AI 功能自相残杀：当你的智能功能悄悄杀死核心产品

你为文档编辑器推出了一个 AI 驱动的摘要功能。采用率很高——第一周就有 40% 的用户激活了它。你的产品经理在 Slack 上写了一条庆祝消息。两个月后，平均会话时长下降了 25%，协作编辑量减少，你的高价值用户正在悄悄流失。没有人将这些趋势与那个闪亮的新功能联系起来，因为跟踪摘要功能的仪表板显示的全是绿色指标。

这就是 AI 功能自相残杀：当 AI 快捷方式解决了用户的即时问题，同时摧毁了让你的产品值得付费的参与循环。这是当今产品开发中最隐蔽的失败模式之一，因为跟踪功能本身的每个指标看起来都很健康，即使产品级别的指标正在衰退。

机制：AI 快捷方式如何短路价值循环

每个有粘性的产品都有参与循环——一系列动作序列，做一件事会让用户想做下一件事。笔记应用的循环可能是：写一条笔记，将它链接到另一条笔记，发现一个关联，写更多。项目管理工具的循环：创建一个任务，与队友讨论，更新状态，查看看板。

自动化这些循环中间步骤的 AI 功能不仅仅是节省时间——它们移除了用户养成习惯、建立心智模型和形成产品依赖的时刻。当自动分类整理每一张工单时，客服人员永远不会学习你的分类体系。当自动摘要压缩每一篇文档时，读者不再打开它们。当自动补全完成每一个句子时，写作者不再思考用词选择。

这种模式是一致的：AI 功能解决了近端问题（这个任务花了太长时间），同时溶解了让用户明天还会回来的底层机制。

以 Google 引入 AI 概览搜索为例。该功能直接在搜索结果页面回答用户查询。从用户体验的角度来看，这是一个明显的改进——更少的点击就能获得答案。但数据讲述了一个更黑暗的故事：有 AI 概览的查询中，自然点击率下降了 61%，看到 AI 摘要的用户中有 26% 直接结束了浏览会话，而看到传统结果的用户这一比例仅为 16%。Google 的 AI 功能蚕食了驱动其广告收入模式和围绕搜索流量建立的整个网络生态系统的点击行为。

度量陷阱：为什么功能指标会说谎

检测蚕食效应的核心问题在于团队衡量的是功能，而不是系统。一个典型的 AI 功能仪表板跟踪：

• 采用率 — 有多少百分比的用户激活了该功能
• 使用频率 — 他们多频繁地使用它
• 任务完成时间 — 使用 AI 后完成速度提升了多少
• 满意度评分 — 他们对此有多满意

这四个指标都可以在产品走向死亡的同时持续上升。这些指标衡量的是 AI 功能对单个工作流的局部效应。它们无法捕捉用户因为 AI 快捷方式使其变得不必要而停止做的事情。

真正揭示蚕食效应的指标是产品级别的指标，大多数团队在不同的仪表板上、以不同的节奏、由不同的人来检查：

• 会话深度 — 每次会话中有多少个不同的操作（不仅仅是 AI 辅助的操作）
• 功能广度 — 每个用户每周接触多少个不同的产品功能
• 回访频率 — 用户多久回来一次，无论是否使用 AI
• 扩展收入 — 用户是否升级或购买更多席位
• 高级用户比率 — 达到"高级"使用模式的用户百分比

当你推出自动摘要功能后文档打开率下降了 30%，这不会出现在 AI 功能的指标中。它出现在另一个团队负责的内容参与指标中，他们可能将下降归因于季节性波动或竞争。

去技能化螺旋：当用户忘记为什么需要你

还有一种更微妙的蚕食形式，它在数月内逐渐显现：技能侵蚀。当 AI 处理工作流中的困难部分时，用户逐渐失去自己完成这些任务的能力——最终也失去了做这些任务的意愿。这创造了一个讽刺性的依赖循环：你的 AI 功能越有价值，你的用户对产品核心领域的理解就越少，他们就越难以说清为什么需要你的产品而不是一个更简单的替代品。

微软的"未来工作报告"直接指出了这一点：如果设计不当，生成式 AI 工具可能会使输出同质化并导致认知技能退化。航空业的类比很恰当——随着自动驾驶系统的改进，它们提升了常规情况下的表现，但让飞行员在出现问题时更加手足无措。

在产品层面，这意味着你的 AI 功能创造了这样的用户：

• 无法评估 AI 输出的质量，因为他们已经失去了领域背景知识
• 不会探索高级功能，因为 AI 处理了他们表层的需求
• 无法区分你的产品和竞品，因为他们与 AI 层交互，而非产品的独特能力
• 对价格更敏感，因为他们感知的价值是"做 X 的 AI"而不是"能实现 Y 的深度工具"

这就是悖论：你的 AI 功能同时增加了短期留存（用户依赖它）和降低了长期留存（用户变得肤浅且对价格敏感）。依赖性是对 AI 能力的依赖——任何竞争对手都可以复制，而不是对产品独特价值的依赖。

在收入之前检测蚕食效应

及早发现蚕食效应的团队有一个共同实践：他们衡量任务完成，而不是功能使用。这个区别至关重要。

功能使用问的是"用户点击了 AI 按钮吗？"任务完成问的是"用户完成了他们来做的事情吗，这个完成是否引导了下一个有价值的行动？"一个自动摘要了文档然后离开的用户有很高的功能使用率，但在任何有意义的产品意义上任务完成率为零。

以下是一个实用的检测框架：

1. 群组对比。 将用户分为 AI 功能采用者和非采用者。比较他们在 30、60 和 90 天内的产品级别指标（会话深度、功能广度、留存率）。如果采用者在 AI 功能之外的参与度下降，你就有了早期蚕食信号。

2. 参与度替代分析。 对于每次 AI 交互，识别用户手动情况下会做什么。跟踪这些手动操作的下降是成比例的还是不成比例的。成比例的下降意味着 AI 正在高效替代。不成比例的下降意味着它正在摧毁相邻的参与度。

3. 人工升级率。 跟踪用户覆盖、编辑或放弃 AI 输出的频率。如果 60% 的用户忽略 AI 的建议并自己完成，该功能没有蚕食——它只是没用。但如果 95% 的用户不加修改地接受 AI 输出，那不是成功信号；这意味着用户已经停止运用判断力，这是技能侵蚀和参与度下降的先行指标。

4. 下游行动率。 AI 辅助交互之后，用户是否采取了后续行动？如果自动摘要导致"阅读摘要，关闭标签页"，该功能终止了一个参与循环。如果它导致"阅读摘要，留下评论，分享给团队"，该功能加速了一个循环。下游行动率区分了建设性加速和破坏性快捷方式。

让 AI 成为增量而非替代

防止蚕食效应的设计模式共享一个原则：AI 应该让用户更有能力，而不是让用户变得不必要。以下是这如何转化为产品决策：

增强困难步骤，不要跳过有价值的步骤。 如果你的参与循环是研究 → 草稿 → 审阅 → 发布，不要自动生成整个草稿。相反，使用 AI 来浮现相关研究、建议结构或突出草稿中的不足。用户仍然完成创造性工作——但做得更好更快。区别在于用户完成工作流时感到有成就感还是感到无关紧要。

渐进式自动化披露。 从最小的 AI 建议开始，让用户在展示掌握度后增加自动化级别。这与代码补全研究的发现一致：用户倾向于保留对建议粒度的控制，最初是最小的建议，按需提供更长的建议。这种方法在提供效率收益的同时保留了学习。

让 AI 的推理过程可见。 当自动分类分配类别时，展示原因。当自动摘要压缩文档时，展示它强调了什么和省略了什么。透明性将快捷方式转变为教学时刻，理解 AI 推理的用户会更深入地参与 AI 和底层产品。

衡量用户学到了什么，而不是 AI 做了什么。 如果你的产品帮助人们管理项目，成功指标不是"AI 创建了 50 个任务"而是"用户成功完成了项目"。如果你的产品帮助人们写作，指标不是"AI 生成了 2000 个字"而是"文档被分享并收到了反馈"。将指标锚定在用户结果而非 AI 输出上，可以让蚕食效应立即在数字中显现。

创建需要用户输入才能变得有价值的 AI 功能。 最具抗蚕食能力的 AI 功能是那些随着用户参与而变得更好的功能。根据用户评分改善的个性化推荐。融合用户假设的分析工具。从用户纠正中学习的助手。这些功能创建了一个飞轮，更多的使用带来更多的价值，而不是一个快捷方式，使用导致更少的参与。

战略问题：自我蚕食 vs. 被蚕食

并非所有蚕食都是坏事。有时正确的策略是在竞争对手这样做之前，故意用 AI 蚕食你的现有产品。关键问题是蚕食是否建立了新的竞争优势，还是仅仅摧毁了旧的优势。

建设性蚕食看起来是这样的：你的 AI 功能减少了对功能 A 的参与，但推动了功能 B 的采用，而功能 B 有更高的留存率和变现能力。你正在用一个更强的循环替换一个更弱的循环。

破坏性蚕食看起来是这样的：你的 AI 功能全面降低了参与度，剩余的参与度是对一个任何竞争对手都能匹配的通用 AI 能力。你已经把一个可防御的产品换成了一个商品化的包装层。

善于驾驭这一过程的团队跟踪一个我称之为护城河比率的指标：来自产品独特能力的用户价值百分比与来自 AI 层的百分比之比。如果护城河比率正在下降——如果用户越来越多地与 AI 交互而越来越少地与产品的差异化能力交互——你正在走向成为基础模型的薄包装层，无论你的功能采用仪表板显示什么。

六个月法则

如果你正在向一个成熟产品中推出 AI 功能，请为每次 AI 功能发布建立六个月回顾机制。在六个月节点，回答三个问题：

1. 对于采用此 AI 功能的用户，功能广度是增加还是减少了？
2. 自功能发布以来，产品的护城河比率是改善还是下降了？
3. 如果竞争对手在更简单的产品上提供相同的 AI 功能，用户会切换吗？

如果功能广度下降、护城河比率正在衰退、第三个问题的答案是"很可能会"，那么你的 AI 功能正在蚕食你的产品。解决方法不是移除它——用户会反抗——而是重新设计它，使其放大你产品的独特价值，而不是用自动化快捷方式替代用户参与。

在 AI 产品时代获胜的公司不会是推出最多 AI 功能的公司。而是那些推出的 AI 功能使其核心产品更有价值而非更不必要的公司。