开发产品之前，先问自己：如果通用AI模型明天就掌握了产品的核心功能，客户还会为什么继续付费？
这个问题无法给出准确预测，但能帮助你区分长期需求与模型的暂时局限。
1. 检查普通聊天工具能否替代产品
试着用 ChatGPT 或 Claude 解决未来客户的问题。使用效果良好的提示词、可用工具和准备好的数据。
评估从开始到获得可用结果的整个过程：耗时、人工步骤、错误，以及是否需要复核。
如果几分钟内就能得到足够好的结果，产品就需要提供显著的额外优势。
2. 找出模型仍留给人的工作
记录用户还需要亲自完成哪些事情：
- 收集并更新数据；
- 说明规则和限制；
- 检查结果；
- 审批变更；
- 在不同系统之间转移信息；
- 修正错误。
这些都是可考虑自动化的环节。进一步确认哪些工作重复频繁、给客户带来的成本最高。
3. 检查上下文的价值
解决问题需要哪些数据？用户能否直接上传文件，还是产品需要持续从多个系统获取信息？
专有数据很有用，但仅仅能够访问数据并不能形成保障。通用助手也在不断增加集成能力。
更有韧性的产品会保持数据更新、连接多个来源，并按照客户规则检查结果。
4. 做一次模型进步测试
设想生成成本几乎为零，模型质量也大幅提升。
产品中还有什么有价值？可靠的操作流程、协作、决策记录、系统集成、管控，还是持续支持？
如果付费理由消失，说明这个想法依赖模型当前的弱点。如果模型越强，产品越有用，而客户仍有付费理由，基础就更扎实。
5. 检查方案能否重复交付
不必推倒重来，就能接入下一位客户吗？
寻找重复出现的流程、数据来源和需求。如果每个项目都独一无二，它可能适合作为实施服务业务。可规模化的产品需要一个能够反复销售的共同核心。
6. 用付费验证需求
在大规模开发前，先提供一个小型付费试点：
- 一个任务；
- 明确的范围；
- 清楚的结果标准；
- 明确的价格。
客户对演示感兴趣，是较弱的信号。愿意提供数据、投入时间并为解决方案付费，才是更强的信号。
创意验证卡
写下以下五个问题的答案：
- 产品解决什么经常发生且影响显著的问题？
- 为什么普通聊天工具无法满足客户？
- 产品能省去哪些人工工作？
- 模型进步后，客户还会为什么继续付费？
- 如何在完整开发前验证需求？
答案不清楚，说明还有问题需要研究。答案具体明确，就可以开始规划试点。