产品团队为何卡在AI采用与成熟度之间

赞助文章：如今当我遇到卡壳的问题时，我的第一反应通常是去问我的 AI。答案几秒钟就出来了，听起来很合理，而且十有八九我会直接采用。

我想我不止一个人这样。短短几年间，AI 就从一项实验性的副业变成了工作完成方式的关键组成部分——而产品团队一直站在这一变革的最前沿。在 airfocus by Lucid 最近对 500 位产品负责人的调查中，96% 的人表示他们在日常工作中使用 AI。71% 的人表示，如果明天 AI 就从他们的工作流程中被移除，他们的工作成果将会受损。

然而，如果把“问我的 AI”这种条件反射乘以每一位产品经理、每一天，一个更大的问题就会浮现出来。产品经理们现在每天都在用 AI 优化各种各样的任务，但这主要还是发生在个人层面，这可能导致低效。为每个请求临时拼凑必要的上下文既浪费时间又浪费 token，而且往往产出的是通用的、不适用的结果。很少有公司能将其提升到机构层面，这常常导致协同、沟通和清晰度方面的问题。

这种差距从何而来？为什么如此难以克服？

更完整的调查结果让我以不同的方式审视自己的这种条件反射，并不是因为那样使用 AI 是错的，而是因为数据揭示了一个常被忽视的区别：大量使用 AI，与很好地使用 AI。

采用问题已经尘埃落定，成熟度问题则不然

80% 的受访者表示，他们所在组织有明确制定的 AI 战略。但超过一半（57%）的人也表示，该战略只是非正式的。这两者并不一定矛盾。你可以有高管的支持、一份已批准工具的候选名单以及真正的热情，但仍然没有真正回答那些更难的问题：AI 应该在哪里创造最大价值？它应该基于哪些数据工作？谁对它的产出负责？你如何知道它是在改进决策，而不仅仅是更快地产生更多决策？

这就是 AI 成熟度差距：看起来像战略、但并未被作为战略加以落实的活动。采用意味着 AI 存在于工作流程之中。成熟则意味着它已扩展到机构层面，并基于共享的上下文层进行推理。

速度从来都不是难点

《Prediction Machines》一书将每个决策分解为三个部分：预测、判断和行动。AI 让预测变得显著更快、更便宜。判断和行动则未受影响，而判断一直是这个等式中昂贵、缓慢且属于人的部分。

这就是我自身“向我的 AI 提问”这一习惯中的陷阱，也很可能是这项调查在更广泛层面所揭示的个体层面模式的陷阱所在。答案来得很快，听起来也很合理，这让人很容易把速度误认为正确性。快速构建，或快速回答，从来都不是产品工作中困难的部分。做出好的决策才是，过去如此，现在依然如此。AI 改变的是你到达决策点的速度，而不是决策本身仍然需要多少判断力。

真正的制约因素：信任

当我们询问领导者是什么阻碍了进一步的规模化扩展时，排在首位的答案并不是工具的缺失，而是：

对 AI 输出的信任（40%）
安全与隐私方面的顾虑（39%）
缺乏培训（35%）

这与报告揭示的另一项模式相呼应。团队在工作中最需要清晰度的环节使用 AI：

57% 的人将其用于分析与实验
52% 用于用户研究
47% 用于客户反馈分析

然而，48% 的人表示，他们仍然难以从噪声中分辨出有效信号。AI 比我们任何人都能更快地总结内容。但如果它所依据的材料是碎片化的，或者每个提问者都从零开始重新构建，那么结果就是更多的噪声——产生得更快，而且看起来更合理。

正如 Lucid 旗下 airfocus 的产品经理 Spencer Cowley 最近所说：“AI 智能体的有用程度，取决于它们能访问到的上下文。”

弥合差距：如何建立对 AI 的信任

这项研究在两个常被混为一谈的事物之间划出了一条更清晰的界线：团队使用 AI 的频率，与团队作为一个整体（而非 500 个各自为战的个体）负责任地使用 AI 输出的准备程度。

几乎每个产品团队现在都已回应了 AI 采用的问题。而成熟度才是大部分真正工作所在。在大多数情况下，横亘在两者之间的就是信任。

因此，以下是我自己在成熟度提升过程中发现并使用的几点建议，用于建立对 AI 的信任：

聚焦价值：在能产生最高影响力的地方有目的地部署 AI，无论是速度、综合分析、揭示权衡取舍，还是沟通。
让 AI 扎根于真实的产品上下文：将工具直接嵌入路线图、OKR 和客户反馈循环中。
为信任和透明度而设计：使 AI 输出背后的数据基础完全可追溯。
减少噪声，提升相关性：消除由冗余仪表盘、草稿和摘要造成的数据杂乱。
将 AI 融入你的运营模式：将 AI 视为决策的核心组成部分，而非孤立的实验。

完整报告深入探讨了策略悖论、阻碍因素排名，以及信噪比困境最为突出的领域。如果以上任何内容听起来似曾相识，值得一读。

下载完整报告。