# AI Pm Method Yujun

> 《俞军产品方法论》(俞军等，中信出版社 2019) 方法论。把书中的用户价值公式、交易模型、决策效用理论 改造为 AI 产品经理在 AI 化决策 / 需求评估 / 效用比较场景可直接执行的规则集。 每条规则标注原书章节或公开演讲来源；无法追溯的标注 [推断]。 触发词：「俞军」「用户价值公式」「新体验-旧体验-换用成本」「交易模型」「决策效用」 「用户样本原理」「PM 决策责任」。 用户问"AI 化能带来多少增量效用""用户为什么不迁移""AI Copilot 该不该做"时也可触发。

- Skill: `spacezephyr/ai-pm-method-yujun` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add spacezephyr/ai-pm-method-yujun`
- Raw SKILL.md: https://api.skillmd.com/api/skills/spacezephyr/ai-pm-method-yujun/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: spacezephyr (https://skillmd.com/u/spacezephyr)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/spacezephyr/ai-pm-method-yujun

---


# 《俞军产品方法论》· 用户价值差 = 迁移与否的唯一判据

**核心命题**：产品是一场对多方公平的效用交易；用户会不会迁移，只看**新体验 − 旧体验 − 换用成本**是不是正的。AI 产品的特殊性在于新体验是**概率性**的，换用成本里**信任建立**特别贵。

## 什么时候用我

- 判断"一个流程要不要 AI 化 / 上大模型" → 框架 1（用户价值公式）
- 判断"用户为什么不迁移到我们新 AI 功能" → 框架 1 拆换用成本
- 判断"AI Copilot vs 传统 UI"的取舍 → 框架 2（交易模型）+ 框架 3
- 多个 AI 需求排优先级 → 框架 3（决策效用）
- 不适合：纯技术选型（模型/推理架构）、纯 UX 微观交互、B 端合规审批流

## 核心框架

### 框架 1：用户价值公式（第 3 章「用户模型」）

**原文**：`用户价值 = (新体验 − 旧体验) − 换用成本`

**AI PM 改造版**（针对概率性输出）：
```
AI 用户价值 = [E(新体验) − 旧体验] − 换用成本
E(新体验)   = 成功输出价值 × P(成功) − 失败代价 × P(失败) − 等待成本
换用成本    = 学习成本 + 迁移旧数据成本 + 信任建立成本 + 心理/习惯成本
```

**执行**：
1. 明确"用户"——**不是自然人，是"偏好+能力+情境"的集合**（第 3 章原句："用户不是自然人，是需求集合"）
2. 逐项相对分（1-10）量化新旧体验
3. 拆换用成本四项，任何一项高就要有对冲设计
4. 输出"用户价值差值表" + 迁移概率估计

### 框架 2：交易模型（第 4 章）

**核心命题**：产品是一组"效用交换"的持续促成。PM 的核心工作不是"做功能"，是**设计一场对多方公平的交易**。

**AI 产品新变量**：

| 传统产品 | AI 产品新变量 |
|---|---|
| 用户支付：钱 / 时间 / 广告注意力 | 追加：**信任**（幻觉容忍）、**隐私数据**、**认知负担**（校对成本） |
| 交付：确定性功能 | 交付：**概率性输出**（P(成功) < 1） |
| 边际成本近 0 | 边际成本非 0（token 成本） |
| 效用可预期 | 效用有方差（同一 prompt 结果不同） |

**执行**：
1. 列出所有参与方（用户、企业、第三方、模型供应商）
2. 每方写清"支付什么 / 获得什么 / 感知效用差 / 长期损益"
3. 检查每方净效用 > 0
4. **AI 追加一步**：评估幻觉发生时谁承担损失——决定信任模型与责任声明

### 框架 3：决策效用 + 用户样本原理（第 5、6 章）

- **决策效用理论**：PM 不选"最喜欢的"方案，而是估算**每个方案对目标用户群的效用期望值**并比较。方案 A 效用 100 覆盖 10 万人 vs 方案 B 效用 40 覆盖 1000 万人 → 后者常胜
- **用户样本量原理**：定性调研要**深度**（"一个用户看穿胜过 1 万份问卷"）；定量决策要**广度**（AB 测试）。**两者不能互换**

**AI PM 应用**：
- 上不上 AI 化：AI 覆盖用户 × 单次效用差 × 使用频次 − 模型成本 − 幻觉损失
- 用户访谈：AI 产品要挖"用户什么时候会关掉 AI、退回旧方式"（回退时刻是真信号）
- AB 测试：AI 输出有方差 → **分布对比**而非均值对比（否则低估长尾差体验的伤害）

## 决策规则（10 条）

1. 只有当"新体验 − 旧体验 > 换用成本"时用户才会迁移。差值为负一律不做（第 3 章）
2. AI 化先算期望效用：E(价值) = P(成功) × 收益 − P(失败) × 代价 − 等待成本。期望 ≤ 0 则不 AI 化（第 3 章 + [AI 适配]）
3. 换用成本必须拆四项：学习、数据迁移、信任、习惯。**AI 产品信任成本 ≥ 传统产品 3 倍**，需专门设计（[AI 适配]，俞军 2021 演讲"信任是最贵的成本"）
4. 一个用户是"偏好+能力+情境"的集合（第 3 章）——不要说"给学生用"，要说"在 X 情境下需要 Y 输出、能接受 Z 等待的人"
5. PM 决策先算效用差异再谈方案（第 6 章）——不允许"我觉得这个更好"式主张
6. 优先高频 × 高痛需求（第 3 章 "需求 = 频次 × 强度 × 广度"）。AI 产品优先切"高频 + 用户对失败容忍度高"（草稿、灵感），避开"低频 + 零容错"（医疗诊断一次成型）[AI 适配]
7. 交易必须多方净效用 > 0（第 4 章）。AI 追加：**幻觉发生时谁买单？没答案 → 不上线**
8. 定性用深度样本，定量用广度样本（第 5 章）。AI 产品访谈重点问"你什么时候不再信任它"
9. **警惕相对效用陷阱**：用户比较的是"这个 AI 版本"和"熟悉的旧方式"，不是"AI 版本"和"没有工具"（第 3 章）→ AI 产品真正对手常常是 Excel/Word/搜索框，不是别的 AI
10. 迭代看效用留存而非注册（第 6 章）——AI 产品首次惊艳容易，7 日留存才是真效用信号

## 检查清单

### 需求评估（用户价值公式 4 项）
- [ ] 用户群写成"情境+偏好+能力"（不是"某某人群"）
- [ ] 旧体验用具体行为流描述（现在几步、多久）
- [ ] 新体验分"成功路径"和"失败路径"两条估值
- [ ] P(成功) 基于测试集/竞品的估计（不是拍脑袋）
- [ ] 失败代价明确（时间浪费？错误决策？信任损失？）
- [ ] 学习成本估算
- [ ] 数据迁移成本
- [ ] 信任建立成本（几次成功才敢在关键场景用）
- [ ] 习惯/心理成本
- [ ] 净值 > 0 且对目标情境下用户样本 > 0（不是平均）

### 用户调研样本
- [ ] 定性访谈 5-10 个真实使用者，每人 ≥60 分钟
- [ ] 追问"什么时候你会关掉 AI 回旧方式"（回退信号）
- [ ] 追问"上次它出错时你怎么发现的、代价多大"
- [ ] 定量样本量足以看到**分布尾部**
- [ ] 不用问卷代替深度访谈
- [ ] 至少 2 类不同情境的用户

### 决策效用评估
- [ ] 至少 3 个候选方案（含"不做"）
- [ ] 每方案：覆盖人数 × 频次 × 单次净效用
- [ ] 成本估算：开发 / token / 运维 / 机会成本
- [ ] 幻觉责任归属明确
- [ ] "失败假设"：如果 P(成功) 比预期低 20pt，方案还成立吗
- [ ] 决策口径记录在案（第 6 章：PM 应对自己效用判断负责）

## 反模式

1. 拿低质量用户样本当结论——问卷 100 份 < 深访 5 个。AI 产品尤其致命，问卷问不出"你什么时候不信任它"（第 5 章）
2. 不算换用成本——只算新体验多好，忽视用户离开旧工具的成本。经典 AI 反例：AI 表格助手 vs 用户已经会的 Excel 快捷键（第 3 章）
3. 只看新体验、不看旧体验——用户参照系是旧方式不是空白（第 3 章）
4. 忽视 PM 效用判断责任——把决策推给"数据说了算"或"老板说了算"（第 6 章）
5. [AI 适配] 用平均值评估 AI 效果——均值 80 藏着 10% 的 20 分极差体验，对信任毁灭性
6. [AI 适配] 把"能做"当"该做"——技术能做 90% 场景，但换用成本 + 幻觉代价让净效用为负的场景占多数

## 边界声明

1. **年代局限**：出版于 2019，主要经验来自 2003-2018 的百度、滴滴。不涉及大模型、概率性输出、Prompt 交互。**所有 AI 特性都是本文档基于原框架 + 公开演讲（2021、2023）推断适配**，不是原文结论
2. **场景偏差**：偏 C 端大流量（搜索、地图、打车）。B 端 SaaS / 强合规（金融、医疗）需额外考虑决策链、合规成本，"用户"要区分决策者 vs 使用者
3. **文化偏差**：偏中国互联网竞争语境；全球化 AI 产品（企业订阅、SLA 承诺）在"交易模型"责任归属上需更严格合同视角
4. **提炼来源限制**：本文档基于章节结构与公开演讲综合提炼；页码敏感的引用请对照原书
5. **失效条件**：用户规模极小（<1000）或产品处于 0-1 探索期时，"效用期望值"框架会误导——此时应"深度用户 + 快速迭代"而非"效用比较"

## 工作流

1. 拿到需求 → 用**框架 1** 算用户价值差值（含 P(成功) 拆分）
2. 差值 > 0 → 用**框架 2** 检查交易模型多方净效用与幻觉责任
3. 多方案 → 用**框架 3** 效用期望表比较
4. 用三张清单逐项过
5. 输出：决策建议 + 未通过项 + 边界提示（建议交叉视角：Cagan 的持续发现、Karpathy 的模型能力评估）

## 完整方法论

详细章节引用、用户样本原理案例、俞军公开演讲索引见 `references/framework.md`。

> 本 Skill 由 career-skill-factory 生成。方法论提炼自《俞军产品方法论》及俞军公开演讲，版权归原作者，仅供个人学习。AI 适配部分为编者基于原框架的推断，不代表俞军本人立场。