AI 產品驗證怎麼做？七天先還四筆證據債

AI 產品最危險的一句話，不是模型效果還不夠好。

而是「產品還在打磨」。很多時候，打磨只是個體面的說法：還沒有證據證明有人需要，但已經捨不得停下來了。這篇想聊的就是 AI 產品驗證，在開發之前，要先拿到哪些證據。

這個題目的想法來自優設網上的一篇文章，作者把這種狀態叫做「證據債」。我讀完整理成自己的版本，也加了一點我的看法。

AI 把做錯產品的速度也提高了

以前做一個能演示的產品要兩個月，現在串幾個模型和現成的 API，幾天就能搭出來。

實作速度變快了，但判斷力沒有跟著變快。

結果就是一個錯的方向，也能很快被做成看起來很完整的產品。頁面越來越齊，流程越來越複雜，每週的進度報告都很漂亮。

只有一件事沒發生：沒有任何人願意為這個產品付出真實的代價。沒人付錢，沒人搬工作流程，沒人提供資料，也沒人催你上線。

這時候繼續開發，累積的不是產品資產，是證據債。也就是在沒有外部證據的情況下，提前堆出來的功能和複雜度。

每多加一個功能，承認方向錯了的成本就更高一點。我想這就是為什麼越做越不敢停。

三種看起來像進度的假進度

AI 產品特別容易出現三種假進度。

第一種是功能進度。模型接通了，檢索跑通了，Agent 能呼叫工具了。這只證明技術流程成立，不證明使用者想用。

技術問題有明確的回饋，準確率有沒有升、延遲有沒有降都測得出來。使用者的問題沒有標準答案，所以團隊會本能地躲回自己擅長的地方，繼續改提示詞、換模型。

第二種是口頭進度。體驗完說「不錯」「很酷」「以後一定會用」，這種話幾乎沒有價值，因為說一句好聽的不需要成本。

真正的需求一定伴隨代價。使用者至少願意付出一樣東西：錢、時間、資料、搬遷成本，或是說服公司內部的力氣。

第三種是流量進度。AI 產品太適合做展示，三十秒的影片只會放最驚豔的那一次，不會放另外十次失敗、等待時間和人工修正。

點讚、轉發、候補名單，很容易被誤讀成需求。流量能做出產品活著的樣子，但收入、留存和真實交付騙不了人。

AI 產品驗證要先還的四筆證據債

反向冷啟動的意思，是把順序倒過來。傳統做法是產品做完再去找使用者，這裡是從第一天就開始找證據。

你要先證明的不是自己做得出來，而是這件事值得被做出來。具體來說有四筆債要還。

第一筆是問題證據。先別問誰會喜歡，先問誰正在為這個問題付出代價。「上班族」「創作者」都不算答案，要具體到某個角色、在什麼時間、做哪件事的時候卡住，多久發生一次，不處理會損失什麼。

如果對方遇到這個問題好幾年都選擇不處理，就要警惕。忍了三年的事，不會因為你做了個 AI 頁面就突然變成強需求。

第二筆是行為證據。使用者嘴上說痛沒有用，要看他現在怎麼解決。是用 Excel 硬撐，叫實習生處理，買別的軟體，還是乾脆放棄？

這些替代做法才是你真正的對手。很多 AI 產品以為自己在跟別的 AI 工具競爭，最後才發現，使用者捨不得放的是一張熟悉的表格，或是一句「算了，不做了」。

第三筆是承諾證據。別再問願不願意用，問他願不願意付出代價。

• 再交出一份真實的工作資料
• 約好下次使用的日期，並由他準備材料
• 把同事拉進來，或把結果帶進真實流程
• 確認試辦的範圍、負責人和開始時間
• 在條件清楚的時候付款或預付

承諾的成本越高，證據越強。一直只拿到稱讚、拿不到下一步行動，就別再把稱讚寫進需求分析。

第四筆是成本證據。AI 產品比傳統軟體更早要算帳，因為每一次生成、搜尋和呼叫工具都有新增成本，使用者越多帳單越高。

至少要先算出四個數字：完成一次核心任務的模型與工具成本、一位付費使用者每月的使用次數、推理以外的人工與客服成本，還有收入扣掉這些之後剩多少。

別只算 API 的單次價格。很多 Agent 產品真正貴的是失敗重試、長流程和人工兜底。如果每用一次都更接近虧損，成長就不是好消息。

進度應該用「還剩幾個假設」來算

不看功能數量，那看什麼？看關鍵假設還剩多少。

舉個假設的例子。有人想做競品分析工具，一開始其實只有四個判斷：產品經理每週都要整理競品資料、現在靠人工和表格、願意讓 AI 先出初稿、省下兩小時就值得每月付費。

這四句都還不是事實，只是待驗證的假設。真正的進度不是又做了個匯出按鈕，而是靠訪談、真實任務、預付或持續使用，一句一句把假設變成證據。

功能進度回答「我們做了多少」，證據進度回答「我們還錯得起嗎」。

這也是它跟一般內測不同的地方。內測通常在產品差不多完成之後，目的是找 Bug、調體驗。AI 產品驗證發生在方向還沒定的時候，要先找出是人錯了、問題錯了、方案錯了，還是商業模式錯了。

發現自己錯了，就是有效的進度。

第一版先發布問題，不要發布產品

很多人一聽到冷啟動，就開始寫產品介紹：做了什麼、接了哪個模型、效果多好。

但這個階段要驗證的不是產品，是問題。第一則貼文可以很簡單：我發現做競品分析的人常常要在幾十個網頁之間切換再手工整理，我正在驗證這個問題，想找幾位真的做過的人聊聊，你們現在怎麼處理？

目標不是拿到掌聲，是拿到可以驗證的資訊。發出去以後也別只看閱讀數和點讚。

如果完全沒人回應，也不能直接說需求不存在。可能是沒聯絡到對的人，可能是話沒說清楚，也可能是對方不信任你。

只有在你反覆找到對的人、他們也聽懂了，還是不願意付出任何一點行動成本，才比較有把握說這個問題不夠痛。

還有一個容易用歪的地方。先描述問題、招募使用者、測試付費，這些都可以。但不能承諾一個還做不到的結果，更不能拿展示影片取代真實能力。

描述問題是在收集證據，承諾結果就要承擔交付責任。醫療、金融、安全這類高風險場景，更不能為了快點驗證就讓不成熟的功能直接上線，可以先做離線測試、人工複核或小範圍試辦。

七天走完一輪最小的驗證

手上剛好有個 AI 產品的想法，不要先排一個月的需求，先用七天跑完一輪。

原文的設計是這樣，我把它整理成比較白話的版本。七天裡只驗證一類使用者、一個觸發時刻、一項真實任務，不要同時改人群、功能和價格，否則最後不知道是哪個判斷出錯。

第一天，把解決方式從問題裡拿掉。寫一句可以被事實推翻的話：誰、在什麼時刻、要完成什麼任務、現在的辦法讓他付出什麼代價。再列出 15 個真的聯絡得到的人，並先寫下什麼證據會推翻你的判斷。

第二天，找人。只講問題，不講功能，請對方花 20 分鐘帶你走一遍上次是怎麼處理的。聯絡 15 到 20 人，記下有沒有送達、看見、回覆、約到。

第三天，訪談。不要問想要什麼功能，也不要問如果有這個產品會不會用。請對方從最近一次真實發生的事開始講，過程花多久、多少錢、哪一步最常返工。

第四天，請 2 到 3 位受訪者帶一份真實的工作資料來，別替他整理，也別教他怎麼輸入。先問清楚結果要用在哪、哪種錯誤絕對不能接受。

第五天，把一次完整的結果交出來。可以由人搭配模型完成，但別把人工服務裝成穩定的產品。同時記下模型花費、人工介入幾分鐘、重試幾次、等了多久。

第六天，要一個有成本的承諾。再給一份任務、約定日期、拉同事進來、確認試辦範圍，或是付款，挑一個最自然的就好。

第七天，不寫程式，只做決定：繼續、改一個變量再測，或是停止。這七天不是為了證明想法一定成功，是為了弄清楚下一筆開發預算還值不值得投。

停止也不算失敗，等於用七天的 AI 產品驗證，換回了未來幾個月的開發時間。

常見問題

AI 產品驗證一定要先做出產品嗎？

不用。第一輪可以只描述問題、做訪談，再用人工加模型交付一次結果。先確認有人願意付出代價，再決定要不要自動化。

沒有人回應是不是代表沒需求？

不一定。要先分清楚是沒找到對的人、問題沒講清楚，還是對方不信任你。反覆找對人、講清楚後還是沒有行動，才比較能下判斷。

這套方法適合設計師嗎？

適合。使用者訪談、重現最近一次任務，本來就是 UX 研究的日常，只是這裡多加了承諾與成本兩個檢查點。想看另一個產品思維的案例，可以看這篇首頁改版的拆解。

最後

AI 時代稀缺的，已經不是把功能做出來的能力。模型、API、開源專案都讓實作越來越便宜。

稀缺的是在什麼都做得出來的時候，仍然知道什麼不該做。這個判斷沒辦法關起門來想，它來自真實的使用者、替代行為、付款，和那些你不想聽卻能阻止你走錯的回饋。

所以別再用功能數量證明進度。做 AI 產品驗證時，我想先問自己四件事：誰正為這個問題付代價？他現在怎麼解決？他願意為你的結果承擔什麼？每多服務一個人，你是賺還是虧？

這四筆債還不掉，產品做得越完整，失敗就越貴。也許先停下來，去問一個人就是了。