失败案例与教训：做减法策略与产品聚焦

可视化演示

展示AI产品做减法策略四维度：功能蔓延风险、价值-成本决策矩阵、80/20资源聚焦、PMF验证扩展时机。切换模式查看各维度，拖动滑块调节聚焦强度。

减法策略认知

老王的面馆起初只有三道面：牛肉面、炸酱面、素面。他每天凌晨四点熬汤，面条现拉现煮，熟客说“闭着眼点都不会错”。有人问他怎么不多做几样，他只是笑。这时的老王无意间做对了产品经理最该做的事：把全部资源押在三样招牌上。AI 产品的加法陷阱，本质就是同一句话的另一个版本——每新增一个功能，都觉得离“全能助手”更近一步，实际上离“卓越产品”更远一步。

在 AI 产品语境里，做减法不是简单地少做功能，而是主动收敛能力边界，把算力、标注数据、工程师时间集中投给最能兑现用户价值的场景。团队资源好比面馆厨房，灶台就那几个，火力就那么大。菜单越厚，每道菜分到的灶台时间越少，招牌菜也就越平庸。

用一个粗粝但解释力很强的模型描述这个过程：产品价值等于核心功能质量除以功能数量。分子是面包，分母是面包上要抹的酱——酱越多，面包原本的麦香越尝不出来。

老王真正顿悟是在第三个月。他盯着 50 道菜的菜单一愣：最赚钱的牛肉面已经三个月没有精进过。“原来我一直在用牛肉面的血，养一堆没人吃的菜。”——减法策略的第一课，就是看清功能数量对核心质量的稀释。菜单厚度不是荣誉，是负债。

产品聚焦原理

老王关店三天，想明白一个问题：这家店到底为谁而开？他翻账本发现，七成客人是深夜下班的年轻人，不挑环境，只求快、热、稳。这就是聚焦的第一步——不是先砍功能，而是先选用户。选定用户，价值主张才会浮出水面：十分钟端上一碗暖心牛肉面，仅此而已。

他不做奶茶，不做烧烤，不是因为不会，而是因为那些菜与“深夜一碗面”的故事无关。产品聚焦原理由三块拼图构成：核心用户定位、价值主张聚焦、差异化竞争。三者缺一，“砍功能”就变成了“乱扔东西”。

聚焦度还可以量化。借用经济学里的赫芬达尔指数，把每个功能分到的资源占比平方后求和：占比越集中，指数越高，说明资源越聚焦；指数越低，说明火力被摊平。

老王把候选菜从头到尾抄了一遍，在每道菜旁边写下两行字：它服务谁？它强化还是稀释主故事？写完之后他发现，真正配得上菜单的只有十二道。聚焦不是把店变小，而是让每一道菜都壮大同一个故事。

失败案例剖析

可惜老王没守住自己的原则。开业三个月，一位熟客随口说了句“要是有辣菜就好了”，第二天麻婆豆腐就上了菜单。又有人说晚上想吃点甜的，三道甜品跟进。三个月后菜单 50 道，后厨从两人加到六人，出餐反而更慢。

把这段失败拆开，能看到四个典型病灶：功能膨胀、需求误判、资源分散、迭代失速。听一个人随口一句就上菜，是需求误判；每道菜都要备料换勺，是资源分散；所有菜都在改，没有一道菜真正精进，是迭代失速。

现实中这样的 AI 产品俯拾皆是。某智能客服团队早期只做“订单查询”意图，准确率 95%；为了覆盖更多场景把意图加到 40 个，准确率一路跌到 70%，用户开始狂敲“转人工”。原因在于每个意图都要标注数据、调策略、做评测——意图越多，单个意图分到的优化资源越少。这种边际价值递减可以写成：

老王看着后厨堆积到过期的食材，终于承认“我不是在经营面馆，我是在开杂货铺”。失败案例总是相似的：不是“想做太多”，而是“不敢承认自己在做太多”，于是用更多功能掩盖更烂的质量。

案例教训提炼

老王把 50 道菜逐一盘问，盘出三条铁律，后来成为他砍菜单的判据：一，删掉它，常客会不会心痛？二，不做它，有没有替代方案？三，如果做不好，是不是比不做更糟？三条全中“是”，下架。

套进 AI 产品，砍功能的判据可以量化为四个维度：使用频率 U、不可替代性 S、维护成本 C、对核心体验的干扰度 D。真正该砍的不是“用得少”的功能，而是“维护高、干扰大、还不可替代性低”的功能。比如一个调用量极低却要每月调模型的“情绪识别”，就是标准减法对象。

教训里还藏着成本意识：每个功能都有隐藏成本，标注、评测、客服、兼容、品牌承诺，比代码本身贵得多。所以砍功能不是删代码，还要处理存量用户与迁移。教训二是节奏控制：做减法不要等年度大扫除，要把它融入每个迭代的默认动作。

砍完菜单那天，老王把 50 道菜删到 12 道。他描述那种感觉：“厨房终于安静了，我能听见火的声音。”——砍掉的每一道菜，其实都是还给招牌菜的灶台火力。

减法策略方法

为了让砍菜单不再凭感觉，老王发明了点单率打分：每道菜记三笔账，谁点、点几次、剩多少。三个月后，剩菜最多的三道自动下岗。AI 产品做减法同样需要量化标尺，否则产品评审会永远在“我觉得”之间打架。

工业界最常用的标尺是 RICE 模型，四个字母对应四个问题：这个功能触达多少用户？影响多大？团队有多大把握？要投入多少成本？分数等于触达乘影响乘信心再除以成本。

RICE 之外还有两条辅助线。一条是用户反馈翻译：“我要 XX”要译成“他为什么在此时需要 XX”，像老王听懂“想吃辣”其实是“夜里想要一点刺激感”。另一条是数据决策：看留存、活跃、任务完成率，而不是功能调用次数。至于取舍模型，答案永远是——先做让核心指标动得更快的那个。

老王把点单率表贴在墙上，每周更新，他对手下说：“感觉会骗人，账单不会。”——做减法的方法论，核心就是把这句朴素的话翻译成产品语言：把“舍不得”变成“算得清”。

聚焦落地实践

新菜单定了 12 道菜，老王没有急着正式营业，而是先试营 21 天。这 21 天菜单锁死，只记录数据。这就是 MVP——最小可行验证：用最小的菜单，验证最大的假设——“顾客愿意为精简的菜单再来一次吗？”

MVP 验证的核心假设，不是交付完整产品。AI 产品做减法的落地路径同理：先把范围收到单一场景，比如 AI 写作助手只做“周报生成”，跑通了再谈扩到日报、月报；一上来就做“全场景写作”，等于一上来就想蒸 50 道菜。

落地还讲究团队协作的聚焦：后厨一人一灶只做招牌，产品团队一个迭代只推一个核心功能。站稳后进入平衡扩展：连续两个周期核心指标向上，才允许加一道新菜；每季度做一次菜单大扫除。功能数量与成功概率的关系可以近似为一个指数衰减模型：每个功能都带来一点跑偏风险，功能越多，全部不出错的概率越低。

21 天后，数据给出了答案：翻台率涨了 30%，老顾客回来了。老王给新菜单起了个名字叫“减法菜单”。员工笑他：别人家菜单越做越厚，你倒好。他说：“菜单薄，是因为故事长。”

效果评估指标

重新开张一个月，老王只盯三本账：回头客账——来过三次以上的客人占多少；带客账——老客人带来新客人的次数；浪费账——每天倒掉的备料成本。这三本账，对应着 AI 产品里最经典的三组指标：留存率、净推荐值、资源效率。

留存率是聚焦的体检报告，回答“用户愿不愿意再来”；净推荐值回答“你有多大可能把朋友带过来”，用推荐者比例减去贬损者比例；资源效率回答“每一份投入换回多少有效产出”，衡量减法是否真的省出了战斗力。

单一指标会骗人，把三本账合成一个加权健康分更稳妥。老王给回头客账打了四成权重，带客账三成，浪费账三成——因为对他来说，常态复购永远是面馆的命根子。

半年后，老王的面馆成了这条街的深夜食堂，菜单仍是 12 道。他的总结只有一句：“做减法不是把店做小，是让每一碗面都有名字。”——AI 产品聚焦的终局，正是这样一列很短的菜单，每一行都有人在等。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""RICE 模型: 用做减法的方式, 帮 AI 产品决定砍掉哪些功能"""  class Feature:    """一个候选功能, 记录 RICE 打分所需的四个字段"""     def __init__(self, name, reach, impact, confidence, effort):        self.name = name        self.reach = reach          # 月触达用户数(单位: 千人)        self.impact = impact        # 影响力, 1-3        self.confidence = confidence  # 信心指数 0.0-1.0        self.effort = effort        # 投入成本(人周)     def rice_score(self):        """RICE = 触达 x 影响 x 信心 / 成本"""        return self.reach * self.impact * self.confidence / self.effort  def prune_features(features, threshold):    """按 RICE 阈值切分菜单: 高分保留, 低分建议砍掉"""    scored = sorted(features, key=lambda f: f.rice_score(), reverse=True)    keep_list = [f for f in scored if f.rice_score() >= threshold]    prune_list = [f for f in scored if f.rice_score() < threshold]    return keep_list, prune_list  def show(name, features):    if not features:        print("(空)")        return    for f in features:        print("{}  RICE={:.2f}".format(f.name, f.rice_score()))  def main():    features = [        Feature("智能客服意图识别", 120, 3, 0.9, 6),        Feature("个性化话术推荐", 80, 3, 0.8, 8),        Feature("情绪识别安抚", 60, 2, 0.5, 14),        Feature("多语言实时翻译", 30, 2, 0.4, 20),        Feature("会议纪要自动转写", 20, 1, 0.6, 18),    ]    keep_list, prune_list = prune_features(features, threshold=15.0)    print("=== 保留(聚焦区) ===")    show("keep", keep_list)    print("=== 建议砍掉(减法区) ===")    show("prune", prune_list)  if __name__ == "__main__":    main()

1. return self.reach * self.impact * self.confidence / self.effortRICE 公式的实现，分数越高越值得做。
2. scored = sorted(features, key=lambda f: f.rice_score(), reverse=True)按分数降序排列，让高分优先被看到。
3. keep_list = [f for f in scored if f.rice_score() >= threshold]高于阈值的进入保留区，继续聚焦投入。
4. prune_list = [f for f in scored if f.rice_score() < threshold]低于阈值的进入减法区，建议下架。
5. Feature("多语言实时翻译", 30, 2, 0.4, 20)触达少、信心低、成本高的典型该砍对象。
6. if __name__ == "__main__":可执行入口，让脚本能直接跑出砍菜单结论。

常见误区

面试题