潮水退去的时候，你才会知道谁在裸泳。过去两年，成百上千个套着大模型外壳的AI应用如雨后春笋般冒出，又像秋后的蚂蚱般成批死亡。当“百模大战”的硝烟散去，算力成本的账单拍在桌面上时，很多创业者和产品经理才猛然惊醒：AGI不是掩盖产品能力缺失的遮羞布。脱离了真实场景的AI，不过是一个极其昂贵的“赛博玩具”。

作为一名在移动互联网摸爬滚打多年，又在近两年深度参与大模型应用落地的产品经理，我见证了太多令人扼腕的失败。无数顶尖的技术团队，拿着动辄几十亿参数的微调模型，却做出了日活不过百、次留不到10%的“废品”。

为什么？因为他们死在了“脑补需求”上，死在了对“竞品”的盲目抄袭中。

今天，我想跟中国300万移动互联网从业者聊一句掏心窝子的话：别再迷信大模型跑分了。 在算力平权、模型能力逐渐同质化的今天，真正决定一款AI产品生死的，依然是产品经理最古老、也最硬核的基本功——极致的场景还原，与冷酷的竞品拆解。 这套推演逻辑，已经成了当前大模型应用创业唯一的“救生舱”。

引言：一场不得不面对的“流量退潮”与认知觉醒

还记得2023年到2024年的狂热吗？只要在产品里加个对话框（Chat UI），接一个OpenAI或国内大厂的API，估值就能翻倍。大家都在卷Prompt（提示词），卷上下文长度。

然而到了2026年的今天，残酷的现实摆在眼前：

• 获客成本极高，留存极低：用户为了尝鲜下载，问了三个无聊的问题后，卸载走人。
• 边际成本可怕：传统的SaaS多一个用户只是多一点服务器带宽；但AI应用多一个免费用户，就是实打实的Token算力消耗，典型的“流血狂奔”。
• 护城河极其脆弱：今天你做了一个AI写周报的工具，明天竞品改个Prompt就能复制，用户毫无忠诚度可言。

大模型是一场技术革命，但它没有改变商业的本质：产品必须解决特定人在特定场景下的特定问题。 面对大厂的算力碾压和流量绞肉机，普通创业团队和产品经理的出路在哪里？

答案就藏在对“场景”的像素级解构，以及对“竞品”的降维打击中。

01 告别“脑补需求”：“天下苦无脑对话框久矣”

什么是场景？在传统的移动互联网时代，我们说场景是“空间、时间、环境”与“人、角色、目标、需求、问题”的交汇点。在AI时代，这个定义的颗粒度需要放大十倍。

现在市面上90%的失败AI产品，都死在同一个姿势上：产品经理坐在装有新风系统的5A级写字楼里，脑补用户在通勤地铁上使用自己产品的样子。

场景分析的核心作用：把AI从“云端”拉回“泥土”

具象化需求，达成团队共识： 研发团队最怕产品经理说“我要一个聪明的AI助手”。聪明的标准是什么？通过场景分析，我们用讲故事的方式达成共识。比如：“我要一个在用户深夜加班、脑力枯竭时，能一键帮他把散乱的关键词扩写成完整PRD的助手。”

发现极端边界（Edge Case）： 这是AI时代最容易翻车的地方。大模型在实验室里表现完美，但在真实物理世界呢？你需要考虑：断网情况下本地模型如何兜底？光线不足时用户的输入方式？甚至在用户情绪愤怒（输入包含大量脏话或急躁语气）时，AI的情感对齐表现。 * 优化交互路径： 为什么一定要用对话框？在开车场景下，AI必须是纯语音交互；在开会场景下，AI必须是静默的震动反馈和文字纪要；在走路场景下，AI或许应该主动播报。交互因环境而变。

明确数据字段与埋点： 场景推演能倒逼技术架构规划。明确了场景，就能提前规划功能所需的数据字段，为日后的埋点分析和后续的数据飞轮预留可拓展性。

AI能力的场景分层：不要用高射炮打蚊子

在不同的场景下，我们需要的AI能力是完全不同的。生搬硬套一个全能大模型，只会带来巨大的成本浪费和极差的用户体验。根据用户需求，我们可以将AI助手分为四大类：

• 聊天型（Chat）——主打快速、直观、简单： 类似 Gemini Pro 这种大模型提供的“灵光一现”。适用于用户需要快速获取信息、进行头脑风暴的轻量级场景。
• 协作型（Copilot）——主打无中断陪伴： 类似 VSCode 中的 AI 插件，或者 Cherry Studio。用户依然是主体，AI在旁边递扳手。场景往往是专业的生产力环境。
• 伴随型（Agentic Companion）——主打自主执行“简单”任务： 比如 Open Code，用户给定一个明确的小目标，AI在限定环境内自主完成多步操作。
• 托管型（Autonomous Agent）——主打高权限、强能力： 比如近期爆火的 OpenClaw。这种模式权限极高，成本极大，甚至带有一定的危险性（可能误删文件或越权访问）。它只适用于用户极度信任、且任务复杂度极高的特定后台自动化场景。

痛点转机会的秘诀： 永远不要问“我的大模型能做什么”，而要问“在这个具体时空里，用户的痛点是什么？当前的AI能力（聊天/协作/托管）哪一种能以最低成本赋能解决？”

02 逃离“内卷绞肉机”：竞品分析是找准蓝海的“逃生舱”

如果说场景分析是帮你找准“用户在哪”，那么竞品分析就是帮你搞清“敌人在哪”，以及“我们要绕开哪些坑”。

在AI赛道，抄袭UI是最愚蠢的行为，因为AI的核心壁垒在底层逻辑和工作流。竞品分析的真正目的有四个：辅助决策（判断某功能是否值得烧钱研发）、寻找差异化蓝海、规避风险（看前人踩过的坑）、快速迭代（学习优秀的交互与商业模式）。

重新定义竞品：打破你的视野盲区

很多产品经理只盯着直接竞品（产品形态、核心功能、目标用户完全一致），比如你做AI写文章，天天盯着Jasper或各种套壳写作工具。这只会让你陷入无休止的特征比拼（Feature 战）。

你必须把眼光放宽：

• 间接竞品（同目标不同形态）： 比如你做AI英语口语教练，你的间接竞品可能不是另一个AI App，而是B站上的英语教学视频，或者是线下昂贵的外教。你的优势在于互动性和性价比。
• 潜在/替代竞品（跨界颠覆者）： 真正杀死你的往往不是同行。比如做传统文档翻译软件的，被具备长文本解析能力的大模型对话框（如Kimi）瞬间降维打击。

AI时代竞品分析的四大硬核维度

在执行竞品拆解时，必须搭建一个系统性的框架，核心涵盖以下四个维度：

维度一：市场定位 (Market)

看透对手的底牌：他们的产品定位是什么？主攻学生、白领还是企业级B端？目标人群的画像越清晰，你越能找到他们没有服务好的“缝隙市场”。市场规模有多大？能否支撑你的商业闭环？

维度二：模型技术选型 (Tech) —— 这是AI时代专属的护城河

大厂闭源API（如OpenAI， 智谱）： 优势是能力强、免运维；劣势是数据隐私合规风险、长期成本极高、容易被“卡脖子”。

开源微调模型（如千问， Llama， 部署Ollama）： 优势是数据私有化、垂直场景效果好；劣势是需要强大的工程团队和算力成本。

必须扒开竞品的外衣，分析他们的底层架构。他们是单纯的Prompt套壳，还是做了深度的RAG（检索增强生成），亦或是投入重金做了SFT（监督微调）？模型性能评测结果如何？

维度三：产品功能矩阵 (Product)

拆解核心功能，构建功能对比表。直观展示各产品功能差异，找出“人无我有，人有我优”的切入点。

维度四：用户体验与交互 (UX)

不仅仅是界面好看，重点看交互流程（如何让用户以最少的Token消耗获得最准的答案）以及AI输出的内容质量。

满足不同视角的“四赢”报告

一份优秀的竞品分析报告，绝不是产品经理的自嗨，它必须同时满足四个角色的核心诉求：

1. 给老板看： 市场机会在哪？ROI（投资回报率）如何？如何帮助企业占领市场？
2. 给产品看： 我们的功能迭代路径是什么？对手的坑我们怎么避开？
3. 给研发看： 技术可行性在哪？是否需要自研模型？对产品质量和体验有何提升？
4. 给运营看： 用户的Aha Moment（顿悟时刻）在哪？如何包装卖点提升活跃度和转化率？

03 实战指南：手把手教你搭建“场景与竞品”推演沙盘

理论讲完了，作为本篇文章的最核心部分，我将给你一套拿来即用的Action Plan（行动指南）。如果你正准备立项一款AI产品，或者你的产品正面临增长瓶颈，请严格按照以下步骤进行“体检”。

第一阶段：场景沙盘推演（做离“钱”近的事）

不要一上来就画原型，先拿出一张白纸，完成以下“选词造句”游戏：

步骤 1：选词与造句（逻辑验证）

• 谁（Who）： 具体的画像（例如：刚入职两年的电商运营专员小李）。
• 场景（Where & When）： 还原时空（例如：大促前夜凌晨2点，办公室，处于极度疲惫且焦虑的状态）。
• 问题（What）： 面临的痛点（例如：需要根据上百个商品卖点，紧急生成50条不同风格的短视频脚本，并且第二天早上8点必须交差）。

步骤 2：判断合理性与角色代入

你的AI助手在这个故事里充当什么角色？是只是个“打字机”（聊天型），还是能读取他的商品表格自动输出（协作型），亦或是能自动抓取竞品电商页面直接生成对标脚本（伴随/托管型）？

核心准则：做离钱近的事。 你的场景是否直接帮用户赚到了钱，或者省下了巨额的时间/金钱成本？如果是，这就是一个刚需场景。

步骤 3：核心产出物交付

作为产品经理，你需要向团队交付以下四样东西，拒绝口嗨：

1. 场景描述（200字）： 极具代入感的微小说，明确用户、场景、问题三大关键词。
2. 用户故事板（Storyboard）： 描绘用户在遇到问题时，如何一步步打开你的AI产品，并最终解决问题的画面。
3. 用户体验地图（UX Map）： 用可视化的图表展示用户的行为流、情绪流。标注出哪些环节用户会感到沮丧（你的痛点），以及AI能力能如何赋能（我们的机会点）。
4. 数据字段汇总表： 将场景转化为冰冷的数据结构。为了实现上述流程，前端需要什么字段？后端大模型需要传入哪些Prompt变量？

第二阶段：竞品降维打击策略

步骤 1：明确分析目的与筛选竞品

不要为了分析而分析。你的目的是为了决定是否上马某个功能？还是为了制定定价策略？带着目的，筛选出直接、间接、潜在竞品各1-2家。

步骤 2：资料收集（脏活累活）

• 深度亲测：自己充值，把对手的产品用烂。用最极端的Case去测试他们的AI底线。
• 公开资料与逆向推导：爬取他们的更新日志、融资BP。通过他们的API调用延迟，逆向推导他们用的是开源模型还是商业接口。
• 用户反馈监听：去小红书、微博、App Store评论区看用户的吐槽，那里面藏着你最大的“蓝海”。

步骤 3：输出报告与落地

将上述四大维度的对比分析浓缩，最终一定要落脚到**“自身机会点分析”**。

第三阶段：全链路串联，跑通闭环

最后，将推演的结果串联进产品的全生命周期：

• 启动阶段：需求想法诞生 -> 明确“用户是谁、场景怎么用” -> 定位竞品“抄谁的/防谁的”。
• 规划阶段：输出设计图、交互图、技术规划。此时，功能导图和流程图应该严丝合缝地贴合前面的体验地图。
• 执行阶段：撰写包含极端边界Case的AI专属PRD，绘制原型，产出开发文档。
• 跟进与上线：严密监控前文设定的关键数据字段，验证场景假设是否成立。

尾声：不要用战术的勤奋，掩盖战略的懒惰

在这个AI一日千里的时代，我们每天都被各种新名词轰炸：Agent、RAG、MoE、多模态……许多团队陷入了严重的FOMO（错失恐惧症）情绪中，急于把所有新技术都堆砌到产品里。

但请记住，技术永远只是手段，产品才是目的。

当你不知道产品该往哪里走的时候，不要去问大模型，去问你的用户。去到他们所在的空间、时间、环境里；去体会他们的目标、需求、问题；去看你的竞品在哪里让他们失望了。

把这套“场景+竞品”的基本功练到极致，才是这波大模型淘金热中，最稳固的那把“铲子”。那些不尊重商业常识、只懂得套壳搞“游乐场”的公司，终将被批量淘汰；而那些潜心做基础设施、做“水电煤”、深耕垂直场景的团队，终将迎来属于他们的星辰大海。

互勉。