课程大纲

第一天上午：AI赋能产品的认知升级

1. AI时代的洞察（1小时）

技术神话vs工具本质

        非技术视角解读：机器学习、NLP、CV的典型应用边界

        案例解析：ChatGPT对话逻辑vs传统规则引擎

AI的哪层更厉害？算力、数据、模型、算法、技术、应用

        AI在产品结构的哪几层融合？（数据资产层、算法模型层、服务接口层、业务应用层）

        AI替代了产品结构的哪几层？

如何用AI强化产品工作价值？

        AI给产品带来的价值有哪些？开拓增量与提升存量

        哪些场景不适合强推AI

        案例解析：小样本、高合规风险场景

AI+四阶段发展模型：辅助功能→智能模块→决策中枢→自治系统

        案例解析：无讼科技的IT案件管理系统的法条辅助助手，到IT案件管理系统的智能分析，到IT案件管理系统新案件匹配律师的AI+发展过程

2. AI产品价值三要素（2小时）

可行性验证：「数据可获得性-技术成熟度-ROI转化」的系统三角评估

业务突破矩阵三大方向

        方向1效率类：IT系统的合同审核从40min→2min（法律科技IT管理系统案例）

        方向2创新类：制造型供应链管理系统的智能方案生成（供应链管理系统拆解）

        方向3合规类：金融科技风控系统反欺诈准确率提升23%的成本节约模型

场景定位：增强型vs替代型AI功能的设计边界

        雪球公募基金推荐智能系统（用户行为预测提升GMV）

        IT客服管理的工单自动化（NLP减少70%人力成本）

        大型企业的员工学习管理系统的个性化学习路径（动态调整内容难度）

案例对比：Grammarly文本修正 vs Midjourney内容生成的核心差异

3. 小组研讨：结合前部分内容，以及目前工作中现有产品，总结AI可能带来价值的3个机会点，以及3个限制因素

第一天下午：需求挖掘与场景设计

1. AI需求识别框架（2小时）

五维判断法：高频/复杂/模糊/个性/演进类需求的AI适配性

AI+需求的风险预判：技术债/伦理危机/投入产出比

        技术要升级到什么程度？

        AI的成本有多高？

        能100%相信AI么？

        能降本增效？还是能增长回春？

四象限法：高业务价值vs技术可行性

        实操工具：需求矩阵模板

        避开“伪AI需求”：从用户真实行为中挖掘痛点

        案例解析：某金融科技管理系统过度设计智能投顾导致用户流失

2. 实战工作坊（1小时）

针对现有产品功能的AI改造机会点挖掘

        列出当前IT产品中「高人力成本/低用户满意度」环节

        结合五维判断法和四象限法进行需求分析

        借助需求矩阵模板进行需求梳理

        列出AI改造机会点

结合梳理的机会点，筛选出1个可行性最高场景，进行 "需求攻防战"：即针对同一业务场景，分别设计AI方案与传统方案，并进行成本收益对比

第二天上午：AI驱动体验重构

1. 体验重构设计（2小时）

隐性智能路径：预判式设计

        案例解析：小雪智能客服AI自动回复

显性交互创新：搜索框/视觉反馈/推荐策略

        案例解析：搜索结果页的智能化、雪球智能推荐

用户体验地图的AI新生：AI助力体验升级

        纵向的层级关系

        横向的顺序逻辑

        案例解析：机票供应链及用户消费业务的体验地图挖掘AI机会点

2. 实战工作坊（1小时）

结合用户体验地图进行产品及业务梳理，以用户的视角在图中标注AI改造机会点

针对性的分析核心算法能力需求清单（如需要OCR还是情感分析）

整理资源评估表（数据来源、外部合作方、预期成本）

模拟向技术团队提案，接受可行性质询

第二天下午：AI风险预判与效果验证

1. AI实施风险雷达（1小时）

数据陷阱：某零售企业用户画像项目失败复盘

体验反噬：AI客服过度承诺引发的客诉事件

合规红线：数据隐私、算法歧视的规避策略，欧盟《AI法案》

技术前瞻：多模态大模型对产品形态的潜在影响，AGI内容生成

2. AI效果度量体系（1小时）

北极星指标OMTM：B端看人效提升

        案例拆解：审批管理系统处理时效＜20s

辅助指标：C端看行为渗透

        案例拆解：系统AI功能周活＞35%

3. 未来对AI的展望（0.5小时）

AI进化全景图

        萌芽期（1950s-2000）

                 1. 符号主义主导：IBM深蓝击败卡斯帕罗夫（1997）

                 2. 典型应用：银行ATM机欺诈检测规则系统

        突破期（2006-2016）

                1. 深度学习崛起：ImageNet图像识别错误率从28%降至3.5%

                2. 产业影响：Facebook人脸识别准确率超人类水平（2014）

        渗透期（2017至今）

                1.大模型时代：ChatGPT推动NLP技术平民化

                2.基础设施：云计算降低AI使用门槛

                3.开源vs闭源：Deepseek的国产模型逆袭（2025）

AI应优先优化现有流程还是创造新体验？

AI影响了产品，商业模式上有什么变化？

4. 小组研讨（0.5小时）：结合你所负责的产品及业务，思考5个在未来1-2个月借助AI能力的优化点，并梳理清楚预期的目标