| name | ai-pm-method-yujun |
| description | 《俞军产品方法论》(俞军等，中信出版社 2019) 方法论。把书中的用户价值公式、交易模型、决策效用理论
改造为 AI 产品经理在 AI 化决策 / 需求评估 / 效用比较场景可直接执行的规则集。
每条规则标注原书章节或公开演讲来源；无法追溯的标注 [推断]。
触发词：「俞军」「用户价值公式」「新体验-旧体验-换用成本」「交易模型」「决策效用」
「用户样本原理」「PM 决策责任」。
用户问"AI 化能带来多少增量效用""用户为什么不迁移""AI Copilot 该不该做"时也可触发。
|
《俞军产品方法论》· 用户价值差 = 迁移与否的唯一判据
核心命题：产品是一场对多方公平的效用交易；用户会不会迁移，只看新体验 − 旧体验 − 换用成本是不是正的。AI 产品的特殊性在于新体验是概率性的，换用成本里信任建立特别贵。
什么时候用我
- 判断"一个流程要不要 AI 化 / 上大模型" → 框架 1（用户价值公式）
- 判断"用户为什么不迁移到我们新 AI 功能" → 框架 1 拆换用成本
- 判断"AI Copilot vs 传统 UI"的取舍 → 框架 2（交易模型）+ 框架 3
- 多个 AI 需求排优先级 → 框架 3（决策效用）
- 不适合：纯技术选型（模型/推理架构）、纯 UX 微观交互、B 端合规审批流
核心框架
框架 1：用户价值公式（第 3 章「用户模型」）
原文：用户价值 = (新体验 − 旧体验) − 换用成本
AI PM 改造版（针对概率性输出）：
AI 用户价值 = [E(新体验) − 旧体验] − 换用成本
E(新体验) = 成功输出价值 × P(成功) − 失败代价 × P(失败) − 等待成本
换用成本 = 学习成本 + 迁移旧数据成本 + 信任建立成本 + 心理/习惯成本
执行：
- 明确"用户"——不是自然人，是"偏好+能力+情境"的集合（第 3 章原句："用户不是自然人，是需求集合"）
- 逐项相对分（1-10）量化新旧体验
- 拆换用成本四项，任何一项高就要有对冲设计
- 输出"用户价值差值表" + 迁移概率估计
框架 2：交易模型（第 4 章）
核心命题：产品是一组"效用交换"的持续促成。PM 的核心工作不是"做功能"，是设计一场对多方公平的交易。
AI 产品新变量：
| 传统产品 | AI 产品新变量 |
|---|
| 用户支付：钱 / 时间 / 广告注意力 | 追加：信任（幻觉容忍）、隐私数据、认知负担（校对成本） |
| 交付：确定性功能 | 交付：概率性输出（P(成功) < 1） |
| 边际成本近 0 | 边际成本非 0（token 成本） |
| 效用可预期 | 效用有方差（同一 prompt 结果不同） |
执行：
- 列出所有参与方（用户、企业、第三方、模型供应商）
- 每方写清"支付什么 / 获得什么 / 感知效用差 / 长期损益"
- 检查每方净效用 > 0
- AI 追加一步：评估幻觉发生时谁承担损失——决定信任模型与责任声明
框架 3：决策效用 + 用户样本原理（第 5、6 章）
- 决策效用理论：PM 不选"最喜欢的"方案，而是估算每个方案对目标用户群的效用期望值并比较。方案 A 效用 100 覆盖 10 万人 vs 方案 B 效用 40 覆盖 1000 万人 → 后者常胜
- 用户样本量原理：定性调研要深度（"一个用户看穿胜过 1 万份问卷"）；定量决策要广度（AB 测试）。两者不能互换
AI PM 应用：
- 上不上 AI 化：AI 覆盖用户 × 单次效用差 × 使用频次 − 模型成本 − 幻觉损失
- 用户访谈：AI 产品要挖"用户什么时候会关掉 AI、退回旧方式"（回退时刻是真信号）
- AB 测试：AI 输出有方差 → 分布对比而非均值对比（否则低估长尾差体验的伤害）
决策规则（10 条）
- 只有当"新体验 − 旧体验 > 换用成本"时用户才会迁移。差值为负一律不做（第 3 章）
- AI 化先算期望效用：E(价值) = P(成功) × 收益 − P(失败) × 代价 − 等待成本。期望 ≤ 0 则不 AI 化（第 3 章 + [AI 适配]）
- 换用成本必须拆四项：学习、数据迁移、信任、习惯。AI 产品信任成本 ≥ 传统产品 3 倍，需专门设计（[AI 适配]，俞军 2021 演讲"信任是最贵的成本"）
- 一个用户是"偏好+能力+情境"的集合（第 3 章）——不要说"给学生用"，要说"在 X 情境下需要 Y 输出、能接受 Z 等待的人"
- PM 决策先算效用差异再谈方案（第 6 章）——不允许"我觉得这个更好"式主张
- 优先高频 × 高痛需求（第 3 章 "需求 = 频次 × 强度 × 广度"）。AI 产品优先切"高频 + 用户对失败容忍度高"（草稿、灵感），避开"低频 + 零容错"（医疗诊断一次成型）[AI 适配]
- 交易必须多方净效用 > 0（第 4 章）。AI 追加：幻觉发生时谁买单？没答案 → 不上线
- 定性用深度样本，定量用广度样本（第 5 章）。AI 产品访谈重点问"你什么时候不再信任它"
- 警惕相对效用陷阱：用户比较的是"这个 AI 版本"和"熟悉的旧方式"，不是"AI 版本"和"没有工具"（第 3 章）→ AI 产品真正对手常常是 Excel/Word/搜索框，不是别的 AI
- 迭代看效用留存而非注册（第 6 章）——AI 产品首次惊艳容易，7 日留存才是真效用信号
检查清单
需求评估（用户价值公式 4 项）
用户调研样本
决策效用评估
反模式
- 拿低质量用户样本当结论——问卷 100 份 < 深访 5 个。AI 产品尤其致命，问卷问不出"你什么时候不信任它"（第 5 章）
- 不算换用成本——只算新体验多好，忽视用户离开旧工具的成本。经典 AI 反例：AI 表格助手 vs 用户已经会的 Excel 快捷键（第 3 章）
- 只看新体验、不看旧体验——用户参照系是旧方式不是空白（第 3 章）
- 忽视 PM 效用判断责任——把决策推给"数据说了算"或"老板说了算"（第 6 章）
- [AI 适配] 用平均值评估 AI 效果——均值 80 藏着 10% 的 20 分极差体验，对信任毁灭性
- [AI 适配] 把"能做"当"该做"——技术能做 90% 场景，但换用成本 + 幻觉代价让净效用为负的场景占多数
边界声明
- 年代局限：出版于 2019，主要经验来自 2003-2018 的百度、滴滴。不涉及大模型、概率性输出、Prompt 交互。所有 AI 特性都是本文档基于原框架 + 公开演讲（2021、2023）推断适配，不是原文结论
- 场景偏差：偏 C 端大流量（搜索、地图、打车）。B 端 SaaS / 强合规（金融、医疗）需额外考虑决策链、合规成本，"用户"要区分决策者 vs 使用者
- 文化偏差：偏中国互联网竞争语境；全球化 AI 产品（企业订阅、SLA 承诺）在"交易模型"责任归属上需更严格合同视角
- 提炼来源限制：本文档基于章节结构与公开演讲综合提炼；页码敏感的引用请对照原书
- 失效条件：用户规模极小（<1000）或产品处于 0-1 探索期时，"效用期望值"框架会误导——此时应"深度用户 + 快速迭代"而非"效用比较"
工作流
- 拿到需求 → 用框架 1 算用户价值差值（含 P(成功) 拆分）
- 差值 > 0 → 用框架 2 检查交易模型多方净效用与幻觉责任
- 多方案 → 用框架 3 效用期望表比较
- 用三张清单逐项过
- 输出：决策建议 + 未通过项 + 边界提示（建议交叉视角：Cagan 的持续发现、Karpathy 的模型能力评估）
完整方法论
详细章节引用、用户样本原理案例、俞军公开演讲索引见 references/framework.md。
本 Skill 由 career-skill-factory 生成。方法论提炼自《俞军产品方法论》及俞军公开演讲，版权归原作者，仅供个人学习。AI 适配部分为编者基于原框架的推断，不代表俞军本人立场。
