从计算机视觉到 Agent：AI 产品最贵的错误，是把技术当成目的

我做了 10 年 AI 产品，前 6 年做计算机视觉（CV），后来做大模型和 Agent。两轮浪潮的技术完全不同，但我见过同一种错误反复出现：把技术当成目的，而不是手段。

视觉 AI 那几年，数字孪生、智慧城市、无人零售、元宇宙的概念轰轰烈烈，演示一个比一个震撼，真正持续买单的客户却不多。今天的 Agent 正在经历同样的事情：发布会上能写代码、订机票、操作电脑，落到企业里，很多项目停在了试点。

这篇文章想讲清楚，这个错误具体长什么样，以及我在两轮浪潮里学会的应对方法。

一、客户不为精度买单，为结果买单

在商汤做零售业务时，我们遇到过一个让人清醒的场景：客户花了几百万买下整套视觉系统，运营团队却说，“数据看了，不知道怎么用”。

系统能数清客流、画出动线、识别回头客，技术指标都很漂亮。但从“能看”到“能用”之间，差了最后一公里：数据没有变成任何一个营收动作。

后来我们做了两个转变。第一，把算法精度变成写进合同的验收承诺：自建门店视频测试集，走完 4 轮 UAT，客户买到的是确定的结果，而不是一个精度数字。第二，把看板接到会员营销上，让数据直接驱动优惠券推荐，系统从“看板”变成了能带来营收的工具。

同样的道理反过来也成立：很多时候，把性能从 95% 提到 100% 的最后那一段，成本极高，客户却没有感觉。客户要的是一个能解决问题的产品，不是参数表上的第一名。

很多企业明明需要云服务和 AI，却迟迟不下单。原因很朴素：他们看不懂产品页上写的东西，不知道自己该买什么。数字化概念之所以推不动，常常是因为最前面的那一步，也就是帮客户把问题想清楚，没有人做。

所以我认为，AI 产品负责人的第一件事，是用一句话把价值讲清楚：

我们在 ______ 行业的 ______ 细分领域，通过 ______ 产品，为 ______ 客户解决 ______ 问题，满足他们 ______ 的需求。

这句话写不出来，就先别急着写需求文档。技术越强，越需要有人把它翻译成客户听得懂、愿意为之付钱的语言。

客户付出的从来不只是钱。还有时间成本、风险成本、学习和使用成本，以及情绪成本。一个 AI 产品的价值，很大程度上取决于它降低了哪一种成本。

我自己做的几个产品，都可以用这个框架解释：

PMCopilot 降的首先是时间成本。 调研、写文档、出方案和报价这些重复的活交给 AI，产品经理才有时间想清楚更重要的事：为什么做这个产品，它的商业价值在哪里
屋小家降的是使用成本。 家庭物品管理工具几乎都死在“录入太累”，拍一张照就能认出多件物品，问题才算解决
医养平台降的是风险和学习成本。 AI 服务医生和护工，而不是直接和老人对话；第一版用规则引擎守住医疗安全，机构才敢用

到了大模型时代，“把技术当目的”换了一种形式：Agent 的数量、编排的层数、自主程度，成了新的炫技指标。

但每多一个 Agent，就多一层成本、延迟和不确定性。我的做法恰恰相反：

确定性的事情交给代码做。 计算、校验、规则判断，模型不擅长，就不让模型做
不要为了显得厉害而变复杂。 技术为业务服务，业务没要求，就不上更复杂的方案。医养平台第一版只用规则引擎实现功能，业务需要了才加知识库，之后才演进到多 Agent
任何时候都不要忘记评测。 要做充分的产品测试，每周从真实的 bad case 里补评测、做回归，而不是靠一次演示判断好坏

技术会一轮一轮地换：昨天是视觉，今天是大模型，明天也许是别的东西。但判断一个 AI 产品值不值得做的标准，十年没有变过：客户最终买的，是更低的总成本和更确定的结果。

低头走路很重要，抬头看路更重要。AI 产品负责人的价值，就在技术和生意之间：既要懂技术能做到哪一步，也要知道哪一步才值得做。