电商、网站、SaaS、APP 的 AI 产品实战案例
前面的章节讲的是通用方法，这一章要回答的问题是：同一套骨架，放到不同行业里，重点会怎么变化。
通用骨架不变，重点变化
graph TD
A["Discover"] --> B["Define"]
B --> C["Use Cases"]
C --> D["AI Fit"]
D --> E["MVP"]
E --> F["Launch & Iterate"]
上面这条链路在所有项目里都成立，但每种产品看重的指标、场景和风险不同。
如何使用这一章
建议你把这部分当作“行业适配手册”，而不是行业百科。阅读顺序可以这样：
- 先看这一页，理解四类产品的共性与差异
- 再进入对应行业的独立案例页
- 用附录里的模板，把自己的项目重新套一次
四类行业的共同判断
无论你做的是哪一类产品，都要回答这五个问题：
- 用户最频繁、最真实的任务是什么
- 哪个任务最值得先优化
- 哪个环节适合 AI，哪个环节更适合规则或人工
- 第一版验证要看什么结果
- 错误发生时怎么兜底
进一步阅读
一个对比表
| 类型 | 关键结果 | 常见 AI 场景 | 最大风险 |
|---|---|---|---|
| 电商 | 转化、售后效率 | 推荐、客服、搜索 | 错误推荐、误答售后 |
| 网站 | 线索转化 | 咨询、问答、内容导航 | 低质量线索、误导信息 |
| SaaS | 效率、留存、转化 | Copilot、自动摘要、数据问答 | 权限越界、结果不可信 |
| APP | 激活、留存、活跃 | 引导、推荐、内容总结 | 打扰用户、性能压力 |
本章 checklist
- 我是否根据行业特性调整成功指标
- 我是否优先选择高频、高价值、低风险的切入口
- 我是否避免照搬别人的 AI 方案
- 我是否已经选择了最适合自己项目的案例页继续深入
本章小结
- 方法论可以通用，但重点必须因行业而变
- AI 产品落地时，先找高频任务和低风险切入口
- 好案例不是“功能一样”，而是判断逻辑一致