简单地将人工智能“螺栓”到现有产品上，可能弊大于利。专家们分析了在 AI 功能膨胀方面的常见错误，以及如何成功引导 AI 试点项目。

　　虽然生成式人工智能在软件工程领域取得了一些可喜的成果，但将其集成到最终用户应用中则完全是另一回事。如今，标有“AI”的功能几乎出现在每一个用户界面上，但它们并不总是有帮助或实用。往往受炒作驱动，这些功能可能分散注意力，甚至成为生产力杀手。

　　Stack Overflow 的首席产品与技术官 Jody Bailey 指出：“许多人陷入了利用 AI 能力来蹭炒作的陷阱，而不是因为 AI 解决了真实、有形的用户问题。结果就是功能脆弱，引入错误、造成安全漏洞或打乱工作流程。”

　　最终用户因此对“无处不在、无时不在的人工智能”感到厌倦。根据 ZDNET 与 Aberdeen 的联合研究，只有 8% 的美国人愿意为 AI 额外付费。《华尔街日报》也报道称，在人们对 AI 的担忧日益增长、消费者抵制情绪升温的背景下，公司在如何推广 AI 产品方面变得愈发谨慎。

　　数字产品工程公司 R Systems 的数据与人工智能副总裁 Neeraj Abhyankar 表示：“最大的反模式就是‘AI 泛滥’。团队将聊天机器人或自动生成内容硬塞到已有产品和工作流程中，结果不是增强用户的使用体验，而是打断了用户的流程。”

　　一些 AI 产品的突然关闭——例如视频生成应用 Sora 的停运——也凸显了市场上 AI 产品的脆弱性。SurveyMonkey 发布的《2025 年营销状况报告》显示，用户对 AI 生成内容的热情正在下降：46% 的用户不喜欢使用 AI 生成内容的公司，43% 的用户不太可能从这些公司购买产品。

　　那么，冒着失去潜在业务的风险，将 AI 添加到您的软件产品或服务中真的值得吗？如果值得，又该怎么做？下面，我们结合专家的观点，分析在现有产品上添加 AI 的常见误区，以及能够带来可衡量收益的正面案例，帮助区分有用的人工智能与单纯碍事的人工智能。

　　将人工智能硬塞到现有产品中的反模式

　　太多的 AI 附加功能只是在延续炒作。统一云交付平台 Infracodebase 的创始人兼 CEO Justin O'Connor 说：“最常见的反模式是因为炒作而添加 AI，而不是因为真正的用户问题。这样创造出的功能，用户既不要求也不信任。”

　　当 AI 功能在没有退出机制的情况下强制提供给用户时，用户会感到被困，尤其是当这些功能无法带来明确好处时。红帽公司的首席产品经理 Bryan Smith 指出：“最大的反模式是强制使用 AI 功能，而这些功能并不能为用户提供明确的价值。”

　　例如，会议调度助手 Clockwise（最近被 Salesforce 收购）的前 CEO 兼联合创始人 Matt Martin 表示，与主应用程序脱节的聊天体验尤其令人分心。“当我已经在打字的时候，谁会在乎 Google Docs 里的聊天机器人呢？如果它不能增强核心工作流、提高效率、使用频率或 ROI（投资回报率），那它还有什么用呢？”

　　Stack Overflow 的 Bailey 补充道：“在没有明确了解用户意图的情况下构建 AI 功能，会导致工具看起来很炫，但无法满足实际用户需求。反过来，这些所谓的解决方案会侵蚀信任、拖慢团队速度，让平台比引入 AI 之前更糟糕。”

　　另一个常见问题是团队过度关注华丽的技术指标，而忽视了实际用户行为。O'Connor 说：“团队过度关注模型质量指标，却忽略了产品结果，导致功能技术上很聪明，但没有实际用处。”

　　在这种情况下，AI 甚至可能根本不适合当前任务。Gartner 报告指出，生成式 AI 项目失败的一个关键原因是商业价值不明确。正如网络安全公司 AppOmni 的 AI 总监 Melissa Ruzzi 所解释的那样：“用 AI 解决一个问题，可能比使用统计或数据科学方法花费更多的时间和金钱。”

　　云网络服务提供商 Extreme Networks 的 AI 工程主管兼 EMEA 首席技术官 Markus Nispel 表示，AI 项目的失败通常也与数据可访问性问题有关。“系统无法访问或无法理解所需的数据，因为领域专业知识没有被正确整合，导致 AI 无法真正理解数据。”

　　最后，团队往往低估了未来的变更管理要求。Infracodebase 的 O'Connor 说：“他们交付了 AI 功能，但没有重新考虑用户引导、文档或支持，所以用户感到困惑和恼火。”

　　当 AI 被随意地“钉上”时，负面结果会不断累积。好一点的情况是用户翻个白眼，忍受不必要的 AI 功能膨胀。最坏的情况是，无端的 AI 功能会导致用户信任丧失、功能被放弃，以及支持工单的增加。

　　将人工智能集成到产品中的优秀实践

　　在向现有产品添加 AI 功能时，有一些方法可以帮助避免惹恼或疏远现有用户群。第一个，也可以说是最重要的，是从用户的角度出发思考。

　　可观测性平台 Honeycomb 的首席技术官 Charity Majors 说：“要从‘我们的用户想要什么、需要什么？’的角度出发，而不是‘我们可以用 AI 做什么很酷的事情？’。”采用以用户为先的方法，意味着产品在没有 AI 的情况下也应该能正常使用，用户可以轻松退出，并且没有侵入性的反馈或评分请求。

　　她补充道：“如果你的主要动机是想在功能、产品或营销活动中贴上‘AI 驱动’的标签，那就请停下来。没有什么东西会因为里面有人工智能而自动变得更好。”

　　此外，AI 功能应该是可选的，而不是自动启用。R Systems 的 Abhyankar 表示：“从让用户选择加入（opt-in）开始，而不是选择退出（opt-out）。”这样既尊重用户的选择，也有助于开发人员逐步测试 AI 功能的实际效果和性能。

　　您还应该尽早纳入用户的反馈。Stack Overflow 的 Bailey 说：“尽早且频繁地让用户参与，有助于避免错误。”这可以通过反馈循环、开放的社区提示或 A/B 测试来实现。Bailey 补充道：“带有明确解释的增量式发布，能让用户逐步适应，而不会感到突然被丢到一个陌生的平台上。”

　　在条件允许的情况下，先找出那些具有早期采用者心态的用户，再进行广泛发布。Clockwise 的 Martin 说：“在较小范围的用户群体中推出测试床效果很好，理想情况下应该选择对 AI 充满热情的早期采用者。如果你过早引入新技术，就有可能疏远那些还没有准备好投入的用户。”

　　糟糕的用户体验是应用和网站被放弃的主要原因。因此，要避免引入那些带来摩擦或迫使用户采用全新工作方式的 AI 功能。为了保持一致性，最好是增强用户熟悉的控件，而不是直接替换它们。正如 Abhyankar 所说：“保持 AI 的辅助性而非侵入性是关键。”

　　其他人也同意，增量推广应与现有工作流程保持紧密一致。O'Connor 说：“好的模式是 AI 辅助——它位于后台，只在有用的时候出现，并且用户可以忽略它而不会受到惩罚。”他补充说，AI 应该为用户明确标识，在 UI 中要有清晰的边界和线索，以提示 AI 正在被使用。

　　以用户为先的 AI 功能推出实例

　　成功的 AI 功能添加通常是为了解决一个明确的问题，而不是对用户的工作流程进行大范围改造。那么，有哪些在现有应用中成功推出 AI 功能的例子呢？

　　Stack Overflow 的 AI Assist 是 AI 添加到已有平台的一个例子。AI Assist 于 2025 年推出，通过大语言模型驱动的聊天界面，帮助用户访问 Stack Overflow 庞大的知识库。相关评测对其社区优先的方法和透明度给予了肯定。

　　Stack Overflow 的 Bailey 说：“我学到的最重要的教训之一是，AI 功能必须根据真实的用户输入不断演进。我们的社区一直非常积极和投入，他们对 AI 集成的反馈至关重要。”

　　在商业用户方面，Clockwise 的 Martin 强调了 Superhuman 是一个强有力的例子，指出其自动分类和自动草稿等有益功能。“低摩擦，不是差异化的 SKU，只是为产品立即增加价值。”

　　生成式 AI 在低代码和无代码平台中也显示出了潜力，改善了公民开发和应用程序集成。随着 AI 代理被分层集成到 CRM 等系统中，IT 领导者报告了财务、销售和其他工作流中可衡量的收益。

　　在软件工程领域，集成到现有平台中的代理与开发人员的工作流程非常契合，促使一些 SaaS 工具的提供商从传统的用户界面转向 AI 原生的设计。

　　正如 O'Connor 所解释的：“我们从一个传统的 SaaS 产品开始，然后在上面添加了 AI。令我们惊讶的是，用户的行为改变得如此之快。他们更喜欢与 AI 代理合作来解决问题，一旦有了这种体验，他们就不再使用大多数经典的 SaaS UI。”

　　另一个深思熟虑的可选性例子是 Red Hat Enterprise Linux 中大语言模型驱动的命令行助手。这个助手完全是可选的——工程师可以选择不安装它。团队还可以决定如何部署，包括联网、离线或本地配置，红帽公司的 Smith 补充道。

　　知道何时添加人工智能

　　2024 年，华盛顿州立大学的研究人员发现，消费者购买在产品描述中使用“人工智能”一词的产品的可能性较低，根本原因是对情感信任的降低。

　　软件工程领域也出现了类似的怀疑态度。例如，根据 2025 年 Stack Overflow Pulse 调查，现在有一半的开发人员每天都在使用 AI 工具，但 79% 的人表示他们不打算在部署流程中使用 AI。

　　鉴于用户采用的不确定性，产品经理应该如何判断一个 AI 功能是否值得？专家表示，这归根结底是产品优先的原则。Martin 说：“没有用的做法是给产品挂上一个 AI 徽章，希望这个闪亮的新物体能吸引好用户。你必须依靠已有的产品基本面。”

　　积极投资回报率的明确信号包括：持续的使用、积极的用户反馈、随时间推移采用率的提升以及高质量的产出。选择 AI 驱动功能而非替代工作流程的用户百分比，是另一个关键指标。

　　更具体的指标包括：节省任务时间、更高的任务完成率、更少的完成步骤，以及根据用户审查提高的输出质量。另一方面，警告信号包括：高退出率、支持工单增加、用户投诉增多，以及通过用户反馈或 AI 交互捕获的负面情绪。

　　也许最强的信号是当用户甚至没有注意到 AI 存在时。Honeycomb 的 Majors 补充说：“不好的情况是：客户讨厌它，工程师对它嗤之以鼻。好的情况是：客户忘记了或者没有意识到这是 AI。你知道谷歌的垃圾邮件过滤器都是 AI 驱动的吗？”

　　用户可以快速点击关闭那些他们永远不会使用的 AI 功能弹窗，但他们接受那些真正节省时间的功能。后一种功能超越了炒作，它们有一个共同点：解决了真正的问题。

　　Extreme Networks 的 Nispel 说：“能够实现有意义投资回报率的组织，不是将 AI 视为一个模糊的愿望，而是将 AI 视为一系列有针对性的、可快速部署的、AI 驱动的工作流，专注于解决真实的用户问题。如果你不遵循这个模式，就会导致 AI 试点项目停滞不前，无法显示出投资回报率。”