解读

面试官问的不是“二选一”，而是考察候选人能否在“算法指标”与“用户可感知价值”之间做出动态权衡，并给出可落地的中国本土打法。回答必须体现三点：①对业务阶段与核心瓶颈的判断框架；②对国内数据合规、算力成本、用户耐心的真实约束的理解；③可量化的决策依据与迭代节奏设计。

知识点

1. 业务阶段论：0→1阶段（PMF验证）优先“够用即上线”，1→N阶段（规模化变现）再追求极致精度。
2. 用户容忍阈值：国内C端用户平均给新AI功能≤2次试错机会，B端客户以合同SLA为准，容错更低。
3. 成本模型：GPU算力租金占AI产品毛利15%以上即为红线；数据标注单价0.3～1.2元/条，精度每提升1%，标注成本指数级上升。
4. 合规风险：《生成式AI管理暂行办法》要求上线前完成“安全评估”，过度调优导致内容生成不可控，反而增加下架风险。
5. 北极星指标拆解：用户侧用“首次意图满足率”（FIR）代替抽象Accuracy；模型侧用“Top-1错误率”或“F1@95%置信区间”；商业侧用“单用户毛利贡献（ARPU）-算力成本”差值。
6. 技术债评估：精度提升>3%需引入≥1个月额外数据闭环，延迟商业化=机会成本；可用“精度-延迟-成本”三维帕累托前沿曲线快速估算最优解。

答案

我会用“三阶漏斗”决策法而非简单二选一：

第一步，看业务所处阶段。若产品尚未完成PMF（如DAU<10万或客户<10家），模型精度只要达到“用户可接受底线”即可上线，把迭代周期让给用户体验与场景验证。底线定义：C端FIR≥65%，B端合同SLA≥90%。

第二步，算经济账。用“单点精度提升边际收益/边际成本”模型：每提升1%精度带来的新增留存或付费，能否覆盖新增算力+标注+合规成本？国内GPU租金高，当边际成本>边际收益×1.5倍时，暂停精度优化，转做体验优化（如缓存策略、前置规则、端侧轻量化模型）。

第三步，控风险。若精度提升会引入不可解释或合规灰区（如医疗、金融、未成年人场景），优先做可解释性封装与人工兜底，而非继续调参。

落地节奏举例：上一版OCR识别准确率92%，用户投诉集中在“拍照角度偏移导致识别为空”。经漏斗评估，发现把准确率提到95%需再采标20万张图片、延迟上线6周；而加入“拍摄引导动画+边缘留白检测+为空自动提示重拍”只需2周，可将投诉率降70%，FIR从65%提到78%。此时优先体验优化，等DAU破50万后再启动“95%精度”项目，同时用A/B测试锁定收益。

结论：没有永恒优先级，只有“阶段-成本-风险”三维约束下的最优解；AI产品经理的核心职责是让模型精度与用户体验在同一根ROI曲线上对话，而不是对立。

拓展思考

1. 如何设计“可回滚”的精度实验？答：采用影子模式（shadow deployment）+特征开关，确保精度实验异常时5分钟内切回旧模型。
2. 国内云厂商GPU资源紧张，如何提前锁定算力？答：与商务签“预付费+弹性配额”协议，把模型训练窗口锁定在凌晨0-6点低价时段，降低30%成本。
3. 当精度与体验出现“跷跷板”时，如何向管理层争取资源？答：用“机会成本”语言翻译技术债：每延迟1个月上线，市场窗口被竞品占据，预计损失××万DAU或××万元合同，以此争取预算与排期。