JTBD框架：用Jobs理论驱动AI产品需求

可视化演示

三模式交互演示JTBD框架在AI产品中的应用：Job识别拆解、AI能力匹配矩阵、机会分数优先级评分。

JTBD理念内核

老王的面馆第一课来自那位“奇怪顾客”：每周日晚上八点固定到店，点一碗清汤面，跟朋友聊两小时，面还剩大半碗。老王起初觉得他不懂吃面，后来才恍然大悟——这位客人雇的压根不是面条，而是一个能坐着聊到深夜的周末聚会地点。任务不是食物。这个念头像一根火柴，点亮了老王对“用户到底在做什么”的全部好奇心。

JTBD把用户看作“老板”，产品看作“雇员”。当老板心头的任务冒出来，他会像搜简历一样翻出脑海里所有候选方案：旧产品、替代品、甚至徒手操作，然后挑一个“进步大、成本低、切换顺”的雇员。放到 AI 产品里，产品经理的第一问就不是“这个功能要不要加AI”，而是“用户在完成什么任务”。任务通常分三层：功能任务（快而好地写周报）、情感任务（显得自己专业）、社会任务（让团队觉得可靠），产品的价值就是这三层上的进度总和。

$$\text{雇用意愿}=\frac{\Delta P}{C+R}$$

1. 期望进步（分子）：用户完成 Job 后希望获得的状态差距，差距越大，雇用动力越强。

$$\Delta P = S_{\text{期望状态}} - S_{\text{当前状态}}$$

2. 尝试成本：用户为尝试新产品要支付的金钱、时间和学习成本，三类成本相加。

$$C = C_{\text{金钱}} + C_{\text{时间}} + C_{\text{学习}}$$

3. 转换阻力：用户放弃旧方案时的习惯惯性，以及数据迁移、关系迁移等额外阻力。

$$R = R_{\text{习惯惯性}} + R_{\text{数据迁移}}$$

4. 意愿计算：分子除以分母之和，任何一项分母过大都会让雇用意愿迅速走低。

$$\frac{\Delta P}{C + R}$$

老王由此想通了：隔壁便利店同样能让人“10分钟填饱肚子”，因为它的 C 和 R 都低。自己光顾着把面做得好吃还不够，还得让顾客“雇得起、换得来”。他不再纠结面条是不是全城最好，而是开始琢磨：顾客点我的面，究竟是雇我去完成什么任务？

任务识别方法

老王决定不再靠猜，他开始系统地认识任务。他也试过直接问顾客“你为什么来吃面”，得到的回答却不可靠。于是他换了办法，拿个小本子在收银台后面偷偷记录：几点来、几个人、点什么、平均待多久。慢慢地，行为数据比客套话诚实得多。

JTBD研究有两条腿：访谈与观察。访谈能问出动机和场景，用“五个为什么”一路追问，比如“为什么吃面”→“因为没时间”→“为什么没时间”→“因为加班”→“为什么加班”→“因为要赶项目上线”。观察则能看到真实场景中的选择，比如顾客嘴上说“想吃清淡的”，手却点了最辣的招牌面。言行不一致非常常见，而真正可靠的结论，来自两者的交叉验证。

要量化任务，可以用经典的 FTU 打分法，给每个候选任务三个维度打分：频率、强度、未满足度，三者相乘得到优先级。

$$\text{优先级}=F(\text{频率}) \times T(\text{强度}) \times U(\text{未满足})$$

1. 频率 F：统计周期内该任务被触发的次数，代表这个 Job 在市场里出现的密度。

$$F=\frac{N_{\text{触发次数}}}{T_{\text{统计周期}}}$$

2. 强度 T：用户对该任务重要程度的主观评分，取值范围 0 到 1，越接近 1 越重要。

$$T=\text{重要性评分}\in[0,1]$$

3. 未满足度 U：现有方案离用户期望还差多远，差距越大，撬动用户的机会越大。

$$U=1-\frac{S_{\text{现有方案满足}}}{S_{\text{期望满足}}}$$

4. 综合打分：三维相乘得到可横向比较的优先级分数。

$$F \times T \times U$$

老王的“任务簿”逐渐成形：工作日的快手午餐是高频高强任务，周五晚上朋友聚会是中频中强任务，深夜加班族的暖胃面则是低频但未满足度极高的任务。他第一次意识到，自己每天忙碌的核心不是把面做得多好吃，而是把这几份“工作”做得更稳更准。

场景挖掘洞察

一天下午四点半，几个外卖小哥提前到店，点大碗面，蹲在门口十分钟吃完。老王问他们为什么这么急，师傅们说：“趁晚高峰前把肚子填饱，等会儿接单根本没空吃饭。”老王看着他们离去的背影，第一次意识到：同一个“快速吃口饭”的任务，在不同时间、不同身份的人身上，会演化出完全不同的场景。

任务从来不能脱离场景存在。场景定义了“何时、何地、因何、求何”。“快速吃口饭”在睡到自然醒的周末上午、在赶晚高峰的骑手午后、在凌晨改方案的加班夜，需要的是三种不同产品。一个完整的任务场景包含四个要素：触发条件（什么事件点燃了需要）、情境要素（时间地点可用资源）、期望结果（完成后用户的状态）、失败阻碍（当前方案卡在哪里）。

场景价值也可以量化，公式很简单：用户损失越大、解决成本越低，这个场景越值得优先满足。

$$\text{场景优先级}=\frac{L_{\text{用户损失}}}{C_{\text{解决成本}}}$$

1. 用户损失：任务不被满足时，用户因浪费时间、机会和情绪而产生的总损失。

$$L = T_{\text{浪费}} \times V_{\text{时间}} + F_{\text{情绪挫败}}$$

2. 解决成本：为了满足该任务，产品或公司需要付出的研发、运营和用户学习成本。

$$C = C_{\text{研发}} + C_{\text{运营}} + C_{\text{学习}}$$

3. 优先级比值：损失作分子、成本作分母，比值越大代表撬动价值越高。

$$\frac{L}{C}$$

老王开始为“外卖骑手晚高峰前 30 分钟”重新设计出餐动线：提前备菜、免辣选项、便携包装、优先出餐。场景就是一个放大镜，让任务从模糊的“顾客想吃面”变成清晰的“骑手想在 10 分钟内带着饭离开”。

AI能力匹配

老王心动了，他差点买下一台“全自动智能炒菜机器人”，店员现场演示炒出来的宫保鸡丁确实不错。可晚上回到家，老王冷静下来一想：顾客的目标难道是想看机器人炒菜吗？不，他们的目标是“快而稳地吃上一口热乎饭”。这个任务里，备菜、切配、洗锅确实可以自动化，但核心的“火候与口味”用标准化预制方案就能解决。花大价钱雇个机器人，属于杀鸡用牛刀。

AI 产品经理常遇到的诱惑就是“手里有锤子，看什么都像钉子”。正确的姿势是把任务拆成步骤，标出哪些步骤可重复、可模式化，再看用什么 AI 能力承接。于是有了“任务-能力”匹配表：文案创作、摘要总结交给大语言模型；邮件归档、客服意图识别交给 NLP 加向量检索；库存预测、销量预估交给时序模型；证件识别、缺陷检测交给计算机视觉。

匹配程度可以用一个公式粗算，三个因素两正一负：

$$\text{AI匹配度}=R_{\text{重复度}} \times D_{\text{数据可获取性}} - E_{\text{错误代价}}$$

1. 任务重复度：任务中可自动化步骤占全部步骤的比例，比例越高越适合机器。

$$R=\frac{N_{\text{可自动化步骤}}}{N_{\text{总步骤}}}$$

2. 数据可得性：已有数据占所需数据的比值，数据不足时 AI 就是无米之炊。

$$D=\frac{V_{\text{已有数据}}}{V_{\text{所需数据}}},\quad 0\le D\le 1$$

3. 错误代价：AI 出错的期望损失，等于单次错误损失乘以出错概率。

$$E=C_{\text{单次错误损失}} \times P_{\text{出错概率}}$$

4. 计算匹配度：前两项做乘法鼓励叠加优势，错误代价作为减法控制风险。

$$M = R \times D - E$$

老王最终没有买机器人，而是雇了一个熟手师傅，再配上标准化的切配流程。AI 不是身份的象征，而是为用户打工的员工。请任何一位“员工”之前，都要先问：这份任务清单，真的需要这个人的技能吗？

资源约束取舍

愿望清单越来越长：AI备货预测、AI差评回复、会员画像推荐、自动开票……每一项看起来都值得做。但面馆就两个人，资金、时间、精力全都有限。老王终于意识到，一个面馆最好的状态不是什么都做，而是把最该做的两件事做到极致。

资源约束是所有产品决策的现实背景。JTBD 的决策路径是：把候选任务按价值排序，选出性价比最高的前几名，而不是眉毛胡子一把抓。ICE 评分是最常用的排序工具，它让拍脑袋变成可讨论的打分。

$$\text{ICE}=I(\text{影响}) \times C(\text{信心}) \times E(\text{简易度})$$

1. 影响 I：该方案对用户完成核心任务的整体帮助程度，评分范围 1 到 10。

$$I=\text{预计对任务完成率的提升幅度}\in[1,10]$$

2. 信心 C：团队对技术路径和数据支撑的把握程度，评分越高越有底气。

$$C=\text{团队验证技术的把握}\in[1,10]$$

3. 简易度 E：方案落地的难易程度，值越大代表越快见到效果。

$$E=\text{落地难度倒数}\in[1,10]$$

4. 综合得分：分值跨度越大，排序差异越明显，方便跨方案横向比较。

$$I \times C \times E$$

还要克制一个冲动：别一上来就做大而全。先做一个最小可行产品，用最小的闭环验证核心假设，再决定是否加码。上线前问自己一句话：如果不上这个功能，用户最痛的是什么？如果有更便宜的替代方案，就再等等。资源约束下的选择，本质上是战略取舍。

老王最终只留下两个“AI 雇员”：备货预测和差评自动摘要，其余全部缓办。不是那些功能不重要，而是当前的约束条件下，这两件事离“用户的饭桌任务”最近，也最容易快速见效。

验证反馈闭环

两个月后，老王没有着急上第二个新功能，而是在橱窗贴了张二维码：“扫一扫，告诉我哪碗面让你失望了。”他每天看备货预测的报损率，统计自动摘要帮他省下了多少回复差评的时间。他发现自己对 AI 的看法变了——AI 不是魔术，而是一个可以被考核业绩的雇员。

产品上线只是开始。JTBD 闭环的最后一步，是验证用户的任务是否真的被更好地完成了。三个核心指标值得每天看：任务完成率（多少人尝试并成功了）、任务完成耗时（比之前快了多少）、任务失败点分布（卡在哪个环节）。用 A/B 测试对比新旧方案，才能判断“换雇员”是否真的划算。

$$\Delta = CR_{\text{新方案}} - CR_{\text{旧方案}}$$

其中任务完成率 CR 定义为：

$$CR=\frac{N_{\text{成功完成任务}}}{N_{\text{尝试任务}}}$$

1. 任务完成率：尝试用户中真正完成任务的比例，衡量“能不能帮上忙”。

$$CR=\frac{N_{\text{成功完成任务}}}{N_{\text{尝试任务}}}$$

2. 方案增量：新旧方案完成率之差，正数代表新方案真的有效。

$$\Delta = CR_{\text{新}} - CR_{\text{旧}}$$

3. 相对提升：消除原有水平差异的百分比指标，便于跨项目对比。

$$\text{提升百分比}=\frac{\Delta}{CR_{\text{旧}}}\times 100\%$$

一个月后，老李发现备货预测把食材浪费从 8% 降到了 3%。他开始平淡地看待这些 AI 能力：“它只是把我本来就要做的事，做得更快更稳了。”真正的产品价值从来不是新技术本身，而是任务完成得更好之后，用户生活里那一点点实实在在的变化。

AI 应用场景

Python 演示

# JTBD优先级筛选演示：FTU打分 + ICE打分 + 预算约束选择import math class JTBDScorer:    def __init__(self, task_item_list):        self.task_item_list = task_item_list     def ftu_rank(self):        for item in self.task_item_list:            item['ftu'] = item['freq'] * item['intensity'] * item['unmet']        return sorted(self.task_item_list, key=lambda x: x['ftu'], reverse=True)     def ice_rank(self):        for item in self.task_item_list:            item['ice'] = item['impact'] * item['confidence'] * item['ease']        return sorted(self.task_item_list, key=lambda x: x['ice'], reverse=True)     def pick_with_budget(self, budget, rank_key='ice'):        ordered = sorted(            self.task_item_list,            key=lambda x: x.get(rank_key, 0),            reverse=True        )        picked_list = []        used_cost = 0        for item in ordered:            if used_cost + item['cost'] <= budget:                picked_list.append(item)                used_cost += item['cost']        return picked_list, used_cost  def main():    tasks = [        {'name': 'AI写周报', 'freq': 8, 'intensity': 5, 'unmet': 0.4,         'impact': 7, 'confidence': 8, 'ease': 6, 'cost': 3},        {'name': 'AI会议纪要', 'freq': 9, 'intensity': 6, 'unmet': 0.5,         'impact': 8, 'confidence': 7, 'ease': 7, 'cost': 2},        {'name': 'AI邮件摘要', 'freq': 7, 'intensity': 7, 'unmet': 0.6,         'impact': 8, 'confidence': 6, 'ease': 5, 'cost': 3},        {'name': 'AI营销文案', 'freq': 5, 'intensity': 9, 'unmet': 0.8,         'impact': 9, 'confidence': 6, 'ease': 4, 'cost': 4},        {'name': 'AI翻译文档', 'freq': 4, 'intensity': 6, 'unmet': 0.5,         'impact': 6, 'confidence': 9, 'ease': 5, 'cost': 3},        {'name': 'AI代码审查', 'freq': 3, 'intensity': 8, 'unmet': 0.7,         'impact': 8, 'confidence': 5, 'ease': 3, 'cost': 5},    ]     scorer = JTBDScorer(tasks)     print('FTU 优先级排序（发现阶段）:')    for item in scorer.ftu_rank():        print('  {0:<8} FTU={1:.2f} cost={2}'.format(            item['name'], item['ftu'], item['cost']        ))     print('\nICE 优先级排序（取舍阶段）:')    for item in scorer.ice_rank():        print('  {0:<8} ICE={1:.1f} cost={2}'.format(            item['name'], item['ice'], item['cost']        ))     print('\n预算为 8 单位时的最终选择:')    picked_list, used_cost = scorer.pick_with_budget(8)    for item in picked_list:        print('  - {0} (ICE={1:.1f})'.format(item['name'], item['ice']))    print('  已用成本 {0} / 预算 8'.format(used_cost))  if __name__ == '__main__':    main()

1. class JTBDScorer:封装 JTBD 打分与预算选择的工具类，便于复用。
2. item['ftu'] = item['freq'] * item['intensity'] * item['unmet']FTU 三维相乘，频率、强度、未满足度缺一不可。
3. sorted(..., key=lambda x: x['ftu'], reverse=True)按 FTU 降序排列，让最高优先级自然靠前。
4. item['ice'] = item['impact'] * item['confidence'] * item['ease']ICE 打分同样用乘法，跨方案可比。
5. pick_with_budget(budget, rank_key='ice')在预算内按排序收割，体现“先雇最有价值的员工”。
6. if used_cost + item['cost'] <= budget:逐个检查是否装得下，装不下的高价值项目先忍痛跳过。

常见误区

面试题