AI与产品经理的协作边界正在成为行业新课题。数据显示，纯AI方案的采纳率不足20%，而人机协作模式下效率可提升至90%。本文将深度剖析大语言模型的计算局限性与成本陷阱，揭示为何AI始终无法替代产品经理的业务决策能力，并给出三类已验证的高投产比AI应用场景。

在产品经理与其协作上，越来越多的团队意识到：全AI生成的采纳率往往只有10-20%（基本可以说无效），AI初稿+产品经理精修可以达到60%以上，由产品经理草图+AI完善可达到90%以上（且效率极大提升）。找到最佳协作的分界线已成为好的PM的核心能力，另外也可以思考为什么AI达不到产品经理在业务规划中的满意度？

01 AI的局限性

首先，大语言模型本质上只是基于基本数学计算运行的工具，千万不要将其想象成能够完全超越人类智慧的新物种。我始终认为，人类所能认知的事物，基本上都是基于已有知识的外在呈现。只要是依托现有知识构建的事物，就必然存在局限性。到目前为止，人类还无法完全研究清楚几乎99.99%的生物体神经网络系统的运行机制（剩下的基本都是单细胞生物，仅靠应激反应生存）。而数学公式的局限性，就在于其运行过程始终受限于自身的计算公式。在建模时，模型通常只适用于某一特定方向的理想化表达。

这就意味着，一旦脱离这个特定方向，模型的输出就可能不准确；况且，非理想化的场景才是日常常态，在这种情况下，模型出错的概率会大幅增加。

迄今为止，没有任何一个模型能够在现实生活中100%拟合不确定性的空间。如果在局部范围内出现这种情况，只能说明数据量不足。若模型在某一限定范围内的拟合准确率极高，则可判定为过拟合（简单说就是模型“学偏了”，无法适配真实场景），这也意味着该模型是失败的。

从以上分析不难看出，我们在使用大语言模型时，会发现它在某些领域的回答满意度很高，但换个领域或方向，表现就会大打折扣。它在一类常规场景下能给出近乎完美的答案，可在一些特殊场景中，给出的答案却可能错得离谱，根源就在于此。

很多人简单地认为，这是数据量不足或模型驯化不够导致的，这种说法其实非常片面。

很多时候，模型无法给出合理答案，核心问题在于其计算逻辑本身就不适合处理这类场景。而如果要对模型进行调整，代价可能会大到导致整个模型崩盘，这正是大语言模型的核心局限。

用感性思维去理解理性的数学公式，本身就是极其不合理的。就像有些场景下函数呈直线型，有些则呈指数型（当然这只是举例类比，目前LLM中的卷积应用已大致解决了这类适配问题），对于这类场景，模型必然无法实现良好的拟合。

当然，大家通常会用感性的说法来描述这些问题，比如：模型缺乏真正的理解能力和常识、存在幻觉、输出不可靠等等。

其实只要理解了以上这些，就能清楚哪些事情是AI不适合去做的。

02 无法评估的投产比

大家普遍能想到的，是AI在C端业务中的应用，尤其是它的会话能力，很多人认为它非常符合超级助理的定位，但即便如此，这并不意味着它可以应用在所有业务场景中。之前和一位同行PM聊天时得知，在DeepSeek大火的时候，他们很早就在自家的智能问答业务中接入了大语言模型。

他们的领导觉得这个举措非常超前，用户也觉得新鲜，业务参与量翻了好几倍，活跃度一度快速攀升。

业务运营同事也非常高兴，认为这个原本不起眼的板块，直接带动了各项指标的达成。

但好景不长，这个模块很快就被下架了，问题不在于用户不够积极，而是两本实实在在的账单，摆在了大家面前。

经济账本

用户参与热度攀升、积极性提高后，带来的是Tokens的快速消耗（简单说就是AI处理用户对话、文本的核心成本）。参与这个模块的用户，原本可以忽略不计的成本成本飙升。

他们拿到数据看了，甚至有用户直接复制上万字文章来问问题。

有的用户在一个窗口里持续对话可以超过两个小时。

更关键的是，大量无效对话还需要存储起来供后续分析，这也让存储成本成倍增加（尽管业务本身占用的存储并不多）。

这些无法预判的用户使用场景，最终导致AI模型的使用成本完全不可控。

这也就能解释，为什么这么易用的大语言模型，并不是所有平台都愿意面向C端开放。

另外，像京东、天猫这类已经接入AI搜索的平台，大家不妨从产品角度思考一下：它们的AI搜索真正解决了什么问题？又带来了哪些新的问题？

效果账本

至于效果，用他的话来说就是一言难尽。用户在实际使用时发现，模型对有些问题的回答错得离谱，甚至还不如之前做的常规问答小助手好用。

更麻烦的是，用户会不断问一些稀奇古怪的无效问题，AI也会一一给出千奇百怪的答案，不仅投入了成本、耽误了用户时间，还让用户产生了更多困惑。

结果就是反而直接电话客诉的人增加了，大都是说那个模块解决不了自己的问题。

除此之外，即便这个模块解决了一部分问题，但和前期的投入相比，性价比如何，一目了然。

03 可验证的AI在互联网产品中应用

上述情况来看，AI的定位首先是一款工具；而如何运用这款强大的工具，在业务中创造更高的效能，才是关键所在。以下是几类大家应用后讨论共识的部分：

① 策略类应用：AI强大的逻辑推理能力，能有效提升匹配准确率。以前需要投入巨额成本自研推荐、搜索策略，如今只需极低的成本和简单的操作，就能完成策略类应用的搭建，让每一个互联网应用都能实现千人千面的效果。

当然，实际实施时，效果与数据定义、Prompts设计等关联极强，并非所有应用都能做好，这类应用在大多数互联网业务中都很普遍，且投产比极高。

以前，任何基于策略的改动都需要投入大量开发成本，而现在，只需调整样本的标签定义、Prompts指向，就能完成调整，既快速又高效。而且在定义好效果评估指标后，模型还能持续自动输出效果数据，省去了繁琐的复盘流程。

最好的是，连A/B测试都可以在模型中验证完成。

② 面向B端的主动触发应用：这类应用通常触发频率低、目的性强、无效行为少，投产比更高。比如做一款连锁门店的会员管理AI工具，店长可以通过一个入口实现会话交互：每日的经营财报由AI分析后推送，既能查看优秀店铺的经营经验，也能通过AI排查自身店铺的不足，实现及时会诊。

同时，在客户到店环节，AI可以直接匹配用户行为进行分析，了解客户的喜好、消费习惯和服务偏好，从而制定更贴合用户预期的服务方案。

这类应用的商业价值巨大，且面向的是少数人使用的业务操作场景，用户动机明确，不会产生太多不可控的非规范化操作。

这只是其中一种应用场景，类似的B端场景基本可以一通百通。

③ 有边界的面向C端业务：如果企业不像大厂那样有充足的资金支持，就一定要吸取前面那位朋友公司的教训。当业务直接面向C端时，AI的运行效果和成本都处于不可控状态，很容易让一个无产出模块，变成低效高投入的负担，得不偿失。

因此，面向C端的AI业务一定要设置边界：比如设置问答条件阀，若用户的问题持续与本模块的知识库无关超过x次，就终止问答；也可以限制问答文本的长度，对超出一定字数的文本进行限制；还可以设定有效问答的次数上限。总之，要在问答有效性和成本控制之间找到平衡点，设置合理的边界。

04 业务仍是关键，工具仅是辅助

AI从来不是万能钥匙，对业务本身产生帮助，才是它的存在意义。如今，即便是京东、天猫这样的互联网大厂，大家看到它们集成的AI搜索，真的觉得这是一款优秀的产品吗？我想，大厂内部肯定也会算一笔账，只不过这笔账的计算逻辑，可能并非基于业务本身，而是基于某些考核数据。

但行业中依然有清流存在，比如直到现在，在AI热度居高不下的当下，手握大量现金流的拼多多，在面向用户的应用中，几乎看不到任何AI的影子。

跳开现象看本质，我们使用工具的核心目的是解决业务问题。工具本身无法凭空创造业务，哪怕是强大的AI也不例外。如果AI的应用有价值，就大胆投入使用；如果暂时没有价值，保持现状、不盲目投入，本身也是一种理性的选择。

产品经理的核心，从来不是“会做什么”，而是“能决策什么、能为业务创造什么价值”——这一点，AI永远无法替代。