产品经理常犯的致命错误，是用“上帝视角”在舒适的会议室里臆测用户需求，导致产品上线后遭遇“真实世界”的毒打。本文将揭示如何利用AI大模型打破这种“认知幻觉”，通过经典的5W场景分析公式（Who + Where + When + How + What）与AI提示词工程的深度结合，低成本、高保真地模拟用户在极端环境下的真实行为。我们将提供一套可落地的“AI+场景分析”三步法，帮助产品经理从“文档撰写者”进化为“现实模拟架构师”，在写第一行代码前就预知产品的成败。
在互联网行业摸爬滚打了这么多年，我见过最荒谬的场景，不是服务器宕机，也不是产品上线后的日活（DAU）归零，而是——
一群年薪百万的产品总监和技术大牛，坐在恒温24度、灯光柔和、坐着赫曼米勒人体工学椅的会议室里，对着一块白板，极其自信地推演着一位“月薪5000、住在城中村、正在挤早高峰地铁”的用户的心理活动。
“用户在这个时候肯定会点击右上角这个‘更多’按钮，去查看详细规则。” “这里加个酷炫的动效，用户体验会很爽。” “流程太长了？没事，为了领那一块钱红包，用户是有耐心的。”
这是一种集体的认知幻觉。
我们习惯了用“上帝视角”去审视产品，却忘了用户从不是上帝。他们是那个在暴雨中打不到车焦躁不安的普通人，是那个单手抓着扶手在摇晃的车厢里试图抢一张优惠券的上班族，是那个手机只剩5%电量焦虑得想砸手机的过路人。
这就是为什么我们的PRD（产品需求文档）写得天衣无缝，逻辑闭环完美，但上线后数据却惨不忍睹。因为我们做的不是场景分析，我们做的是“空想分析”。
在过去，要打破这种“幻觉”，我们需要花费数十万去做用户调研（User Research）、去跟车、去实地走访（Field Study）。但在今天，大语言模型（LLM）的出现，让我们第一次拥有了低成本、高保真地“模拟平行宇宙”的能力。
今天，我想结合经典的产品方法论与最前沿的AI工具，聊聊如何做一次真正的、有血有肉的场景分析。
在谈AI提效之前，我们必须先“正本清源”。很多入行三年的产品经理，依然会把“场景”简单等同于“地点”。
“用户在家里”、“用户在公司”、“用户在路上”。这不叫场景，这只是GPS坐标。
根据经典的产品场景分析理论，核心定义应该是这样的：
场景分析是指在特定的时间（WHEN）、地点（WHERE）、人物（WHO）、环境和心理状态下，研究用户为了达成某个目标（GOAL）而采取的一系列行为。
这就像是玩乐高积木。你不能只拿一块积木（地点）就说这是城堡。你需要把“用户+时间+空间+行为+目的”这五个要素像乐高一样拼起来，才能还原真实世界。
如果我们将这个定义拆解为一个分析公式，它就是：Who + Where + When + How + What。
既然公式这么清晰，为什么我们还是做不好？
因为人类的算力是有限的，且充满了偏见。
当我们试图在脑海中构建上述场景时，我们的大脑会自动过滤掉那些“不重要”的细节：
我们的大脑善于处理线性逻辑，却拙于模拟复杂的“时空环境”。而这，恰恰是AI最擅长的领域。
AI大模型（LLM）本质上是一个学习了人类所有知识和行为模式的概率预测机。当我们把它应用到场景分析时，它不再是一个聊天机器人，而是一个“全息场景模拟器”。
结合AI，我们可以将传统的场景分析流程进行一次彻底的升级。
传统流程中，产品经理需要费尽口舌向开发解释：“用户需要方便”。开发会问：“什么叫方便？”
而在AI辅助下，我们可以将抽象的“方便”，转化为具体的故事：
这就是具象化需求。让团队告别脑补，通过AI生成的“剧本”达成设计共识。
场景分析中最难的一环是发现边界CASE（极端情况）。人类天生乐观，习惯设计“快乐路径”（Happy Path）。
但AI没有情绪，它绝对理性。
你可以要求AI：“基于这个功能，列出10种可能导致用户体验崩溃的极端场景。” AI会告诉你：
提前预演这些“糟糕的场景”，我们就能设计出降级方案，确保产品在极端情况下不崩溃。
接下来，我将以“外卖APP午餐预订”为例，手把手教大家如何利用AI工具（如ChatGPT、Claude、文心一言等）跑通全套场景分析流程。
传统做法：在文档里写“目标用户：上班族”。 AI做法：生成有血有肉的“角色卡片”。
Prompt（提示词）示例：
“你是一位资深的用户研究员。我们正在设计一款外卖APP的‘极速午餐’功能。请不要使用‘所有上班族’这样笼统的描述。 请基于以下特征提取核心标签，生成一个具体的目标用户画像（Persona）：
地点：一线城市CBD。
痛点：时间紧、选择困难。
请详细描述她的年龄、职业、午休时长、对价格的敏感度、以及当下的心理状态。”
AI 输出模拟：
角色：Linda，28岁，广告公司客户经理。 坐标：北京国贸写字楼。 特征：
时间贫困：午休名义上1小时，实际常被会议压缩到30分钟。
心理状态：此时正处于高压后的疲惫期，决策力耗尽（Decision Fatigue），不想看复杂的菜单，只想“无脑”选一个不出错的饭。
价格敏感度：中等，预算30-40元，但对“配送费”极其敏感（觉得亏）。
核心诉求：不是“吃美食”，而是“高效回血，且不踩雷”。
分析：看到这里，你是否发现，针对Linda的设计重点，不再是“丰富的菜品”，而是“决策的效率”和“配送的准时性”？
传统做法：默认用户坐在办公桌前。 AI做法：穷举环境干扰因素。
Prompt（提示词）示例：
“基于角色Linda，请还原她点餐时的时空环境。
请重点分析以下维度对她使用APP交互方式的影响：
物理空间（她在哪里？周围有什么干扰？）
设备状态（单手/双手？网络如何？）
注意力分配（她是专注的还是分心的？） 并据此推荐最佳的交互方式。”
AI 输出模拟：
场景还原：
-时间：11:55，正在等电梯下楼取外卖，或者刚结束会议走回工位。
-环境：电梯间信号从4G跳变到H+（弱网）；周围同事在聊天（听觉干扰）。
-注意力：高度分散，一边看手机一边要应付同事的寒暄。
-交互限制：只能单手拇指操作，且视觉焦点无法长时间停留。
设计建议：
-弱网适配：必须在本地缓存菜单图片，避免白屏加载。
-操作区下沉：核心按钮（下单、选规格）必须在屏幕下半部。
-信息降噪：去掉花哨的动效，直接展示“预计送达时间”和“评分”，因为她的注意力极其有限。
分析：这就是笔记中提到的“优化交互路径”。在特定环境下（如走路），决定产品该用语音、大按钮还是震动反馈。
传统做法：凭借经验列数据库字段，容易漏。 AI做法：从场景反推数据结构。
场景分析的终局不仅仅是体验地图，更是数据字典。我们需要明确功能所需的字段，提前做数据计划。
Prompt（提示词）示例：
“用户Linda在‘工作日午餐’场景下浏览外卖APP。为了支持上述的场景体验（如弱网加载、推荐算法），我们需要采集和存储哪些核心数据字段？
请列出字段名称、类型及作用，特别是为了后续‘埋点分析’需要预留哪些字段？”
AI 输出模拟：
user_geo_fence (String)
作用：地理围栏（CBD区域），用于判断是否推送商务套餐。
network_type (Enum)
作用：4G/5G/WiFi，关键字段，用于分析弱网下的转化率流失。
scroll_depth (Float)
作用：浏览深度，用于判断用户在极简模式下的耐心。
touch_heat_map (Object)
作用：点击热力图，用于验证单手操作区的合理性。
delivery_promise_time (Timestamp)
作用：预计送达时间，Linda最关心的决策因子。
分析：这一步直接将感性的场景转化为了理性的技术需求，为开发和数据分析师打好了基础。
读到这里，你可能已经意识到，AI并不是要取代产品经理，而是要强迫产品经理升级。
过去，我们是“画图仔”和“文档撰写员”。 未来，在这个AI辅助的时代，我们需要掌握新的三板斧：
不要再依赖大脑去“空想”。学会用AI构建Parallel User Universe（平行用户宇宙）。在产品写第一行代码前，先让AI扮演成千上万个“Linda”，在虚拟的“弱网地铁”里跑一千遍你的流程。
平庸的产品经理关注“主流程”，顶级的产品经理关注“边界”。利用AI的穷举能力，去挖掘那些让用户崩溃的“隐形墙”（断网、没电、操作受限）。记住，80%的用户投诉往往来自那20%的异常场景。
同理心不再是一种虚无缥缈的情怀，而是一种可以被Prompt工程化的能力。
回到文章开头提到的那个会议室。
下次，当你和团队因为一个按钮的位置争执不下时，请不要再用“我觉得”或者“乔布斯说过”来辩论。
请打开你的AI工具，输入那段基于Who + Where + When + How + What的场景Prompt，然后告诉大家：
“模拟显示，在地铁晃动的环境下，90%的模拟用户无法点击到右上角的这个按钮。所以，我们需要把它移下来。”
场景分析的本质，是对真实世界的敬畏。而AI，是我们通向真实世界的一座桥梁。
别再脑补了，去模拟吧。
如果你不想在AI浪潮中裸泳，欢迎关注我。 不仅分享“怎么看”，更带你“怎么干”。让我们一起在实战中重构思维，做那个驯服猛兽的驾驭者。
在开始下一个需求设计前，请自问并询问AI以下5个问题：
本文由 @世乡 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自作者提供
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。