥掉技术想象：没有 AI，这个问题还存在吗？→ 存在，报销慢的根因可能是字段重复、制度不清、不同部门口径不一、系统没打通。
2. 非 AI 基线：更直接的动作可能是删字段、改流程、接系统。
3. 五问评估：(1) 部分是语言问题（识别票据），但主因是流程设计差。 (2) 错误代价高——直接影响财务合规。(3) 普通员工未必能判断 AI 推断是否靠谱。(4) 直接替用户提交或替财务预判通过会有危险。(5) 员工愿意让 AI 提醒缺什么，但不愿让 AI 替自己决定怎么填。
4. 结论：正确方向不是"一口气做 AI 报销助手"，而是把问题拆开——流程/字段设计问题、规则说明问题、知识检索问题、哪些才适合 AI 辅助。真正成立的可能只是"自动识别票据信息+缺失项提醒"。

示例 2：AI 适配性六维快筛对比

场景：团队有三个 AI 功能候选方向，需要快速筛出最值得做的。

维度	智能客服回复	AI 周报生成	AI 审批判断
频率高不高	✅ 每天数十次	⚠️ 每周一次	⚠️ 不定
重复性强不强	✅ 高度重复	✅ 模板性强	❌ 每次差异大
非结构化信息	✅ 客户消息	✅ 会议/数据	⚠️ 部分
规则难写清	✅ 需理解语义	⚠️ 有模板可循	❌ 规则明确
容错率	✅ 可人工审核	✅ 可修改	❌ 错误代价高
能接系统闭环	✅ 写回 CRM	✅ 发到群/邮件	⚠️ 需权限对接
结论	最值得做	适合嵌入	不适合 AI 化

分析：智能客服回复六项全过，是高优先级。AI 周报生成适合嵌入现有工具而非独立产品。AI 审批判断错误代价高、规则明确，更适合规则引擎。

三类不适合一上来就交给 AI 的任务

第一类：纯规则、纯确定性任务

固定字段校验、简单审批流转、确定公式计算、固定条件触发通知。这类任务更适合规则引擎、普通工作流或 RPA。不是 AI 做不了，而是没必要——会引入更高成本和更高不稳定性，却不一定换来真正增量。

第二类：高风险且要求绝对准确的决策

财务打款最终审批、法务最终结论、医疗诊断结论、强合规风控判罚、核心权限开通关闭。AI 可以参与辅助，但不适合全自动拍板。因为真正稀缺的不是"先给个答案"，而是责任边界和后果承接。

第三类：数据太少、流程本身不稳定的场景

如果流程天天在变、没有标准输入、没有清晰输出、连业务方自己都说不清目标，就不适合一上来做自动化。很多团队误以为是 AI 不够强，实际上是流程自己还没被整理到可以被自动化的程度。

AI 适配性诊断表

维度	高适配	低适配
任务类型	语言/知识/判断辅助	纯规则/物理操作/情感沟通
信息结构	非结构化、语义密集	结构化、公式化
错误代价	低到中等（可纠正）	高（影响合规/安全/信誉）
结果可验证	容易对照原文/事实	难以独立验证
回退成本	低（可撤销/改写）	高（不可逆/扩散）
用户意愿	愿意让 AI 先起草	不愿交出任何判断
频率	高频重复	低频一次性
人工现状	人工耗时且规则难写清	人工已高效或规则明确

5 分钟练习

回看你最近最想做的一个 AI 功能，写下这六句话：

1. 如果没有 AI，这个问题还存在吗。
2. 我能不能写出一个更简单的非 AI 解法。
3. 这个场景里，AI 真正增加的价值是什么。
4. 如果 AI 错了，后果有多大，谁来承担。
5. 用户能不能发现错误、纠正错误、退出 AI。
6. 用户愿意把任务链中的哪一步交给 AI，而不是哪一步都交。

把这六句话写清楚，你通常会看到两种结果中的一种。

要么你确认了：这确实是个适合 AI 的问题。

要么你终于看清：你原来想做的，其实只是一个被 AI 包装得很好看的旧问题。

错误代价深度评估

错误代价是 AI 适配性判断中最容易被低估的一问。

错误代价分级

等级	定义	典型场景	AI 进入策略
极低	多花几分钟，可快速纠正	文案润色、格式调整	可全自动
低	多一轮确认，不影响业务	邮件起草、会议摘要	AI 先做，人审核
中	影响效率或体验，可回退	客服回复、工单分类	AI 建议，人确认
高	影响金钱/客户关系/合规	合同审核、风险评估	AI 辅助，人决策
极高	影响安全/法律/核心权限	财务打款、医疗诊断	AI 仅供参考

容错空间设计

即使错误代价不低，也可以通过设计容错空间来降低风险：

1. 分层交付：AI 先给草稿，人审核后才生效
2. 置信度标注：对不确定的输出标注置信度
3. 回退路径：随时可以撤销、改写、跳回人工
4. 渐进托付：先低风险场景，再高风险场景
5. 异常检测：自动识别可能出错的输出并标记

六维快筛详细操作指南

维度 1：频率高不高

高频信号	低频信号
每天发生多次	每月偶尔发生
影响大部分用户	只影响少数场景
是核心工作流的一部分	是边缘场景

维度 2：重复性强不强

高重复信号	低重复信号
客服常见问题	每次内容差异大
定期报表	涉及创意判断
固定格式的输入	输入高度非标准化

维度 3：是否涉及非结构化信息

适合 AI	不适合 AI
自然语言文本	结构化数据
语音、图片	固定格式表单
邮件、聊天记录	数字计算
文档、报告	布尔判断

维度 4：规则是否难写清

难写清（适合 AI）	容易写清（适合规则引擎）
理解客户意图	字段格式校验
判断邮件重要性	审批流程流转
提炼文档重点	权限判断
识别情感倾向	固定条件触发

维度 5：容错率高不高

高容错（适合 AI）	低容错（需谨慎）
草稿生成	财务审批
信息摘要	合同签署
分类建议	权限变更
探索性搜索	合规判断

维度 6：能否接系统闭环

能闭环	不能闭环
API 写回 CRM	只能展示不能操作
webhook 触发后续流程	结果需要人工搬运
自动更新数据库	无法接入现有系统

AI 适配性典型场景深度分析

场景 1：智能客服回复

维度	评估	说明
频率	✅ 高	每天数十到数百次
重复	✅ 高	80% 是常见问题
非结构化	✅ 是	客户消息是自然语言
规则难写清	✅ 是	需要理解语义和上下文
容错	✅ 可控	可人工审核后发送
闭环	✅ 能	可写回客服系统
结论	高适配	六维全过，值得优先做

场景 2：AI 自动审批

维度	评估	说明
频率	⚠️ 中	不定，取决于业务量
重复	❌ 低	每次情况差异大
非结构化	⚠️ 部分	有结构化字段也有文本
规则难写清	❌ 否	规则相对明确
容错	❌ 低	错误代价高
闭环	⚠️ 需对接	需要权限系统配合
结论	低适配	多项不过，适合规则引擎

场景 3：知识库问答

维度	评估	说明
频率	✅ 高	员工/客户每天查询
重复	✅ 高	问题有规律可循
非结构化	✅ 是	知识文档是非结构化的
规则难写清	✅ 是	需要理解语义匹配
容错	✅ 可控	可标注来源、可人工纠正
闭环	✅ 能	可接入 IM/工单系统
结论	高适配	六维全过，适合 RAG 方案

任务链拆分示例

将复杂场景拆成任务链，逐段判断 AI 适配性：

客服回复任务链

收到客户消息
  → 意图识别 [AI: 高适配]
  → 情绪判断 [AI: 高适配]
  → 查询知识库 [AI+规则: 混合适配]
  → 生成回复草稿 [AI: 高适配]
  → 审核回复 [人: 必须]
  → 发送回复 [规则: 按风险等级决定]
  → 更新客户记录 [规则: 自动写入]

销售跟进任务链

会议结束
  → 整理会议笔记 [AI: 高适配]
  → 提取关键承诺 [AI: 高适配]
  → 生成跟进邮件 [AI: 高适配]
  → 审核邮件 [人: 必须]
  → 发送邮件 [规则: 自动发送]
  → 更新 CRM [规则: API 写入]
  → 设置提醒 [规则: 自动触发]

AI 适配性诊断速查表

任务类型	典型场景	AI 适配度	关键风险
信息理解	邮件分类、文档摘要	高	误分类
内容生成	文案、报告、话术	高	质量不稳定
知识问答	制度查询、产品知识	高	幻觉
决策辅助	优先级建议、风险提示	中	被误信
多步流程	自动化工作流	中	链路断裂
固定规则	字段校验、审批流转	低	不如规则引擎
高风险判断	财务审批、医疗诊断	极低	错误代价极高