当AI能像产品经理一样理解需求、构建应用并持续迭代，产品形态将发生根本改变。本文通过一家服装品牌的案例，推演AI如何围绕问题生长，从分析积压与退货到自主改进功能，并探讨当实现变容易后，想象力、创造力和判断力为何成为更稀缺的能力。

设想一家小型服装品牌，有百来款商品，同时经营两个线上渠道。订单看起来不少，仓库里却总有一批衣服卖不动，退换货也迟迟降不下来。经营者很清楚自己想要什么：减少积压和退换货，同时保留品牌的设计特色，不能长期靠打折卖货。

在这家品牌原有的软件里，订单、库存、客服和营销各有一个后台。要弄清问题，得先导出订单，按款式和尺码核对库存，再翻退货记录、查活动数据。最后还要决定，到底是调整补货、修改商品介绍，还是改变促销方式。软件提供了功能，分析和取舍仍然压在用户身上。

即使每个后台都接上 AI，只要用户仍然需要自己找原因、拆任务、安排下一步，这套分工就没有发生根本变化。操作可以更快，用户却依然得知道该怎样解决问题。

而用户找上 AI，往往正是因为不知道该怎么办。

让产品围绕问题生长

对未来产品的想象，可以从这里往前走一步：假设 AI 已经能够理解需求、比较方案、开发应用，还能在实际使用中发现不足并修改自己的设计，那么，可以把它放在产品经理的位置上。用户说明目标和条件，AI 决定需要做什么产品，并把方案实现出来。

这要求 AI 有自己的分析和判断。用户说“减少积压”，它需要先弄清积压从哪里来；用户说“降低退货”，它也得判断退货和积压是否属于同一个问题。它接到的任务，是解决这家品牌的具体困难。功能清单要经过调查和推敲才能形成。

继续推演这家服装品牌的情况。AI 接入用户允许使用的订单、库存和售后数据后，先按款式、尺码和渠道拆开来看。某款衣服总体卖得不错，可能只是其中两个尺码卖得好；退货集中在另一款商品上，也可能与库存积压无关。商品总销量并不能直接解释这两件事。

图2｜Shopify 官方库存界面示例，按商品、SKU 和数量组织信息。用作现有工具形态的参照，并非文中品牌的真实数据。来源：Shopify 官方文章

根据这些差异，AI 做出第一版应用。经营者打开后，看到的是一个围绕待解决问题组织的工作页面：哪些款式需要调整补货，哪些退货原因还不清楚，哪些措施正在试行。点进某个问题，相关订单、库存、反馈和处理记录都在一起。用户可以直接处理一件事，无需先在几个后台之间拼凑上下文。

这已经改变了原来的产品形态。过去由软件菜单决定用户去哪里找信息，现在由需要解决的问题决定页面上出现什么。至于为什么把这些数据放在一起、需要什么操作，都是 AI 根据需求作出的产品判断。

第一版之后，AI 还要改进应用本身

但第一版应用做出来，麻烦可能才刚开始。

假设试运行后，积压问题有了改善，部分款式的退货却没有减少。AI 继续查看记录，发现大量退货只填了同一个原因：“尺码不合适”。它无法据此区分肩部偏紧、袖子过长，还是顾客本来就喜欢宽松版型。继续分析同一批数据，也补不上这个缺口。

问题落到了应用自身：原来的售后功能，没有留下解决问题所需要的信息。

如果 AI 能承担产品经理的工作，就应该由它提出并实现下一轮改动。它可以在相关款式上增加一个简短、可选的试穿反馈环节，让顾客指出具体哪里不合适；在经营页面中加入版型问题的归类视图，并把反馈与具体款式、尺码关联起来。获得足够依据后，再调整商品页的版型说明和尺码提示。

图3｜Shopify 官方退货界面示例：原因细分到“太大、太小、太宽、太窄”。具体的反馈选项让问题更容易辨认；此图不代表文中应用已由 AI 自主实现

这些功能不是用户事先点名要求的。用户没有说“开发一个试穿反馈模块”，只提出了退换货的问题。AI 自己发现现有功能不足，决定需要收集哪些信息、怎样呈现、如何接入原来的流程，再将它们做成可运行的新功能。这时，AI 已经在改变应用本身。

改完之后，还要继续观察。反馈是否容易填写，是否真的帮助辨认了问题，新的提示有没有减少同类误选，新增步骤会不会妨碍购买，都影响这个版本是否值得保留。AI 可以先在部分款式上检验，并结合相近款式、订单量和售后反馈判断效果。一次数据波动，还不足以说明改动成功。

这里的“求知欲”就有了具体落点：方案已经交付，问题仍然存在，AI 会继续追查原因，也会检查自己的设计。它发现信息缺口，就改进获取信息的方式；发现原来的功能无效，就调整或撤掉。探索原因、实现改动、验证结果，需要接着做下去。

从两个独立的订单后台、一套库存工具和一堆售后记录，到围绕品牌经营问题持续调整的应用，变化显现在界面上，也发生在界面背后的分工里。AI 负责理解需求、选择功能、组织流程、完成开发，并根据效果继续迭代。产品形态因此不必在第一版就全部确定。

这个案例是对未来能力的推演。AI 得能可靠地理解业务、修改应用、检验效果，持续运行的成本也要足够低。产品经理这个称呼本身，并不能替代这些条件。但只要这些能力逐渐成熟，就有理由重新考虑：哪些工作还需要用户事先想好，哪些可以交给 AI 完成？

现实中的部分能力已经出现。例如，Shopify 官方文档说明，Sidekick 可以根据描述生成、修改后台应用，生成的应用仍有运行范围和权限限制。本文进一步讨论的，是 AI 能否持续发现业务中的信息缺口、调整产品设计并检验效果；已有的应用生成能力，并不等于这整段过程已经能够可靠地自主完成。

当实现变容易，什么需求值得被实现

到这里，另一个问题才浮现出来。假如做出一个应用越来越容易，用户究竟凭什么提出一个值得做的需求？

回到那家服装品牌。减少退货、清理积压，是眼前需要解决的困难。可品牌接下来想给顾客提供怎样的体验，这些指标并没有回答。是继续让顾客在大量单品里挑选，还是帮助他们用更少的衣服，搭配出更适合日常生活的衣橱？两种目标，都可以做成产品，也会带来不同的经营选择。

这就需要想象力。它让用户看见现有菜单和功能之外的可能：如果顾客买衣服时，能从自己已有的衣橱出发，知道新的一件怎样搭配、适合哪些场景，购物体验会是什么样？这样的问题，能够把需求从修补眼前流程，推向一种尚未形成的服务。

创造力则需要把这种想象变成有特点的主张。品牌可以结合自己的设计语言和顾客的通勤习惯，提出“让已有的衣服更好搭配”的服务方向，围绕不同生活场景，帮助顾客找到衣橱里真正缺少的那一件。这个想法来自对审美、场景和真实困扰的重新组合。具体用什么界面、需要哪些功能，仍然可以由 AI 设计和实现。

判断力会在更棘手的地方出现。比如，某种有辨识度的剪裁更挑身形，也更容易引发退换货。AI 可能给出缩减这类款式的方案。从降低退货的目标看，这个建议说得通。但这种剪裁恰好是品牌被喜欢的原因，经营者是否愿意为了保留它，接受一部分退换货成本？这就需要权衡什么值得坚持，以及愿意为此承担什么代价。

AI 同样可以提出创意、比较方案、作出判断。用户的价值不需要建立在“这些能力只能由用户拥有”上。关键在于，方案越来越容易获得以后，选择什么方向、辨认什么有价值，会变得更加重要。一个实现得很漂亮的应用，也可能在高效地追逐一个并不值得追求的目标。

因此，在这样的未来，想象力、创造力和判断力可能成为更稀缺的能力维度。想象力让需求有机会越出现有产品的边界，创造力赋予需求独特的内容，判断力决定哪些结果值得追求。用户只需要提出需求，也就意味着需求本身的质量会产生更大的影响。

最初，服装品牌只想减少积压和退换货。AI 可以围绕这个目标，定义并迭代一套新的经营应用。后来，经营者希望帮助顾客建立更适合自己的衣橱，AI 又可以据此构思另一种产品。技术把两种想法变成可用的服务，想法从哪里来、服务值得走向哪里，仍然需要用户不断思考。

下一代 AI 产品的形态，可能就在这样的合作中形成：用户看见值得解决的问题，提出希望实现的体验；AI 像产品经理一样理解需求、构建方案，并在使用中持续改进。当实现想法的工作越来越多地交给 AI，能否想象值得实现的事，便成了更重要的问题。