当通用模型越来越易得，AI 产品的竞争焦点正从模型能力转向任务结果。本文从智能服务定义、Agent 立场、技术形态选择到持续服务设计，拆解 AI 产品经理如何构建真正的壁垒：不是功能演示，而是稳定交付用户愿意反复托付的任务。

最近看了《原点 The Origin》的一期对谈，王钦文和海银资本创始人王煜全聊了近一个小时。

这期节目跨度很大，从英伟达和自动驾驶，一路聊到用户侧 Agent、人形机器人和中国 AI 创业。里面有几个值得拿出来讨论的问题：为什么判断产业趋势要寻找领先指标，而不是等收入和利润验证；AI 是否能把人的专业经验变成规模化交付的智能服务；代表用户行动的 Agent 会不会削弱超级 App 的入口优势；为什么王煜全认为“人形是伪需求，伪人形是真需求”；以及当模型差距逐渐缩小时，场景、工程能力和问题定义会不会比单纯追求模型性能更重要。

这些判断并不都适合直接当成结论。尤其是 2029 年泡沫、科技巨头的命运和具体产业的胜负，都带有很强的预测性质。但剥离这些吸引眼球的判断后，这期节目留下了一个离 AI 产品经理和创业者更近的问题：

当应用层团队越来越容易调用通用模型，一款 AI 产品究竟靠什么，让用户持续把任务交给它？

一、AI 产品的基本单位变了：从功能转向任务结果

节目里，王煜全把智能革命理解为对人的经验和专业服务的规模化复制。他进一步提出，智能服务应当具备四个特征：专家级、个性化、普惠和持续。

这组判断很有启发，但它更像一种服务愿景，还不是完整的产品定义。落到产品经理手里，首先要分清两个层次：模型完成了一次输出，不等于用户完成了一项任务。

一款产品能总结报告、生成方案或者回答问题，证明的是功能可用。用户真正关心的是，关键事实有没有被遗漏，方案能不能支持下一步决策，问题是否在可以接受的时间和风险范围内得到解决。

比如，替销售生成一封跟进邮件只是功能；帮助销售判断客户所处的阶段，并交付一封结合当前沟通背景、可以直接采用的邮件，才更接近任务结果。前者回答“AI 会什么”，后者回答“用户的事情有没有因此向前推进”。

因此，在讨论模型、Agent 和界面之前，团队可以先完成一张“智能服务定义卡”：

1. 谁在使用这项服务，谁会受到结果影响？
2. 用户真正要完成的高价值任务是什么？
3. 什么结果才算这项任务已经完成？
4. 任务多久发生一次，是否需要记住历史和上下文？
5. 出错的代价是什么，哪些判断或动作必须由人确认？
6. 失败后由谁接管，反馈如何影响下一次服务？
7. 这张卡会改变两类人的工作起点。

对产品经理来说，PRD 不应再从“接入哪个模型、增加什么入口”开始，而要先定义任务、结果和边界。对创业者来说，它也能排除一批看起来惊艳、实际上没有稳定需求的演示：任务是否重复发生，结果是否能够验证，用户是否愿意持续付费或持续托付，往往比单次生成效果更重要。

模型输出是功能，稳定交付结果才开始接近产品。

二、Agent 到底代表谁

当 AI 开始调用工具、替人行动，产品经理就需要重新定义代理关系。Agent 可以替用户比价、订餐，也可以替企业筛选线索、触达客户。它们都会执行任务，却可能代表完全不同的利益。

在节目嘉宾的分析框架里，过去的平台型应用更接近平台侧或供给侧应用。一次推荐既要回应用户需求，也可能服务于平台成交效率和商家经营。王煜全据此推演，未来代表用户行动的 Agent 可能跨越单个平台，按用户偏好调用服务，削弱超级 App 的入口优势。

这是一个有待验证的产业假设。它能否成立，还取决于数据开放、平台接口、商业利益和监管边界。

对产品团队来说，更近的问题是：如果一个点餐 Agent 替用户做决定，它优化的究竟是平台成交额，还是用户的预算、口味和时间？同样是完成一次下单，因为“代表谁”不同，推荐逻辑、成功指标和责任边界都会改变。

Anthropic 将工作流和 Agent 做了区分：工作流沿预设路径组织模型与工具，Agent 动态决定步骤和工具。它建议从最简单的可行方案开始，只有任务确实需要灵活决策时才增加自主性。

路径明确、规则稳定的任务，用工作流往往更可控；当步骤难以提前写死，而且动态决策能明显改善结果时，才有必要使用 Agent。

立项前，可以做一次“Agent 立场审计”：

1. 它究竟代表谁？
2. 用什么标准判断成功？
3. 可以使用哪些数据？
4. 被授权做到哪一步？
5. 利益冲突或出错时，如何解释、撤销并交还控制权？

这五个问题会直接影响产品需求、评测和商业模式。一个真正站在用户一侧的 Agent，关键不在说话更像人，而在它的目标、数据使用、权限和责任都与用户利益一致。

三、先选任务，再选技术形态

节目里，王煜全用“人形是伪需求，伪人形是真需求”来质疑对人形机器人的追逐。这个判断涉及行业预测，不宜直接照单全收；但它可以被转成一个更稳妥的产品原则：形态是答案，不是问题。先问任务是否真实，再问什么技术最合适。

酒店送物机器人就是一个容易理解的例子。它要完成的是取货、移动、避障、交付和返回。只要任务目标明确、环境相对可控，机器是否长得像人并不重要。人形可能有助于进入人的空间，也可能增加成本、维护和安全难度。技术形态应该服从任务约束，而不是替任务创造价值。

产品经理和创业者可以用一张“AI 机会筛选矩阵”做第一轮判断。纵轴看任务价值：发生频率、用户痛点、付费意愿或不做它的损失；横轴看 AI 适配度：任务是否处在数字环境中，规则是否相对稳定，结果是否可验证，失败是否可控。

高价值、高适配的任务，优先进入产品验证；高价值、低适配的任务，需要人机协作，不能一开始就追求全自动；低价值、高适配的任务，容易停在漂亮演示；低价值、低适配的任务，暂时不值得投入。

立项前还可以追问五件事：

1. 这个任务多久发生一次？
2. 用户现在用什么方式解决，代价是什么？
3. AI 真正能改变哪个关键环节？
4. 完成任务所需的上下文和反馈是否可获得？
5. 出错后能否撤销、补救或交给人处理？

如果一个想法只能回答“模型有多强”“外形多酷”或“演示多流畅”，却说不清谁有痛、多久发生、如何验收，它更像技术展示，而不是产品机会。对产品经理，这套方法帮助团队先写清任务和验收条件；对创业者，它能减少把热闹的技术形态误当成真实需求。

四、把一次回答做成持续服务

前面三章解决的是“做什么”和“替谁做”。真正难的下一步，是让一次回答变成用户愿意反复托付的服务。

McKinsey 2025 年的全球调查提供了一个值得注意的对照：88% 的受访者表示，所在组织已经在至少一个业务职能中经常使用 AI；但接近三分之二的受访者说，组织还没有开始在企业范围内规模化，只有约三分之一表示已经开始规模化。调查还显示，被归为 AI 高绩效组织的受访者，报告“根本性重设计工作流”的可能性接近其他组织的三倍。

这说明，使用 AI 和从 AI 获得稳定价值，中间隔着一次工作流重设计。把模型接进原有页面，通常只能增加一个入口；要让 AI 真正承担任务，必须重新安排上下文、权限、人工判断和结果验收。

可以把一项 AI 服务拆成六步：

1. 触发任务：系统知道用户为什么在此刻需要帮助。
2. 获取上下文：读取完成任务所需的信息，并明确数据授权。
3. 生成可审阅结果：输出方案、草稿或下一步建议，避免只给一段看似完整的文字。
4. 请求授权并执行：涉及外部动作、费用或责任时，把确认点放在正确的位置。
5. 验证结果：检查任务是否真的完成，不能把模型说“已完成”当成事实。
6. 处理异常并沉淀反馈：失败时交给合适的人处理，并记录哪些地方需要改进。

例如，客服 Agent 不应止步于解释退款规则。它还要识别具体订单，判断规则是否适用，形成可审阅的处理方案，在需要时请求授权，完成操作后确认结果；遇到信息不完整或规则冲突，则把问题交给人工，而不是继续生成一段听起来确定的答案。

因此，AI 产品的核心指标也要从聊天次数、生成次数转向任务结果：任务完成率、交付时间、返工率、人工接管率、错误和回滚率，以及用户是否愿意再次把同类任务交给它。

对产品经理来说，这意味着 PRD 要同时写清触发、上下文、权限、验收和兜底；对创业者来说，这些环节决定了服务成本、交付稳定性和客户是否会留下来。真正的产品化，是让用户少操心一次，并且知道出了问题谁会负责。

五、模型之外，壁垒在哪里

当越来越多应用层团队可以调用相近的通用模型，竞争就不会只由谁先接入模型决定。节目里，王煜全把中国 AI 的机会归到工程能力、应用场景、数据和定义问题的能力；他还判断，模型公司之间的性能差距可能逐渐缩小。后一句是嘉宾的行业判断，不是已经被证明的事实。但它提醒产品经理和创业者：模型是必要条件，却未必是长期壁垒。

对多数应用层 AI 产品，真正可积累的优势至少有五层：

1. 问题定义与场景选择：找到频繁、重要、可验证的任务，并把边界说清楚。
2. 工作流与工程交付：把模型、数据、工具、权限和人工接管组织成稳定服务。用户感受到的，是系统能否按时交付，而非模型参数。
3. 真实结果数据与反馈：沉淀任务是否完成、哪里出错、用户如何修正，而不是只积累聊天记录。
4. 信任、责任与持续关系：让用户知道系统看了什么、做了什么、出了问题谁负责，并提供授权、撤销和人工介入的边界。
5. 分发能力与服务经济：拥有触达目标用户的渠道，并让交付成本随着规模下降。效果不错但获客昂贵、部署困难的产品，也很难形成商业壁垒。

这五层不要求创业公司一开始全部具备，但要知道自己正在积累哪一层，以及哪一层会随着使用增长而变强。对产品经理来说，它们对应需求、流程、数据、权限和指标；对创业者来说，它们决定公司是否会因为换一个模型供应商就失去价值。

可以用一个反向问题检查自己的壁垒：如果明天就能换用更便宜、更强的模型，产品还剩下什么？如果答案只剩下一套 Prompt 和一个界面，优势很可能停留在演示层；如果还剩下独特的任务理解、工作流、结果数据、交付关系和分发渠道，才有机会形成长期竞争力。

六、从终局倒推，但必须允许自己判断错

节目中，王煜全强调“提前量”和“超前量”：不要等收入和利润已经出现，才承认一个方向有价值，而要先判断未来的成功者会站在哪里，再寻找今天已经出现的领先信号。

这个方法有用，但也最容易制造错觉。预测一旦说得足够宏大，任何结果都可以被解释成“早就预判过”。所以，从终局倒推不能只是讲一个未来故事，而要把故事写成一组可以被验证、也可以被推翻的假设。

可以做一张“终局倒推表”：

1. 终局是什么，用户和行业会发生什么变化？
2. 为什么用户会改变现在的选择？
3. 产品要在新关系中占据什么位置？
4. 为了占据这个位置，必须具备哪些能力？
5. 今天已经有什么证据，而哪些只是愿望？
6. 下一步用什么实验验证，观察多长时间？
7. 出现什么结果时，说明这个判断可能错了？

例如，创业者可以判断“用户会把一类高频任务交给 Agent”。这不是结论，而是待检验假设。领先指标就不应是发布会上的演示次数，而应包括用户是否重复委托、任务是否完成、授权率是否提高、人工接管是否下降、单次交付成本是否持续降低。

还需要给判断设置反证机制：

• 把事实、预测和愿望分开写；
• 为关键指标设置阈值和期限；
• 主动寻找不支持自己的证据；
• 到期复盘，而不是不断延长观察期；
• 预先写明调整方向或停止条件。

对产品经理来说，这套方法能避免把一个宏大趋势直接翻译成需求；对创业者来说，它能把“我要押注未来”变成一组有时间、有指标、有退出条件的经营决策。

真正重要的，可能不是准确猜中 2029 年会发生什么，而是在判断错之前及时发现，并把产品重新带回用户愿意持续托付的任务上。对应用层 AI 来说，下一道分水岭在于能否稳定交付高价值结果，展示模型有多聪明并不是核心。