解读

面试官想验证三件事：

1. 能否在需求源头识别“AI 不是最优解”——即对算法能力边界、成本结构、ROI 有量化判断；
2. 能否用数据 + 场景逻辑说服业务方“放弃 AI”，而不是简单否定；
3. 是否具备“产品经理的守门人”立场：守住公司算力、数据、合规三张预算表，也守住用户价值。

因此，案例必须呈现“发现问题—量化验证—替代方案—结果复盘”的完整闭环，且关键决策点要落在“不上 AI”。

知识点

1. 伪需求信号：ROI<1、规则可达、数据不可闭环、合规灰区、用户不感知。
2. 成本模型：GPU 租赁≈0.6 元/卡时，数据标注 15～30 元/条（复杂实体），模型迭代 3～5 轮起。
3. 替代工具：规则引擎、正则+词典、RPA、OCR 模板、低代码流程。
4. 说服技巧：
   • 用“业务损失”而非“技术术语”翻译成本；
   • 给出可落地的 Plan B，并承诺 2 周内交付；
   • 让业务方亲手体验对比结果，形成认知落差。
5. 复盘指标：节省算力卡时、提前上线天数、减少标注费用、业务方 NPS 提升。

答案

案例背景：某头部城商行信用卡中心提出“AI 智能还款提醒话术生成”，希望用大模型针对 800 万逾期用户生成个性化短信，目标提升还款率 3%。
触发警觉：

• 规则可达——现有 12 条模板按逾期天数、性别、额度、历史还款记录组合，已覆盖 98% 场景；
• 数据缺口——历史短信仅记录“是否还款”，无“用户读完短信后的情绪、原因”等反馈，无法形成 label；
• 成本倒挂——按 10B 参数模型推理，800 万条需约 2 万 GPU 分钟，折合 1.2 万元/次，外加 30 万元合规评审（大模型金融内容需双录及人工复核），而 3% 还款提升带来的净利润增量仅约 18 万元，ROI≈0.5；
• 合规风险——人行《个人征信合规指引》要求“营销内容可解释”，大模型黑盒无法逐条留痕。

劝阻过程：

1. 48 小时内拉取近 6 个月 A/B 数据，发现规则模板组与人工文案组还款率差异 <0.2%，p=0.31，无统计显著性；
2. 用 2000 条真实短信做盲测，让业务团队挑选“最佳文案”，结果 71% 选中的是规则模板，打破“AI 一定更走心”的预设；
3. 提出“规则+动态变量”轻量方案：把用户剩余额度、最小还款额、征信分 3 个变量插入原模板，开发排期仅 3 人日；
4. 给出成本对比表：新方案 0 元算力，合规评审免审，2 周即可上线；
5. 业务方采纳后，还款率提升 0.8%，虽未达到原 3% 宏愿，但节省 31 万元预算，提前 6 周释放运营人力，项目 ROI>10。

复盘：

• 在 PRD 评审阶段设置“非 AI 方案必须同行评审”门槛，后续 3 个月团队砍掉 4 个类似伪需求，累计节省 GPU 卡时 5.8 万分钟；
• 把本次案例沉淀为《金融场景 AI 需求自检 6 问》，纳入公司 PMO 模板。

拓展思考

1. 如何建立“AI 需求防火墙”？
   可在需求池看板增加“非 AI 替代方案”必填字段，由算法、法务、财务三方在排期前打分，低于 60 分直接打回。
2. 如果业务方坚持“就要 AI”怎么办？
   先签“对赌协议”：AI 方案若未达约定指标，由需求方承担 50% 算力与标注成本，把风险回传，通常可让头脑发热者冷静。
3. 个人成长：
   把每一次“劝阻”写成内部技术博客，既积累影响力，也训练自己用 30 秒电梯陈述讲清“为什么不用 AI”，这是高阶 AI 产品经理的核心竞争力。