来源: Dall-E

很难不注意到——生成式AI功能现在几乎每个产品发布都占了头条。在某些情况下，这些创新似乎真的能改变游戏规则，彻底改变用户的体验。

在另一些情况下，很明显它们更多的是对市场需求的回应，而不是精心设计的解决方案。真正的区别在于这些功能是否真正解决了用户的真实需求。

允许我来阐述，要有效应对用户需求，你需要充分掌握大规模语言模型（LLMs）的强大功能。

让我们来拆解一下为什么这是必要的。

生成式AI确实展示了它在内容创作和生成见解方面的变革能力。仅仅因为它强大，并不意味着它能解决所有问题。许多团队发现聊天机器人很有用，有些团队甚至在他们的产品中加入内容工具。

但是，随着人工智能的不断发展，完全整合它变得越来越棘手。现在的真正挑战是如何进一步超越聊天机器人，将生成式AI融入产品的核心以及日常的工作流程。

人们开始意识到，大型语言模型（LLM）需要巧妙的设计和部署才能真正发挥其作用。

其中一个最大的风险是团队盲目跟风，仅仅因为人工智能（AI）是当下热门趋势，结果他们构建了一些看似炫酷但实际上对用户没有太多帮助的功能。AI要真正提升产品，必须比现有的传统工具更有用——否则，还有什么必要呢？1

知道何时使用AI归结于两个关键问题：这个功能的意义是什么？它将如何提升用户的体验？ 现在，像“任务理论”和“设计思维”这样的框架在指导产品开发上很有帮助，因为它们专注于解决特定的用户问题并明确功能的意义。

但请记住，这些框架可以进一步发展。这不仅仅是解决问题那么简单。更重要的是推动正确的行为，使解决方案能够持续有效。

而这正是用户结果连接登场的地方。

用户成果连接（UOC，User Outcome Connection的缩写）是“将意图转化为影响”的关键部分。

从行为改变的角度来看问题，产品团队能更清楚地了解该功能真正想要实现的目标——这不仅仅是解决表面的问题，而是更深层次的目的。

这就是为什么UOC由三个部分组成。

• 具体行为: 当这些行为改变时，会对用户的结果产生影响。
• 用户结果: 用户希望通过使用产品来实现的短期或长期目标。
• 业务结果: 通过改变用户结果来为公司创造的价值。

为了达到用户的预期效果，我们得问，让这个功能能够运作起来，需要改变哪些具体的行为？

关于用户行为，问自己——用户在使用解决方案后，会有什么不同的行为来实现我们期望的改变？

让我们考虑一下业务成果。当用户达到其目标时，公司能获得什么样的可量化收益呢？

一旦您明确了目的和行为上的变化，下一步就是要看看生成式AI是否是合适的工具。

将AI视为一个全能工具并认为它有无限可能，这种看法并不一定有帮助。更有效的方法是将AI的功能归类到一个框架中——可以将其看作一系列“超能力”，将相关的能力组合在一起。

通过理解这些核心优势，团队可以更好地判断AI是否适合解决问题，或者是否应继续采用传统方法，以使当前问题更有价值。

UOC的方法确保AI被有意义地使用——因此你创建的功能是提升用户体验，而不是为了追新而增加不必要的复杂性。此外，它能够与时俱进，跟上AI的发展步伐。

随着新进展的不断出现，UOC 帮助产品团队理解这些进步是建立在现有功能之上，还是彻底改变功能增强方式。

因此，这种方法提供了一条简单明了的路径，使人工智能与用户需求保持一致，确保技术能够随着产品目标的变化而发展，而不是忙于应对每项更新。

团队可以更有意识地决定如何以及何时使用人工智能，聚焦于提高用户体验（UX）的解决方案，精准定位在增强用户体验的方案上。

大型语言模型（如GPT和Claude）的发展是一个逐步发展的过程，每一阶段都解锁了新的能力，扩展了AI融入产品的方式。它最初作为一个对话工具起步，现在它已经开始处理复杂推理、摘要，甚至是多模态任务。

这些进展使产品团队拥有了可以利用的“超能力”。当你回顾这些模型是如何演变的，不仅展示了人工智能迄今为止最有效的应用领域，也让我们看到它未来可能的发展方向。

当ChatGPT首次出现时，它真正展示了AI在进行自然流畅对话上的能力——这一直是对机器来说比较困难的事情。这种“对话能力”真的改变了游戏规则，并很快成为早期大规模语言模型的一大亮点。

突然，聊天机器人开始处理客户咨询服务，解决问题，同时也提供个性化推荐——所有这些都通过简单而人性化的对话完成。

ChatGPT不仅让对话变得可能，还让对话变得简单，聊天机器人也因此成为了这些模型中的明星案例。到了2023年，市场上涌现了大量的聊天机器人，因为公司纷纷抓住了这项新技术的机会。

但对话并不是ChatGPT唯一的把戏。随着和它相处的时间越长，人们发现它能做很多事情。它能以意想不到的高水准生成和修改内容。团队开始使用ChatGPT来做各种活儿，从起草邮件、撰写博客到完善文本。

这打开了一个全新的应用场景范围，围绕内容创作和编辑，展示了一个同样必不可少的新超能力。

谷歌邮箱草稿回复的截图

回顾过去一年中公司发布的LLM相关功能的集合，很明显，_内容创作和操作_这一超级功能是主要工具。Notion很快推出了他们的Notion AI产品，展示了一系列用例，所有这些用例都是围绕创建初稿、改善文案以及其他文本编辑任务而设计的。

一些功能帮助用户应对空白页面，例如 Gmail 现在提供基于邮件线程的邮件回复的初步草稿。其他功能则会根据新受众调整文本，或优化语气，例如 Grammarly 提供的各种 AI 工具。

这些超能力的引入为未来的发展奠定了基础——AI不仅是一个会话助手，还是一位创意伙伴或合作者。

随着GPT-4的推出，AI的功能大幅扩展。其中最具有影响力的新能力是总结。

早期版本的LLMs可以生成和修改文本，GPT-4则更擅长借助更大的上下文窗口和更强的性能，将复杂信息精简为简洁摘要。

用户可以前往ChatGPT，或很快就可以在Claude上，输入大量的文本，比如整篇文章或报告，并获取详细的摘要。

看到解决信息过载问题的机会，许多公司开始将其这种新的AI能力整合到他们的产品中去。

例如，LinkedIn 使用它来帮助用户快速理解长帖子或文章，无需滚动屏幕。其他生产力工具也纷纷效仿。Adobe 则通过提供 AI 驱动的摘要使 PDF 更加易于阅读，而 Google Drive 则引入 Gemini 来帮助总结 Google Docs。

Google Gemini 允许一键概括 Google Drive 中的任何文件

但摘要并不是唯一一个具有重大影响的超能力。我们还看到了“信息检索”的兴起。现在，AI模型可以回答自然语言问题并提供相关答案——不只是提供一个链接列表，而是真正的见解。

一切始于可以处理大量内容并回答问题的ChatGPT提示，但现在它已经发展成了更大的事物。借助像自定义GPT这样的工具，用户现在可以训练模型并对数据进行文档附加，从而更容易从庞大的数据集中提取关键信息。

这个强大的信息检索能力开辟了新的可能性，特别是那些依赖知识库的产品，如客户支持平台等。Zendesk 和 Glean 很快推出了更高级的搜索功能，这些功能不仅找到文档，还直接开始回答问题。

现在，这已经成为各种协作软件的标准功能。不论是 Microsoft Office、谷歌工作空间或 Dropbox Dash，用户都可以向文件提问并获取引用答复，从而改变我们处理数据的方式。

Dropbox的Dash能找出相关的洞察及其文档来回答问题

_场景创建_也成为了一种新的超级力量，虽然它仍然只限于聊天机器人的使用。在这种情况下，用户可以创建提示，让聊天机器人扮演其他人的角色，有时候是某个领域的专家，有时候是目标客户，甚至可能是潜在的情侣对象。

定义了这个人后，机器人可以依靠其数据集合从另一个人的角度出发。用户可以与这个AI“他人”聊天以培养同理心并尝试不同的场景，从而增强他们在现实生活中的互动。

尽管这项技术还处于初级阶段，它在项目管理、决策支持系统甚至治疗等领域显示出潜力。理解多个视角或潜在场景可能有助于做出更佳的决策。

视觉领域也没有被落下。随着模型的进步，图像生成变得越来越容易获取。GPT-4开始整合视觉创作工具，允许用户通过文字描述直接让AI生成图像或设计元素。

像 Google Gemini 这样的平台展示了这一转变，用户可以在不离开应用的情况下创建演示文稿的视觉效果。AI 不再局限于处理文本，而是进入了视觉设计的世界，这标志着一个重要的进步。

Google Gemini 可以让你在幻灯片中创建图片。

大型语言模型演化的下一步是整合了数据分析，这极大地扩展了AI的能力。例如GPT-4o这样的模型引入了处理、分析和解释数据的能力，使AI成为商业智能、金融建模和复杂决策制定等领域的关键利器。

不再依赖人工分析，产品团队现在可以利用AI来筛选和分析海量数据集，发现趋势并生成可操作的见解。结合图像生成功能，AI可以创建强大的可视化效果，将这些见解生动地呈现出来。

Pendo 根据其平台收集的产品数据，提供见解和建议。

_数据分析_一直在通过生产力工具和分析平台不断扩展，帮助团队处理和理解海量信息。Pendo 推出了一套 AI 工具，这些工具围绕数据标准化和数据分析展开，从而提供产品洞察。

Mixpanel和Amplitude提供类似的服务，可以帮助创建图表和数据分析，并解释数据。Excel和Google Sheets才刚刚开始展示它们新推出的强大功能，这些功能使得在电子表格中处理数据变得更加灵活。

此外，_多模态能力_使AI不仅局限于文本和图像，结合了音频、视频和代码等多种数据类型，提供了更加全面和综合的解决方案。

这为AI带来了令人兴奋的新可能，例如在教育领域，它可以基于用户输入创建互动的多媒体学习材料。在医疗领域，它能从各种来源收集患者数据，整合成清晰的诊断或治疗方案。

能够融合不同类型的信息为AI模型开启了新的一页，超越了单一媒介或单一数据类型。虽然在聊天机器人上已经展现了强大的能力，但我们还在等待它在主要平台上得到全面应用，但它已经在改善我们与各种文档互动的方式。

在AI领域，尤其是在像OpenAI o1这样的模型中，正在崛起的一种新超级力量叫做认证和验证。随着AI更深入地融入复杂系统中，可靠的事实核查、数据验证和错误检测变得更为关键。

这种超能力使AI能够运用演绎逻辑来检验论点，测试假设并验证，以确认某事是否属实。这主要是通过交叉验证信息，确保输出与事实数据或特定标准吻合。

在医疗、金融和法律服务这些领域，准确性至关重要，这种能力可以防止错误和误传信息。有了内置的认证功能，AI就像一种质量控制机制，确保了产品的准确性。

想象一个研究平台，AI在这里验证信息来源。这可以大大减少人为错误。同时，也能增强对AI生成内容的信任。一个金融工具，能够标记数据中的不一致之处，进一步减少人为错误，提高对AI生成内容的信任度。

说到底，生成式人工智能在创建内容和提供见解方面表现出强大之处。进一步分解来看，这些模型拥有多种超能力，真正帮助用户解决问题。

这时，用户成果连接（UOC）就派上用场了。它为产品团队提供了一个战略利用日益增长的AI能力的途径。

不再迷失在新功能的无尽洪流中，UOC 组织 AI 的优点，帮助团队找到 AI 如何真正发挥作用的方法。这实际上是如何将 AI 的优点与用户需求相结合的问题。

所以，下次，当你准备在你的项目中引入人工智能时，你如何才能挖掘它的真正潜力？

这全都关于正确地连接用户需求和产品能够满足的需求。然后，你只需要组织你的策略来解决正确的问题。

那我们开始吧，让我们一起制定一些策略，将人工智能的潜力转化为客户会喜欢的实际产品。

特别感谢_Tremis Skeete，Product Coalition 的执行编辑Tremis Skeete，他对本文的宝贵贡献。特别感谢创始人Jay Stansell_，Jay Stansell 创建了一个有助于产品管理教育的协作环境。