AI产品的竞争，早在产品立项阶段就已经分出了高下。很多产品经理把精力放在功能交互、算法选型上，却忽视了一个更底层的问题：你的产品设计，能不能产生"有价值的数据"？这才是AI产品真正的护城河。
2020年，国内几乎同时出现了两款AI智能简历助手，我姑且称它们为A产品和B产品。
两款产品起点相似：都是帮求职者优化简历、匹配岗位的AI工具，初期用户体量差不多，融资规模也旗鼓相当，背后的算法团队实力相当。
三年后，A产品成为行业头部，月活破百万，还孵化出了招聘SaaS业务。B产品则悄悄关闭了，几乎没有激起任何水花。
是A产品的算法更好吗？不是，初期两者都用的是同类开源模型。
是A产品更会做市场推广吗？也不是，B产品一度比A产品更激进。
核心差异，出在产品设计的一个决策上。
A产品在设计之初就想清楚了一件事：简历优化工具最有价值的数据，不是”用户投了多少份简历”，而是**”哪些简历修改行为，对应了后续的面试邀请”**。于是他们把产品设计成了一个闭环：用户投递简历→跟踪后续面试结果→记录哪些修改带来了正向反馈→反哺推荐模型。
B产品呢？他们的数据埋点逻辑是传统的：”用户打开次数、使用时长、功能点击率。”这些数据能帮他们优化交互，但无法帮模型变得更聪明。
A产品积累的是有因果关系的训练数据，B产品积累的是没有闭环的行为日志。三年时间，这个差距被无限放大。
这个案例让我意识到：AI产品的竞争，在产品设计阶段就已经决定了胜负。 那个决定胜负的关键变量，叫做——数据设计。
“数据设计”不是数据分析，不是埋点方案，也不是BI报表。
它是指：在产品功能设计阶段，有意识地规划这个功能将产生什么数据、这些数据有没有训练价值、数据能不能形成壁垒。
打个比方。你是一名厨师，要做一道菜。数据分析是”分析这道菜好不好吃”；数据埋点是”在厨房里安装摄像头”；而数据设计，是”在建厨房之前，就规划好食材从哪里来、怎么储存、怎么加工”。
大多数PM会做前两件事，但很少认真做第三件。
数据设计有三个核心层次，PM必须都想清楚：
第一层：数据从哪里来（数据入口设计） 你的产品功能是否会产生有意义的用户行为信号？用户的哪些操作，能反映他们真实的需求和判断？
第二层：数据长什么样（数据结构设计） 采集到的原始数据，是否具备可训练性？它是有标签的还是无标签的？是稀疏的还是稠密的？
第三层：数据能去哪里（数据流向设计） 这些数据最终能不能流回模型、形成反馈？还是采集了就躺在数据库里睡大觉？
三层都想清楚，才叫完整的数据设计。只做其中一层，是大多数PM的现状。
数据设计不是抽象的理念，它落地在产品经理每天都要做的功能决策上。以下三个决策点，决定了你的AI产品数据壁垒的高度。
这是数据设计最根本的分叉点。
“问用户”是指：通过调研问卷、评分弹窗、满意度打分来获取数据。这类数据看起来很直接，但有两个致命缺陷：第一，用户的表达和用户的真实行为往往是两回事；第二，这类数据量太少，很难驱动模型迭代。
“让用户做”是指：把数据采集内嵌在用户的自然操作流程中，用户的每一次使用行为本身就是数据。
以AI代码助手为例。GitHub Copilot的数据设计有一个极其聪明的地方：他们不只看”用户点了接受”，还会追踪”用户接受了AI建议之后，在接下来5分钟内有没有修改它”。如果用户接受之后马上修改，说明这条建议质量不高；如果用户接受之后直接提交，说明质量很好。这个行为序列给了模型非常精准的质量信号，而整个过程中用户什么都不需要额外做。
这就是“让用户做”的精髓：数据采集藏在用户价值里，用户毫无感知，但每一次操作都是高质量标注。
很多PM在设计数据采集逻辑时，只考虑”单次”：这次交互好不好，用户满意不满意。
但AI模型真正需要的，是序列信号——用户行为的前后文关系。
举个例子：某AI客服产品，只采集”用户是否点击了满意”。这是单次反馈。
但是，一个更聪明的设计是采集这样的序列：用户问了问题→AI给了答案→用户追问了（说明没答好）→AI给了第二个答案→用户结束对话（说明这次答好了）→整个对话链构成一条训练样本。
前者只知道”结果”，后者同时知道”哪一步出了问题”。对模型训练来说，后者的价值是前者的数十倍。
Netflix的推荐系统是这方面的经典案例。他们发现”用户评分”这个信号其实很脏——用户给的评分反映的是”用户认为应该喜欢”，而不是”用户真正喜欢”。所以Netflix更依赖”用户的观看行为序列”：看到哪里暂停了、第二天又继续看了、看到一半关掉了——这些序列信号，比评分准确得多。
单次反馈给你一个点，序列反馈给你一条路。想清楚你需要的是点还是路，决定了你能训练出什么样的模型。
这个决策决定了你的产品有没有时间维度的竞争优势。
可积累的数据，是指随着时间推移，数据价值会持续增长的数据。典型例子：用户的历史行为画像、专业领域的标注语料、用户与产品的长期交互记录。这类数据有”飞轮效应”——积累越多，模型越好，产品越好用，用户越多，数据积累越快。
用完即弃的数据，是指采集完成后就失去价值的数据。典型例子：实时流量数据、单次会话日志（没有串联）、没有标签的原始点击流。这类数据可以用来做运营监控，但无法构筑数据壁垒。
某医疗AI公司是反面案例。他们花了大量资源采集了数百万条患者问诊对话，但因为没有设计标注体系，这些数据全是无标签的文本，几乎无法用于模型精调。数百万条数据，价值几乎为零。后来他们花了比采集更多的成本回头补标注，白白浪费了两年时间。
采集之前先想清楚：这条数据，三年后还有价值吗？如果答案是“不确定”，那它大概率是用完即弃的。
光说正面做法不够，再来看看数据设计失误会有多大代价。
案例一：某智能写作工具，因为“问错了问题”白白浪费18个月
这个产品上线后，设计了一套”用户评分体系”：每次AI生成内容后，弹出1-5星评分。他们用这个评分数据训练模型整整18个月，但产品质量几乎没有提升。
原因很简单：用户给AI打分，打的是”这段内容和我期待的有多接近”，但因为用户自己也描述不清楚期待，评分高度随机。更糟糕的是，评分弹窗影响了用户体验，大量用户开始跳过，导致数据本身也有严重的选择性偏差——只有对结果特别满意或特别不满意的人才打分。
他们问错了问题，采集到的是噪音，而不是信号。
后来他们改变策略，转而追踪”用户对生成内容的具体修改行为”，三个月后模型质量开始显著提升。
案例二：某AI教育平台，把“完课率”当成核心数据，越优化越糟糕
这个平台用AI推荐学习路径，核心优化目标是”完课率”（用户完成课程的比例）。听起来很合理，但问题出现了：模型为了优化完课率，开始推荐最简单的课程——因为简单的课完成率高。结果是，用户确实都完课了，但完的都是没什么挑战性的内容，学习效果极差，用户很快流失。
他们采集了正确的数据，但优化了错误的目标。 数据设计不只是设计”采集什么”，还要设计”优化什么”——这两个问题必须同时想清楚。
案例三：某AI助手产品，数据被竞争对手“白嫖”
这个案例很特殊，但发人深省。某AI助手因为产品开放，用户反馈数据（包括对话日志）通过API大量流出，被竞争对手用于训练自己的模型。等他们意识到问题时，竞争对手已经用他们的数据完成了一轮模型迭代。
数据设计还包括数据的保护设计。 你辛苦采集的高质量数据，如果没有好的访问控制，可能会成为竞争对手的免费训练集。
说了这么多理论和案例，最后落到一个最实际的问题：作为产品经理，我该怎么做？
第一步：在每次需求评审时，加一个“数据维度”的灵魂发问。
每当你在评审一个新功能时，强制自己问三个问题：
把这三个问题变成需求文档的标配章节，刚开始可能会觉得多余，但坚持三个月，你对数据的直觉会发生质变。
第二步：学会区分“行为数据”和“偏好数据”，并优先设计前者。
行为数据是用户”做了什么”——点击、修改、停留、复购。偏好数据是用户”说他们喜欢什么”——评分、问卷、标签选择。
绝大多数情况下，行为数据比偏好数据更可靠、更有训练价值。在功能设计时，优先思考”如何让用户的自然行为成为数据”，而不是”如何让用户主动告诉我他们的偏好”。
第三步：建立“数据价值地图”，定期复盘你的产品在采集什么。
每隔三个月，画一张表格：列出你的产品正在采集的所有数据类型，评估每一类数据的”训练价值”（高/中/低）和”积累趋势”（增长/平稳/衰减）。
这张表会给你很多意外发现：有些数据采集成本极高但训练价值极低；有些数据轻易可得却从未被利用。定期做这个复盘，是提升数据设计能力的最快路径之一。
我在做AI产品的这几年里，见过太多团队把精力放在错的地方：花几个月时间选算法框架，花大价钱买算力，花无数会议讨论模型架构——却从来没有认真坐下来想过：我们的产品，在产生什么样的数据？这些数据，能不能让我们的产品越来越聪明？
算法工程师可以选择更好的模型，数据工程师可以优化数据管道，但只有产品经理，才能在设计阶段决定产品能不能采集到有价值的数据。
这是一个只有PM才能做、也只有PM必须做好的决策。
AI产品的竞争，本质上是数据的竞争。而数据的竞争，在产品经理画第一张原型图的时候，就已经开始了。
本文由 @吴知 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。