AI Native 产品是什么
AI Native 产品是什么
说实话，现在十个 startup pitch deck 里有九个写着 "AI-powered"。但你把产品打开一看，就是在原来的 dashboard 上加了个 chatbot 弹窗。这不叫 AI Native，这叫往沙拉里挤番茄酱——技术上可以，但没人会这么吃。
我们团队踩过这个坑。2023 年底做过一个内部工具，想法是"给现有的课程管理系统加 AI 推荐"。结果花了三个月，推荐模块做完了，用户根本不点。为什么？因为用户的 workflow 是"我知道我要找什么课，搜索就行"，你硬塞一个推荐列表，改变不了用户习惯。
这就是 AI-enhanced 和 AI Native 的本质区别：前者是给旧流程贴补丁，后者是围绕 AI 能力重新设计流程。
先搞清楚一个概念：AI Native
一句话解释：产品的核心体验离开 AI 就不成立，不是"有 AI 更好"而是"没 AI 就没法用"。
形象比喻：Uber 离开 GPS 和实时匹配算法就不存在，它不是"出租车公司加了个地图功能"。AI Native 产品也一样——AI 不是 feature，是 foundation。但这个比喻的边界是：不是所有产品都需要做成 AI Native，就像不是所有出行都需要 Uber。
工作中怎么用：评估你的产品 idea 时，问自己一个问题——"如果把 AI 模块整个删掉，这个产品还有价值吗？"如果答案是"有，只是差一点"，那你做的是 AI-enhanced。
最常踩的坑：把 AI 当成卖点而不是架构决策。投资人问"你们的 AI 在哪里"，你指着一个 chat 按钮说"在这"——这不是 AI Native。
三种产品的真实对比
| 维度 | 传统 SaaS（Notion） | AI-Enhanced（Notion AI） | AI Native（ChatGPT） |
|---|---|---|---|
| 核心体验 | 手动组织信息 | 手动组织 + AI 辅助生成 | 对话即产品 |
| 删掉 AI 后 | 完全能用 | 能用，少个功能 | 产品不存在 |
| 用户心智 | "我要整理笔记" | "我要整理笔记，顺便让 AI 帮写" | "我要问 AI 一个问题" |
| 商业模式 | 订阅制，按功能收费 | 订阅制 + AI 附加包 $10/月 | 按 AI 使用量收费 |
| 技术架构 | 数据库 + CRUD | 数据库 + CRUD + API call 到 LLM | LLM 是核心 runtime |
| 竞争壁垒 | 产品体验、生态 | 产品体验 + AI 集成深度 | 模型能力、数据飞轮 |
再看几个具体例子：
| 产品 | 类型 | 为什么这么分类 | 月费参考 |
|---|---|---|---|
| Figma | 传统 SaaS | AI 是后加的 feature（Figma AI），核心还是手动设计 | $15/editor |
| Canva | AI-Enhanced | Magic Design 是 AI，但大量用户还是手动拖拽模板 | $13/月 |
| Midjourney | AI Native | 没有 diffusion model 这个产品就不存在 | $10-60/月 |
| Linear | 传统 SaaS | 项目管理核心是人工 workflow | $10/user |
| Cursor | AI Native | 编辑器本身围绕 AI 补全和 chat 设计，删掉 AI 就是个慢版 VS Code | $20/月 |
| Grammarly | AI-Enhanced → AI Native | 早期是规则引擎，现在核心是 LLM，正在转型 | $12-30/月 |
热知识：Grammarly 是个很好的案例研究对象。它从 rule-based 到 AI-enhanced 到 AI Native，走了十年。大部分产品不需要也不应该走这条路——直接想清楚你是哪一类就行。
思维转变：从 Feature-Based 到 Capability-Based
传统产品经理的思路是：用户要什么功能 → 画原型 → 排期开发 → 上线。
AI Native 产品经理的思路完全不一样：AI 能做什么 → 这个能力能解决什么问题 → 怎么把这个能力包装成用户体验。
举个例子。传统做法是：
"用户需要一个简历评分功能" → 设计评分规则 → 开发打分逻辑 → 展示分数
AI Native 做法是：
"LLM 能理解自然语言并给出结构化反馈" → 用户上传简历，AI 直接告诉你哪里可以改、怎么改、改完什么效果 → 简历评分只是 AI 能力的一个 surface
区别在哪？传统做法的天花板是你定义的规则数量。AI Native 做法的天花板是模型能力，而模型能力每几个月就在涨。
这个思维转变对产品设计的影响是巨大的：
| 维度 | Feature-Based 思维 | Capability-Based 思维 |
|---|---|---|
| 需求来源 | 用户说"我要 XX 功能" | 观察"AI 能做 XX，谁需要" |
| 产品边界 | 由功能列表决定 | 由模型能力边界决定 |
| 迭代方式 | 加新功能 | 换更好的模型 / 优化 prompt |
| 竞争策略 | 功能多、体验好 | 数据飞轮、场景理解深 |
| 定价逻辑 | 按功能套餐收费 | 按使用量 / 输出价值收费 |
数据飞轮：AI Native 产品的护城河
传统 SaaS 的护城河是 network effect 和 switching cost。AI Native 产品的护城河是数据飞轮。
什么意思？用户用你的产品 → 产生数据 → 数据让 AI 更聪明 → AI 更聪明让产品更好用 → 更多用户来用。这个循环一旦转起来，后来者很难追。
真实案例：Spotify 的推荐算法。每个用户听歌、跳过、收藏的行为都在训练推荐模型。用了三年的老用户，Discover Weekly 的推荐准确度远高于新用户。这就是数据飞轮——你用得越多，它越懂你，你越不想走。
但这里有个前提条件很多人忽略：你得先有用户，飞轮才能转。所以 MVP 阶段不要指望数据飞轮，先把核心体验做好，吸引第一批用户。
热知识：很多 pitch deck 里写"我们有数据飞轮"。但你仔细看，用户才 200 个，数据量约等于零。飞轮需要临界质量，200 个用户的数据训练出来的模型，大概率还不如直接调 GPT-4o API。
加 AI 时最常犯的五个错误
我见过太多团队在这些地方翻车：
错误 1：先做产品，再想哪里能塞 AI
这是最普遍的。产品都快做完了，老板说"加点 AI"，于是硬加了个 chatbot。用户觉得莫名其妙。
错误 2：用 AI 替代本来就很简单的操作
我们遇到过一个场景：用户要从下拉菜单里选一个城市。有人提议"用 AI 自动识别用户位置"。但用户点一下下拉菜单只要 0.5 秒，AI 识别需要 loading 2 秒还可能识别错。这不是提升，是退步。
错误 3：把 AI 的 output 直接展示给用户，不做后处理
LLM 的 output 格式不稳定。有时候返回 markdown，有时候返回纯文本，有时候带 hallucination。你至少需要：格式清洗 → 事实校验（如果涉及数据）→ UI 适配。
错误 4：没有 fallback 方案
OpenAI API 挂了怎么办？rate limit 了怎么办？模型返回空内容怎么办？我们在 production 里遇到过 OpenAI 连续 503 三个小时的情况（2024 年 6 月）。如果你的核心功能完全依赖一个 API，必须有 fallback。
错误 5：忽略成本
GPT-4o 的 API 成本大约 $2.50/1M input tokens、$10/1M output tokens（2025 年初价格）。如果你的产品每个用户请求平均消耗 2000 tokens，1 万个日活用户一个月的 API 费用大约 $1500-3000。很多人做 prototype 时没算这笔账，上线后才发现烧不起。
怎么判断你的 Idea 是不是 AI Native
直接给结论，用这个 checklist：
| 问题 | 回答"是" = AI Native 信号 |
|---|---|
| 删掉 AI，产品核心价值还在吗？ | 不在 → AI Native |
| 用户的主要交互是和 AI 对话/生成吗？ | 是 → AI Native |
| 产品的竞争壁垒依赖模型能力或数据飞轮吗？ | 是 → AI Native |
| 产品体验会随着模型升级自动变好吗？ | 是 → AI Native |
| 用户使用频率越高，AI 表现越好吗？ | 是 → AI Native（数据飞轮） |
如果 5 个问题里有 3 个以上回答"是"，你大概率在做 AI Native 产品。
如果只有 1-2 个"是"，你在做 AI-Enhanced 产品——这完全没问题，不是所有产品都需要 AI Native。一个做得好的 AI-Enhanced 产品（比如 Canva）比一个做得烂的 AI Native 产品值钱一万倍。
最省事的判断方法
画一张你产品的 user flow 图。把所有涉及 AI 的步骤用红色标出来。
- 如果红色节点在 flow 的中间（核心路径上），你在做 AI Native
- 如果红色节点在 flow 的旁边（辅助功能），你在做 AI-Enhanced
- 如果红色节点只在 flow 的最后（锦上添花），你在做传统产品 + AI 噱头
说实话，第三种情况占了市面上 80% 的 "AI 产品"。认清这一点不丢人，丢人的是骗自己。
还有一个快速测试：跟你的目标用户描述产品时，如果你的第一句话是"这是一个 AI XXX"，大概率是 AI Native。如果你的第一句话是"这是一个 XXX，我们还加了 AI 功能"，那就是 AI-Enhanced。用户的第一反应会告诉你答案。
下一步
想清楚你的产品定位后，下一步是把模糊的 idea 变成结构化的 PRD。但这里有个坑——大部分人让 AI 写的 PRD 都是垃圾。下一章我们聊怎么用 AI 写出真正能用的 PRD。