解读

面试官想验证三件事：

1. 你是否能在算法能力≠用户魔法的前提下，提前把“AI 做不到”说清楚；
2. 你是否能把技术语言翻译成用户可感知的价值，并给出可量化的体验承诺；
3. 当上线效果与承诺出现偏差时，你用什么机制把口碑“拉回来”，甚至转化为信任增量。
   案例必须体现“事前-事中-事后”完整闭环，且结果要用用户原话或公开评分提升来佐证。

知识点

1. 预期管理三段论：①技术边界显性化→②价值指标故事化→③迭代节奏透明化。
2. AI 产品特有踩坑点：召回≠精准、离线指标≠在线体感、冷启动数据偏态。
3. 国内用户敏感点：个人信息合规、结果可解释、失败案例能否“赔得起”。
4. 口碑逆转工具：灰度公告、分层补偿、专家直播答疑、用户共创数据计划。
5. 数据闭环反哺：把负面 case 自动回流标注池，两周内给出“问题-修复-验证”报告，让用户看到“我的吐槽被算法学会了”。

答案

案例背景：22 年 Q2 我负责上市券商 APP 的智能“一键赎回”功能，模型根据用户持仓与市场流动性预测赎回到账时间（T+0~T+3）。
事前：上线前 20 天，我拉着算法团队把 95% 置信区间从“±0.7 天”翻译成用户语言——“80% 订单可提前 1 天到账，剩余 20% 最多延迟 1 天”，并在灰度公告里用红色字体注明“市场极端波动除外”。同时把“不可控因子”做成折叠页：节假日、基金大额赎回、央行支付系统维护，用 3 个历史实例告诉用户这不是“甩锅”。
事中：灰度 5% 阶段，发现债券型基金因流动性数据缺失，延迟率 35%，远超承诺。我当天 18:00 发出“延迟补偿”方案：凡延迟超 1 天，平台补贴年化 3% 的现金券，可抵扣基金申购费。补贴规则写进弹窗，用户点“已知”才能继续交易。
事后：两周内把 1.2 万条负样本回流标注，新增 7 个流动性特征，模型 MAE 从 0.71 降到 0.43。我邀请 20 位吐槽最凶的用户进“赎回体验官”群，直播展示新模型效果，并把他们的 ID 写进鸣谢页。最终：

• 小米应用商店该版本评分从 2.9 拉回 4.6，新增评论关键词“靠谱”“赔得起”；
• 客服投诉量下降 62%，NPS 提升 18 点；
• 功能上线 3 个月，赎回交易量提升 2.4 倍，零额外获客成本。
  这段经历让我固化了一套“AI 预期管理 SOP”，后续复制到智能选股、AI 小蜜等模块，均实现 0 重大舆情。

拓展思考

1. 如果再来一次，我会把“补偿预算”前置到 PRD 的 ROI 测算里，而不是事后申请，这样财务可以提前预留，避免灰度期垫资。
2. 对于 B 端金融客户，补偿方案需区分“机构”与“散户”，机构更在意 SLA 罚金，散户更在意体验券，预期管理话术要分层。
3. 未来可引入“用户自选置信区间”模式：保守用户选 99% 区间，激进用户选 80% 区间，系统给出对应补偿系数，把预期管理做成产品差异化卖点。