解读

面试官想验证三件事：

1. 你是否能把“痛点”拆成可量化的业务指标，而不是拍脑袋；
2. 你是否具备“算法-数据-成本”三位一体视角，能预判AI方案的真实ROI；
3. 你是否建立了上线后持续回收数据、反向验证假设的闭环机制。
   一句话：不是问“功能酷不酷”，而是问“值不值、能不能、久不久”。

知识点

1. 痛点三要素：强度（用户愿意付出多少成本）、频次（需求出现密度）、替代成本（不用AI的代价）。
2. AI功能特有的“复杂度税”：数据标注成本、模型迭代周期、算力消耗、合规审批、可解释性要求。
3. 技术可行边界：样本量≥10×特征维度、正负例比例≤1:20、线上延迟≤业务容忍上限的30%、算法指标提升≥基线5%才触达用户可感知阈值。
4. 商业验证公式：Δ业务指标 × 指标货币化系数 − (数据成本 + 算力成本 + 维护成本 + 风险溢价) > 0。
5. 国内落地特殊约束：个人信息保护法（PIPL）下的最小可用原则、算法备案、网信办A/B测试白名单、国企/金融客户对可解释报告的强制要求。
6. 数据闭环指标：上线后7日回流数据量/训练数据量 ≥15%，模型漂移PSI≤0.1，用户负反馈率≤1%。

答案

我采用“四阶十二问”模型快速过滤：

阶段1：需求真伪
① 强度：若明天下线该功能，核心用户是否愿意多付10%费用或增加30%使用时长？
② 频次：过去30天该场景PV占大盘比例是否≥5%？
③ 替代成本：现有规则或人力方案的综合成本是否高于AI方案预估成本的1.5倍？

阶段2：技术可行
④ 数据：已沉淀可标注样本≥1万条且标注成本≤项目预算20%？
⑤ 指标：离线基线F1≥0.6，且预期提升≥5个百分点即可覆盖用户可感知阈值？
⑥ 延迟：线上推理P99延迟≤业务容忍值（如电商搜索≤120 ms）？

阶段3：商业合算
⑦ 货币化：Δ转化率或Δ人效带来的年化收益≥（数据+算力+维护）总成本的3倍？
⑧ 风险：合规评审一次性通过概率≥80%，若需算法备案，时间窗口是否≤3个月？
⑨ 维护：模型更新周期≥3个月，且单次迭代人力≤1 PD/月？

阶段4：闭环可持续
⑩ 数据回流：上线后每日可自动回收带标签数据≥训练集1%？
⑪ 漂移监控：PSI>0.1时能否在48小时内触发自动重训？
⑫ 用户负反馈：投诉或“不再推荐”率≤1%，且可定位到特征级别根因？

只有十二问全部“yes”，我才认定该AI功能解决的是核心痛点；任一“no”即视为增加系统复杂性，暂停或降级为规则方案。

拓展思考

1. 灰度反向验证：先上线“假AI”（随机策略+人工兜底），若业务指标仍显著上涨，说明痛点真实但AI非唯一解，可降级为轻规则。
2. 复杂度折现曲线：把模型参数量、特征维度、标注人日折算成“技术债”，用OKR方式逐季度偿还，防止“隐形复杂性”滚雪球。
3. 国内甲方博弈：在国企、金融客户场景，提前把“可解释报告+算法备案+数据出境评估”写入合同里程碑，避免验收时因合规材料不全被一票否决。