用户需求中大量内容无法被完整表述，这成为产品评审争议的根源。本文借助波兰尼的隐性知识论与KANO模型，构建了一个对接框架，揭示隐性需求的双向结构：向下的基本型与向上的兴奋型。

需求分析，很考验基本功，因为用户需求中，有相当一部分，没办法被完整表述出来。波兰尼的知识论将知识区分为显性与隐性，KANO模型将需求分为基本型、期望型与兴奋型——两套理论从不同维度切入同一问题，其底层逻辑存在明确的对应关系。笔者将在本文中尝试，在二者之间建立起一个对接框架，分析隐性需求的双向结构（向下的基本型与向上的兴奋型），并探讨其中的判断力价值。

一、一些常见的场景

评审会上，需求方提出”销售管理系统需要客户跟进记录功能”；开发完成实现，上线后，需求方反馈：”跟进记录里怎么不能关联到该客户的历史报价单？我跟进的时候需要看到上次报了什么价、对方什么反应。”开发回应：”你们只提了跟进记录模块，没有写关联报价单。”业务方再回应：”做客户跟进不关联报价记录，那跟进的上下文在哪里？”

就这样，双方各执一词。

类似的场景，很多项目上会遇到，具体表现形式可能不同。有时候是”搜索当然要支持模糊匹配”，有时是”列表当然要能排序”，有时候是”表单当然要能保存草稿”，……，这类争议的共性：需求方认为某项能力是”理所当然”的，因此没有讲出来；而开发团队会以”PRD未载明”为由，不认可。这些问题的本质不是谁对谁错，而是用户需求中，存在大量未被表述的内容。

笔者认为，这一现象可以从两个理论视角加以解释：迈克尔·波兰尼的知识论解释了”为什么有些需求说不出来”，狩野纪昭的KANO模型解释了”说不出来的需求为什么重要”，二者之间存在清晰的对应关系，而这种对应关系对需求分析，具有比较直接的指导意义。

二、两套理论的核心命题

波兰尼：显性知识与隐性知识

1966年，匈牙利哲学家迈克尔·波兰尼在《隐性维度》一书中提出了一个影响深远的命题：”我们能知道的比能说出的多。”他将人类知识区分为两类：

• 显性知识（Explicit Knowledge）——可以用语言、文字、符号等方式清晰表述并传播的知识。其特征是可编码、可存储、可传递。书本、文档、公式、规范等均属显性知识范畴。
• 隐性知识（Tacit Knowledge）——无法被完整表述、内嵌于个体经验之中的知识。其特征是不可编码、高度个人化、难以形式化传递。技能、直觉、判断力、审美等均属隐性知识范畴。

波兰尼的核心洞见在于：隐性知识不仅存在，而且是人类认知的基础。显性知识只是冰山一角，水下的隐性知识才是支撑认知与行动的主体。

KANO：需求的三种类型

1984年，日本质量管理学者狩野纪昭提出了KANO模型，将产品需求按用户满意度与功能实现程度的关系分为三类：

KANO模型的核心洞见在于：不同类型的需求对用户满意度的影响机制完全不同，因此不能用同一套方法处理。对基本型需求，重点是”不缺”；对期望型需求，重点是”更好”；对兴奋型需求，重点是”惊喜”。

三、对接框架：知识属性与需求类型的对应关系

波兰尼的知识分类与KANO的需求分类，分别从认识论与质量管理两个独立领域切入，但二者在需求分析的实践层面存在明确的对应关系。

这个框架揭示了一个重要事实：用户能够明确表述的期望型需求，只是全量需求的一部分。需求的完整光谱，从向下的基本型到向上的兴奋型，两端均会大量延伸至隐性知识的领域。只处理显性层面的期望型需求，会同时遗漏两个方向的隐性需求——向下遗漏基本型，导致用户不满；向上遗漏兴奋型，导致产品平庸。这可能就是是”功能都做了，但用户就是不满意”的根本原因。

四、向下的隐性：基本型需求的识别与风险

基本型需求的特征是”有了不觉好，没了受不了”。这类需求大部分处于隐性知识的领域，用户不会主动提及，因为在他们的认知框架中，这些是项目”理应具备”的基础能力。

笔者分析，基本型需求落入隐性知识的机制，有两层：

第一层：行业默认规则。不同行业中，会存在不同的”默认配置”。在电商领域，购物车、收藏、地址管理属于基本型需求；在办公软件领域，保存、撤销、导出属于基本型需求。这些功能在行业内高度同质化，用户默认新产品也应当具备，故不会特意提出。

第二层：业务流程隐含。用户的业务流程中存在大量”理所当然”的环节。例如，在财务系统中，凭证审核后才能记账，这是财务流程的基本规则，用户不会特意说明”系统需要支持审核流程”，因为在他们看来这是财务系统的题中应有之义。

所以，基本型需求的风险在于：缺失成本极高，而识别成本也不低。一个基本型需求未被满足，可能导致整个项目的用户体验崩塌；但要满足全量基本型需求，又需要对行业和业务有深度的理解。

PM在基本型需求层面的核心能力，是隐性知识的显性化能力，即，将用户认为”理所当然”而未说出口的需求，提前识别并纳入交付范围。这种能力，没办法单纯依靠访谈获得，因为用户不知道自己需要把这些需求”说出来”。所以，有效的路径是，深入业务现场，观察真实工作流，识别流程中的隐含假设。

五、向上的隐性：兴奋型需求的挖掘与价值

兴奋型需求的特征是，”没有不觉缺，有了很惊喜”。这类需求完全处于隐性知识领域。用户自己也不知道自己想要什么，直到项目做出来并摆在面前。

兴奋型需求落入隐性知识的机制跟基本型需求不同：

不是”以为当然所以不说”，而是”从未想到所以不说”。用户无法提出超出自身认知边界的需求。在打车软件出现之前，用户不会提出”我需要在手机上实时看到出租车驶来的路线”，他们只会觉得在路边等车太漫长，但想不到等待本身可以被可视化；在协同文档出现之前，用户不会提出”我需要多人同时编辑同一份文档”，他们只觉得文件来回传输版本混乱，但不会想到编辑方式可以被重构；在电子签章普及之前，用户不会提出”我需要在手机上完成合同签署”，他们只觉得纸质合同来回邮寄耗时太长，但想不到签约方式本身可以被替代。这些需求不存在于用户的认知框架中，因此没办法被表述出来。

兴奋型需求的挖掘难度高于基本型需求。基本型需求至少有一个明确的方向——”行业惯例””业务常识”，只要理解足够深就能识别。兴奋型需求则没有现成的方向，它需要在对业务、技术、用户三者的交叉理解中，创造性地提出一个用户未曾设想过的解决方案。

在兴奋型需求层面的核心能力，是在认知边界之外发现价值的判断力。这种能力包含三个要素：对用户痛点的深度感知、对技术可能性的准确判断、对二者结合点的创造性发现。三者缺一不可。

兴奋型需求是产品差异化竞争的核心来源。当行业内的产品在期望型需求上趋于同质化时（你快我也快，你功能多我也多），兴奋型需求的发现与实现，就成为拉开差距的关键变量。

六、PM的判断力：隐性需求的双向挖掘

将上述分析整合，可以得出一个关于需求分析能力的完整框架：

只处理显性层面的期望型需求，是基础能力，但非核心能力——因为这部分工作正在被AI快速替代。结构化的需求梳理、功能点拆解、PRD撰写，AI已可提供高效辅助，在某些场景下甚至优于初级PM。

产品岗的核心价值在于对隐性需求的双向挖掘：

• 向下挖掘基本型需求，确保产品不出现”低级错误”，避免用户因基础能力缺失而产生不满。这是产品体验的底线保障。
• 向上挖掘兴奋型需求，创造超出用户预期的价值，为产品建立差异化竞争优势。这是产品竞争力的上限来源。

双向挖掘的共同基础，是PM对业务与用户的深度理解。深度理解不是靠读报告、听汇报获得的，而是靠深入业务现场、参与真实流程、观察用户行为获得的。隐性知识之所以隐性，正是因为它无法通过语言完整传递——只能在实践中习得，在经验中沉淀。

这也解释了为什么AI难以替代资深PM的需求分析工作。AI擅长处理显性知识——它可以快速阅读大量文档、归纳总结、生成结构化需求。但AI不具备真实的业务体验，不具备在现场观察中发现隐性需求的能力，更不具备在认知边界之外创造兴奋型需求的能力。这些能力的本质是判断力，而判断力是隐性知识的最高形态。

七、实践路径：从方法到习惯

隐性需求的挖掘不是一种可被程序化的方法，而是一种需要持续训练的能力。这里，笔者分享4个实操方法：

1）深入业务现场

不要只在会议室里听需求。到用户的工作场景中去，观察他们如何完成一项任务、在哪些环节遇到阻碍、哪些操作是他们默认应该有的但系统没有提供。现场观察所获得的信息密度，远高于任何形式的访谈。

2）建立行业常识库

基本型需求很大程度上是行业共识。进入一个新领域时，主动研究该领域的标杆产品、最佳实践、行业标准，建立起”这个领域的产品通常具备哪些基础能力”的常识框架。有了这个框架，就能快速识别哪些需求属于”默认应该有”的基本型。

3）训练”假设—验证”的思维方式

兴奋型需求的发现不是靠灵感，而是靠持续的假设与验证。基于对用户痛点的理解，提出”如果这样做会不会更好”的假设，然后用最小成本的方式去验证。多数假设会被证伪，但少数被验证的假设，就可能成为产品的差异化优势。

4）接受模糊性

隐性需求的挖掘不存在标准答案。你无法确定自己是否穷尽了所有基本型需求，也无法确定某个兴奋型需求是否真的能带来惊喜。接受这种模糊性，在信息不完备的情况下做出判断，并承担判断的后果——这本身就是判断力的一部分。

八、结论

波兰尼说”我们能知道的比能说出的多”，这句话在需求分析领域同样成立。用户的需求光谱，远比他们能够表述的要宽广。向下延伸至基本型需求——那些用户视为理所当然、不会特意提及的基础能力；向上延伸至兴奋型需求——那些用户自己也未曾设想、却能带来惊喜的创新能力。

KANO模型为理解需求的不同类型提供了分类框架，波兰尼的知识论则揭示了不同需求类型背后的认知机制。二者的对接表明：PM的核心价值不在于处理显性的期望型需求，而在于挖掘隐性的基本型与兴奋型需求。

当AI越来越擅长处理结构化、显性化的需求工作时，产品岗的价值重心会向隐性知识领域迁移，这在AI快速发展的当下具有特殊意义。谁能更有效地挖掘隐性需求——向下守住基本型的底线，向上探索兴奋型的边界——可能谁就会拥有AI时代独特的核心竞争力。

而挖掘隐性需求的能力，说到底，是一种判断力。它或许可以被写进方法论，甚至被编码为算法；但在笔者看来，更好的方式，是让它在每一次踩坑、复盘、迭代中，在持续的实践与反思里慢慢沉淀。这个过程也许会很慢，但也正因缓慢，才会更扎实、更深刻。