先講一個你八成也看過的結局。

某個團隊決定在客服系統裡加「工單自動摘要」。demo 一次過：貼一段工單進去，吐出三行重點，比人寫得還整齊。老闆當場拍板，排進下一個 sprint。

上線那天沒有煙火。三個月後也沒有葬禮。只是某次會議上有人隨口問了一句：「那個摘要功能，還開著嗎？」查了後台才發現，日活躍使用早就掉到個位數——低到關掉它，不會有任何一個用戶來抗議。

沒有 bug 單、沒有故障告警、沒有回滾紀錄。它就是安靜地死了。

事後覆盤，工程說「模型完全照我們講的在跑」；產品說「用戶回饋說不太好用」；最後報告的結論欄寫著七個字：「效果不如預期」。

這七個字，是大多數 AI 功能共同的墓誌銘。

這不是個案，是即將到來的量產悲劇

Gartner 官方預測：到 2026 年底，40% 的企業應用會內嵌任務型 AI agents——而 2025 年這個數字還不到 5%。一年之內，成千上萬個 AI 功能正在被塞進你用的每一套軟體。

它們之中的大多數，會以上面那種方式死：不是死在「做不出來」，而是死在「上線之後，沒有人能說清楚什麼叫做對」。

一般功能的死法，和 AI 功能不一樣

帶過傳統功能的人都知道，功能死亡主要是一種「工程死亡」：

• 死因：做不出來。效能不夠、整合太深、排期爆炸。
• 死亡時間：上線前。做不出來就上不了線，問題在開發期就會暴露。
• 屍檢方式：有錯誤訊息、有堆疊紀錄、能重現。修了就是修了。

AI 功能的死亡完全是另一種：

• 死因：沒有人定義過「什麼叫對」。
• 死亡時間：上線後。因為 demo 一定做得出來——模型天生就會輸出「看起來像那回事」的東西。問題不在開發期爆發，在驗收期爆發。
• 屍檢方式：無法重現、沒有錯誤碼。只剩一句「用戶說不太好用」，而且永遠查不到根因。

四個結構性差異：驗收為什麼會殺死 AI 功能

1. 輸出是不確定的。
同一個輸入，不保證同一個輸出。「符合規格」這四個字對 AI 功能失去意義——因為規格根本寫不出所有可能的輸出。傳統驗收是「比對規格」；AI 功能的驗收只能「比對行為分布」。大多數團隊連問都不問這個問題。

2. 錯誤是沉默的。
傳統軟體壞了會丟 exception；AI 壞了會一本正經地錯。每一次錯誤，看起來都像一次正常的回答。錯誤不會自己浮上來，所以驗收沒有對象——你不是「驗收失敗」，你是「從來沒有真正驗收過」。

3. 對錯的標準是產品判斷，不是工程指標。
「這段摘要寫得好不好」沒有標準答案：同一段文字，三個用戶有三種好。工程可以給你各種分數，但「幾分可以上線」這條線，是 PM 的產品判斷，不是工程決定。多數死亡案例裡，這條線從頭到尾沒有被畫出來過。

4. 行為會漂移。
模型升一版、prompt 改一行、知識庫更新一批——輸出行為就變了。傳統功能的行為是凍結的，AI 功能的行為是流動的。你上線時驗收過的那個東西，兩週後可能已經不是同一個產品。

我的立場

AI 功能死亡率高的根本原因，不是模型不夠強，而是它把「什麼叫做完成」這個問題，從工程桌上搬到了產品桌上——而大多數團隊的 PM，還在用寫功能規格的方式，應對一個非確定性的產品。

把 AI 做好，工程當然重要。但模型邊界怎麼判、行為規格（Behavior Spec）怎麼寫、驗收標準怎麼從「功能規格」換成「可測量的 eval 條件」、成本怎麼算、失敗怎麼歸因——這些是產品決策，沒有人能替你做。

這就是這個系列要補的那一塊。

接下來 30 天

一套 PM 可以直接執行的 AI 決策方法論，路線分五個階段：

• 第一階段（Day 1–7）｜需求與試點決定：誰承擔答錯的後果、模型能力的真實邊界、這個需求是否真的需要 AI、行為規格怎麼寫、驗收門檻怎麼訂、一次成功服務的真實成本——最後收斂成一頁試點決策備忘錄
• 第二階段（Day 8–14）｜資料、體驗與驗收閉環：知識來源的責任歸屬、答不出來時的降級設計、信心度該怎麼呈現、人工複核的容量規劃、黃金案例集、效果衡量——半程收斂成決策清單 v2
• 第三階段（Day 15–21）｜失敗歸因與資源取捨：導入失敗的決策鏈歸因、一次「不用生成模型」的決定、隱私資料清單、模型升級的驗收、買還是蓋、定價假設——收斂成投資決策備忘錄
• 第四階段（Day 22–27）｜營運、學習與決策證據：對內溝通不確定性、上線後的品質訊號、負面回饋分流、迭代節奏、AI PM 能力地圖、決策紀錄變作品集
• 第五階段（Day 28–30）｜手冊整合與最終決策：三十天的全部模板整合成一本可使用的決策手冊，加上反模式自查表，最後交付一個有邊界、有理由的最終決定

兩個貫穿三十天的原則先說好：

先定義「什麼叫對」，再動手做。
不能驗收的功能，等於還沒想清楚。

明天

Day 02 講模型邊界：為什麼 benchmark 上的冠軍模型，在你的場景裡可能不及格；以及 PM 判讀「能力邊界」時，該怎麼用自己的任務畫出那條線。

如果你手上正好有一個「上線了，但沒有人敢為它掛保證」的 AI 功能——這個系列是寫給你的。歡迎訂閱，我們明天開始第一課。