AI产品构建的挑战与成功路径

随着Coding Agent等工具的出现，AI产品的技术门槛和启动成本已显著降低，使得将想法快速转化为可交互原型成为可能。然而，尽管技术门槛降低，大多数AI产品仍面临失败。如果技术不再是瓶颈，问题究竟出在哪里？

Aishwarya Naresh Reganti和Kiriti Badam在OpenAI、Google、Amazon、Databricks等公司成功推出了50多个企业级AI产品。他们在播客节目中与主持人Lenny分享了AI产品开发中的常见陷阱与成功路径。以下是他们的核心观点：

今天，构建AI产品的成本已非常低，真正昂贵的是设计，以及你是否真正想清楚了产品要解决的痛点。对问题本身和产品设计的执着被低估，而单纯追求“快速构建”则被高估。

AI不是答案，而是解决问题的工具。

领导者需要重新回到“亲自上手”的状态，不是为了亲自实现系统，而是为了重建判断力，接受“我的直觉可能不再完全正确”这一事实。

“忙碌但无效”的工作时代正在结束。现在必须思考端到端的流程，以及如何创造更大的影响。

在数据告诉你“你大概率会失败”的时代，保留一点愚蠢的勇气很重要。

AI产品构建中的挑战

Lenny：目前AI产品构建的情况是怎样的？哪些进展顺利，哪些地方问题依旧明显？

Aishwarya：现在，怀疑态度明显减少。2024年，很多领导者仍认为AI可能只是又一波“加密货币式”的泡沫。而2025年，很多公司开始真正反思用户体验和业务流程，意识到要成功构建AI产品，必须先拆解现有流程再重新构建。但执行依然非常混乱，这个领域只有三年左右的历史，没有成熟的方法论。

同时，AI产品的生命周期与传统软件截然不同，导致PM、工程师、数据团队之间的分工被打破。现在需要更紧密的协作。

Lenny：构建AI产品与构建非AI产品本质上非常不同，能具体谈谈吗？

Aishwarya：构建AI系统和传统软件系统之间确实存在大量相似之处，但也有一些根本性差异，如“非确定性”。在AI产品中，用户可以用无数种方式表达同一个意图，你无法预判用户的输入行为。在输出端，你面对的是一个概率性的、非确定性的LLM。

因此，你同时面对输入、输出和中间过程三方面的不确定性，只能在有限理解的基础上进行设计和预判。

Kiriti：类比登山。你应该先进行基础训练，逐步提升能力，而不是第一天就直接冲顶。

构建AI产品也是如此。应从影响范围小、人工控制强的场景开始，逐步理解当前能力边界，再增加自治性、减少人工干预。

Lenny：能否用一个具体例子说明这种路径？

Kiriti：客户支持是一个典型场景。一开始，不是把所有支持中心文章塞进Agent就完事了。更合理的第一步是让AI为人工客服提供建议，由人类判断哪些建议有用。通过反馈回路识别系统盲点并修正。

Lenny：一开始是高控制、低自治，AI只给建议，最终决策仍由人来做；当系统被验证可靠后，逐渐赋予更多自治权，同时减少人工干预。

Aishwarya：从更宏观的角度看，AI系统的核心在于“行为校准”。你几乎不可能在一开始就准确预测系统行为，因此关键在于避免破坏用户体验和信任。

CC/CD框架

Aishwarya：我们提出了“CC/CD（Continuous Calibration, Continuous Development 持续校准、持续开发）”框架。这个框架强调在迭代初期采用“低自治、高控制”的方式：限制系统可做的决策数量，引入人在回路；随着理解加深，再逐步提高自治程度。

以客服Agent为例，我们通常把演进过程拆成三个阶段：第一阶段只是“路由”，第二阶段是“副驾驶”，第三阶段是端到端的自动处理。

AI的未来

Lenny：当下AI领域里，哪些东西被高估了？哪些被低估了？

Kiriti：与其说“被高估”，不如说有些概念被严重误解。例如多Agent系统。很多人认为只要拆成几个子任务分别交给不同的Agent就能实现“Agent乌托邦”，但这在现阶段往往行不通。

Aishwarya：eval是被误解的概念。它当然重要，但“不断切换工具、学习新工具”这件事被高估了。真正值得投入精力的，是对你要解决的业务问题保持极度专注。

Lenny：从产品视角看，你们觉得未来一年AI会走向哪里？

Kiriti：我非常看好“后台型”或“主动型”Agent。未来Agent会被更深地嵌入真实工作流，获得更丰富的上下文后主动提示用户。

Aishwarya：我期待2026年的多模态体验。如果能构建真正丰富的多模态交互，将会更接近人类对话的真实复杂度。