AI产品PRD不是简单替换'系统'为'AI'。真正关键的是定义能力边界、数据质量、人机协作与效果评估。本文从六大维度拆解如何设计一套面对不确定性仍能稳定交付业务价值的机制，让AI产品真正可用、可信、可控。

过去一年，我看过不少AI产品PRD。

最常见的问题是：很多时候就是把传统PRD里的“系统”换成了“AI”。

原来写“系统根据规则生成结果”，现在改成“AI生成结果”；原来画固定流程，现在加一个大模型节点；原来写接口和字段，现在多写一段Prompt。

真正进入开发和上线阶段，问题就来了：AI答错怎么办？什么情况必须人工确认？数据过期谁负责？效果达到多少才能上线？

这些问题，不该等上线后再解决，而应该在PRD里提前回答。

传统软件是在固化确定的业务规则；AI产品则要在不确定性中，持续交付“可用、可信、可控的业务结果”。

01.先回答：为什么一定要用AI？

不是所有问题都需要大模型。库存低于安全线自动预警，规则引擎更稳定；销量预测，机器学习可能更合适；补货量和运输路径计算，往往需要运筹优化。

大模型真正擅长的是理解语言、检索知识、解释推理和跨系统完成任务。

所以AI产品PRD不能只写“接入某个模型”，还要写清楚：现有方案有什么瓶颈？不引入AI会怎样？AI究竟比规则、算法或人工多创造了什么价值？

问题决定技术方案，而不是模型热度决定产品方案。

02.不只写“能做什么”，还要写“不能做什么”

传统系统输入条件不变，输出通常也是确定的；AI却具有概率性。因此，PRD必须定义三层边界：

1. 自动执行：风险低、结果可逆的任务，如查物流、文档分类。
2. 推荐＋确认：涉及金额、客户权益或重要决策时，AI给建议，人来拍板。
3. 禁止触碰：资金账户、敏感信息、不可逆操作，明确不让AI执行。

边界写得越清楚，研发越好实现，业务越敢使用。

03.数据不是附件，而是源泉

企业知识库没有更新，AI就会引用过期制度；历史工单分类混乱，模型就会学到错误规律；客户数据没有做好隔离，再高的准确率也没有意义。

AI产品PRD要单独写清楚数据来源、格式、更新频率、质量标准、标注方式、负责人以及安全要求等。

模型可以买到，真正形成壁垒的，往往是持续获得高质量业务数据的能力。

04.流程图里，要多出“AI”和“人工”两个角色

B端AI很少能够100%自动化。用户真正关心的是：AI在哪一步介入？做完以后谁确认？出错以后谁接手？

典型流程应该是：

用户发起任务 → 系统检索数据 → AI生成建议 → 判断置信度 → 高置信度直接返回 → 低置信度进入人工复核

同时还要设计异常路径：模型超时怎么办？知识库没有答案怎么办？

用户连续否定怎么办？外部接口调用失败怎么办？

优秀的AI交互，不是让人相信AI永远正确，而是让人随时知道：AI做到了哪一步、依据是什么、自己还能做什么。

05.验收不只是“功能做完了”

传统功能可以验收按钮、流程和数据；AI产品还要设定效果门槛。

技术层面要看准确率、幻觉率、响应时间、安全性和调用成本；产品层面要看建议查看率、采纳率、用户修正率和最终节省的时间或成本。

如果推荐准确率达到90%，用户采纳率却只有20%，问题可能不在模型，而在推荐理由不透明、入口不符合工作习惯，或者用户不愿承担责任。

技术达标不等于产品落地。

06.上线不是终点，要提前设计迭代飞轮

用户每一次采纳、修改、驳回和转人工，都是AI产品最有价值的数据。

PRD需要提前规定：记录哪些行为？谁来标注Bad Case？知识库多久更新？Prompt、规则和模型分别在什么情况下调整？

真正有竞争力的AI产品，不是第一版就最聪明，而是能形成一个持续循环：

> 用户使用 → 反馈沉淀 → Bad Case标注 → 数据和方案优化 → 效果提升

写在最后

综合以上6部分的总结

AI产品PRD并不是在传统模板后面增加一个“模型选型”章节。它需要把能力边界、数据、人机协作、效果评估、风险兜底和持续运营等层面，全部纳入产品设计。

说到底，传统PRD是在描述一个确定的系统；AI产品PRD是在设计一套“面对不确定性，仍能稳定交付业务价值的机制”。