Ciri AI sebagai Produk: Di Mana Untuk Menambahnya

Pada 2024, SaaS menambah ciri AI di mana-mana.

Butang baharu muncul pada papan pemuka. Pilihan "Ringkaskan" muncul pada halaman yang jarang dikunjungi. Chatbot digugurkan ke dalam sudut produk di mana tiada sesiapa yang menjangkakan perbualan. Roadmap disusun semula. Dek penempatan ditulis semula. Perlumbaan senjata AI telah bermula.

Setahun kemudian, kebanyakan ciri tersebut mempunyai hampir sifar penggunaan.

Kos kejuruteraan adalah nyata. Kos penempatan adalah nyata. Jangkaan pelanggan telah dinaikkan, dan kemudian secara senyap dikecewakan. Dan pasukan produk kini mengemukakan soalan yang mungkin sepatutnya mereka tanya dahulu: di mana dalam produk AI sebenarnya berbaloi?

Artikel ini adalah rangka kerja keputusan untuk soalan itu. Bukan senarai semak ciri AI untuk dihantar. Satu cara untuk mengenal pasti titik sisipan yang betul, menolak yang salah, dan membina keupayaan AI yang pengguna benar-benar kembali gunakannya.

Tiga Jenis Titik Sisipan AI

Sebelum bertanya di mana untuk menambah AI, ada baiknya menjelaskan jenis AI apa yang Anda tambahkan. Ada tiga jenis yang berbeza, dan mereka mempunyai dinamik penggunaan yang sama sekali berbeza.

Pecutan aliran kerja bermakna AI membantu pengguna melakukan kerja sedia ada mereka dengan lebih pantas. Pengguna masih melakukan perkara yang sama yang mereka lakukan sebelumnya. AI mengurangkan geseran, masa, atau beban kognitif. GitHub Copilot adalah contoh yang sering dirujuk. Jurutera perisian menulis kod. Copilot membantu mereka menulis lebih pantas dengan melengkapkan baris, menjana fungsi, dan mencadangkan ujian. Aliran kerja tidak berubah. Kerja tidak berubah. AI hanyalah bantuan yang lebih pantas. Ini adalah Corak Workflow Copilot dalam tindakan.

Sambungan aliran kerja bermakna AI menambah keupayaan yang pengguna tidak ada sebelumnya. Mereka tidak dapat melakukan tugasan ini tanpa AI. Ia bukan lebih pantas; ia adalah baharu. Ciri pertanyaan bahasa semula jadi Stripe Sigma adalah contoh yang baik. Banyak pengguna Stripe tidak boleh menulis SQL. Sigma membolehkan mereka bertanya soalan data dalam bahasa biasa dan mendapat jawapan. Mereka tidak boleh melakukan ini sebelumnya. AI memperluas set keupayaan mereka.

Penggantian aliran kerja bermakna AI melakukan tugasan untuk pengguna. Ini adalah yang paling bercita-cita tinggi dan paling sukar untuk dilakukan dengan betul. Kerja pengguna berubah. AI bukan membantu mereka, ia melaksanakan bagi pihak mereka. Risiko adalah tertinggi di sini (kerana AI boleh melakukan perkara yang salah pada skala), tetapi begitu juga nilai apabila ia berfungsi.

Fakta Utama: Penggunaan Ciri AI dalam Produk SaaS

• Sekurang-kurangnya 50% projek AI generatif ditinggalkan selepas bukti konsep disebabkan kualiti data yang lemah, nilai perniagaan yang tidak jelas, atau titik sisipan produk yang tidak mencukupi (Gartner, 2025)
• Kurang daripada 5% aplikasi perusahaan mempunyai ejen AI khusus tugasan yang tertanam hari ini; menjelang akhir 2026 nombor itu dijangka mencapai 40% (Deloitte/IDC, 2026)
• Bagi setiap $1 yang dibelanjakan untuk pembangunan model, $3 diperlukan dalam pengurusan perubahan untuk memastikan penggunaan kekal, menunjukkan titik sisipan dan pembentukan tabiat sebagai pemandu kos yang dominan, bukan pembinaan teknikal (McKinsey, 2025)

Model 4-Penempatan

Model 4-Penempatan memetakan setiap ciri AI dalam produk kepada salah satu daripada empat kedudukan berdasarkan hubungannya dengan aliran kerja utama pengguna. Augment meletakkan AI bersama aliran kerja sedia ada: pengguna boleh merujuknya tetapi tidak digesa. Tab meletakkan AI dalam bahagian atau panel khusus: pengguna menavigasi ke sana dengan sengaja. Inline membenamkan AI terus pada permukaan tindakan di mana kerja berlaku: cadangan muncul semasa pengguna bekerja. As-Product menjadikan AI antara muka utama: interaksi utama pengguna adalah dengan AI, bukan UI tradisional. Model ini menentukan strategi onboarding, metrik penggunaan, dan ambang kejayaan untuk setiap jenis ciri AI. Kedudukan Inline dan As-Product menjana pembentukan tabiat yang paling pantas. Kedudukan Augment dan Tab menjana penggunaan berkala pada yang terbaik.

Kebanyakan perbincangan tentang ciri AI mencampur-adukkan tiga jenis ini, yang membawa kepada pertaruhan produk dengan andaian yang salah dilampirkan. Ciri pecutan aliran kerja perlu sangat rendah geseran untuk menjana tabiat. Ciri sambungan aliran kerja memerlukan pendidikan pengguna sebelum ia memacu penggunaan. Ciri penggantian aliran kerja memerlukan pembinaan kepercayaan sebelum pengguna akan mendelegasikan.

Mengetahui jenis mana yang Anda bina mengubah segalanya: reka bentuk onboarding, isyarat harga, metrik kejayaan, dan garis masa untuk penggunaan.

Di Mana AI Berbaloi: Rangka Kerja Pemilihan

Merentasi tiga jenis titik sisipan, ciri AI dengan pengekalan terkuat berkongsi tiga ciri. Anda boleh menggunakannya sebagai penapis pemarkahan untuk roadmap produk Anda sendiri.

Aliran kerja frekuensi tinggi adalah sasaran AI yang lebih baik daripada aliran kerja frekuensi rendah.

Aliran kerja yang pengguna lakukan setiap hari adalah calon AI yang jauh lebih baik daripada yang mereka lakukan setiap bulan. Sebabnya adalah pembentukan tabiat. Ciri AI dalam aliran kerja harian digunakan cukup kerap supaya pengguna membina intuisi tentangnya, mempercayainya, dan membinanya ke dalam aliran mereka. Ciri AI dalam aliran kerja bulanan ditemui semula setiap kali, terasa tidak biasa, dan ditinggalkan demi "cara lama" hanya untuk menyelesaikannya.

GitHub Copilot muncul sebaris semasa Anda menaip kod. Penyuntingan kod adalah sesuatu yang pembangun lakukan sepanjang hari, setiap hari. Setiap ketukan kekunci adalah peluang untuk menggunakan AI atau melangkauinya. Tabiat terbentuk pantas kerana permukaan sentiasa ada.

Bandingkan itu dengan ciri "AI-jana laporan suku tahunan". Walaupun ia berfungsi dengan sempurna, pengguna menemuinya empat kali setahun. Mereka lupa ia wujud antara penggunaan. Mereka tidak cukup mempercayainya untuk bergantung padanya apabila tarikh akhir suku tahunan penting. Penggunaan tidak pernah berganda.

Aliran kerja usaha tinggi memberikan lebih banyak nilai AI daripada aliran kerja usaha rendah.

Cadangan nilai AI adalah terkuat apabila alternatif manual adalah menyakitkan. Jika tugasan mengambil 30 saat secara manual, menjimatkan 20 daripada saat tersebut dengan AI tidak begitu menarik. Jika tugasan mengambil empat jam, AI yang memotongnya kepada 45 minit adalah tuas yang tulen.

Notion AI mendarat dalam penyuntingan dokumen. Menulis draf pertama dokumen adalah benar-benar sukar dan memakan masa. Membiarkan AI menjana draf yang Anda sunting, berbanding menulis dari halaman kosong, adalah penjimatan masa yang bermakna. Pengguna merasakannya.

Butang "ringkasan AI" pada halaman tetapan yang jarang dikunjungi tidak lulus ujian ini. Pengguna tidak perlu meringkaskan halaman tetapan. Tiada apa yang perlu diringkaskan. AI tidak menyelesaikan masalah yang menyakitkan.

Konteks kaya data menghasilkan AI yang lebih berguna daripada konteks jarang data.

Ciri AI berfungsi paling baik apabila mereka mempunyai konteks untuk bekerja dengannya. Semakin berstruktur, terkini, dan relevan data yang mengelilingi titik sisipan, semakin berguna output AI.

Penciptaan isu AI Linear berfungsi kerana apabila pengguna mencipta isu, Linear sudah mempunyai akses kepada konteks projek, pangkalan kod, isu lalu, sejarah sprint, dan keutamaan pasukan. AI boleh menjana isu berstruktur dengan baik dengan label dan penerima tugasan yang relevan kerana ia mempunyai isyarat untuk difikirkan.

Chatbot yang digugurkan ke dalam produk tanpa data sedia ada tentang pengguna, tanpa konteks tentang aliran kerja mereka, dan tanpa akses kepada keadaan akaun mereka sedang bekerja dengan tiada apa-apa. Ia hanya boleh memberikan respons generik. Respons generik adalah lebih buruk daripada pusat bantuan yang tersusun dengan baik.

Beri skor calon roadmap AI Anda terhadap tiga penapis ini. Ciri yang berada tinggi pada ketiganya adalah berbaloi dibina dahulu. Yang berada rendah pada ketiganya adalah di mana ciri AI pergi untuk mati. Copilot AI Tertanam dalam UI SaaS menunjukkan seperti apa titik sisipan ini dalam amalan merentasi permukaan produk sebenar.

Contoh yang Berfungsi

GitHub Copilot mendapat tiga-untuk-tiga. Pengekodan adalah frekuensi tinggi (harian), usaha tinggi (menulis kod menuntut kognitif), dan kaya data (pangkalan kod ada di sana). Copilot menjana pelengkapan dan cadangan dalam konteks tepat di mana pengguna sedang bekerja. Penggunaan berganda kerana setiap sesi pengekodan adalah latihan.

Notion AI dalam editor dokumen lulus ujian yang sama. Menulis adalah harian, menulis dari awal adalah sukar, dan Notion mengetahui dokumen yang Anda ada, ruang kerja yang Anda miliki, dan halaman berkaitan yang telah Anda cipta. Titik sisipan adalah halaman kosong, yang benar-benar menyakitkan.

Penciptaan isu AI Linear berfungsi kerana pasukan perisian mencipta isu secara berterusan. Ia adalah tugasan frekuensi tinggi, usaha sederhana yang mendapat manfaat daripada struktur. AI Linear mengisi medan dengan bijak kerana ia mengetahui konteks projek.

Cadangan reka bentuk AI Figma berfungsi untuk pasukan yang menggunakan Figma sebagai persekitaran reka bentuk utama mereka. Mereka bentuk adalah kerja harian, usaha tinggi, dan Figma sudah mengandungi sistem jenama Anda, perpustakaan komponen, dan sejarah reka bentuk. AI mempunyai konteks untuk membuat cadangan yang relevan.

Pertanyaan bahasa semula jadi Stripe Sigma berfungsi kerana soalan data adalah usaha tinggi untuk pengguna bukan teknikal. Nilainya bukan kelajuan; ia adalah akses. Pengguna tidak dapat menanyakan data transaksi mereka sendiri sebelumnya. Kini mereka boleh. Itu adalah sambungan aliran kerja yang benar-benar mengembangkan keupayaan.

Contoh yang Tidak Berfungsi

Butang AI "ringkaskan" pada halaman pentadbir yang jarang dikunjungi. Tiada sesiapa yang mengunjungi halaman tetapan pengebilan Anda mencari rakan perbualan. Titik sisipan tidak mempunyai kesakitan pengguna yang dilampirkan.

Laporan yang dijana AI yang tiada sesiapa baca. Jika laporan sudah diabaikan sebelum AI, membiarkan AI membuat draf tidak menjadikannya lebih berharga. Masalahnya adalah laporan, bukan masa penulisan.

Chatbot di sudut produk. Menjatuhkan antara muka sembang ke dalam kawasan produk di mana pengguna menjangkakan untuk mengklik, bukan berbual, mewujudkan geseran berbanding menghilangkannya. Pengguna mendapatinya mengejutkan dengan cara yang salah.

Ciri AI mingguan atau bulanan yang dipasarkan sebagai alatan produktiviti. "AI yang menjana ringkasan invois bulanan Anda" adalah perkara sebenar yang pasukan telah hantar. Pengguna fikir ia bagus dalam demo. Mereka tidak memikirkannya selama 29 hari lagi.

Corak dalam kegagalan adalah sama: ia tidak bermula dengan kesakitan pengguna. Ia bermula dengan "di mana kita boleh tambah AI" dan berakhir dengan ciri yang tidak mempunyai permukaan pembentukan tabiat dan tidak ada masalah bermakna untuk diselesaikan.

"Ciri AI dengan pengekalan terkuat berkongsi tiga ciri: ia muncul dalam aliran kerja frekuensi tinggi (harian, bukan mingguan), mereka mengurangkan usaha pada tugasan yang pengguna anggap benar-benar sukar (bukan kemudahan kosmetik), dan mereka mempunyai akses kepada data berstruktur dan terkini tentang konteks pengguna. Beri skor calon roadmap terhadap tiga penapis ini sebelum membuat komitmen masa kejuruteraan." (Analisis Rework, 2025)

"Ciri yang memerlukan pengguna untuk menavigasi ke bahagian berasingan, atau yang hanya muncul dalam menu tetapan, tidak kelihatan kepada kebanyakan pengguna. Kegagalan penemuan ciri bukan masalah pemasaran. Ia adalah masalah reka bentuk produk. Ciri AI mesti muncul dalam konteks, pada saat ia relevan, tanpa memerlukan pengguna untuk pergi mencarinya." (Analisis Rework, 2025)

Kad Skor Titik Sisipan Ciri AI

Sumber: McKinsey State of AI 2025, Analisis Kegagalan Projek AI Generatif Gartner 2025

Analisis Rework: Butang "AI ringkaskan" pada halaman tetapan yang jarang dikunjungi dan cadangan GitHub Copilot sebaris kedua-duanya menggunakan teknologi LLM yang sama. Perbezaan dalam penggunaan adalah sepenuhnya penempatan dan frekuensi. Ciri AI yang memerlukan peralihan konteks tidak pernah membina gelung tabiat. Ciri yang muncul sebaris dalam aliran kerja harian menjadi tidak kelihatan dalam erti kata terbaik: pengguna berhenti menyedari AI dan mula menjangkakan aliran kerja terasa sepantas ini. Itulah isyarat penggunaan yang meramalkan impak pengekalan.

Ujian PLG

Dalam model product-led growth (PLG), ciri mempunyai kerja untuk dilakukan. Mereka sama ada membantu pengguna mencapai nilai lebih cepat (pengaktifan), atau mereka membuka kes penggunaan baharu yang mewajarkan pengembangan bilangan tempat duduk atau peringkat mereka (pengembangan). Jika ciri tidak melakukan keduanya, ia adalah bunyi.

Gunakan ujian ini kepada setiap calon ciri AI.

Pembantu onboarding AI yang mengesan jawatan kerja pengguna baharu dan mengkonfigurasi ruang kerja mereka secara automatik meningkatkan pengaktifan. Pengguna mencapai "momen aha" pertama mereka lebih cepat, yang secara langsung memacu penukaran dari percuma kepada berbayar. Itu lulus ujian PLG. Aliran Onboarding AI dalam Produk SaaS merangkumi dengan tepat cara membina lapisan pemperibadian onboarding itu.

Ciri AI yang membolehkan pengguna menanyakan data sejarah mereka merentasi berbilang ruang kerja pasukan memacu pengembangan. Pengguna individu yang mendapati mereka boleh melakukan ini akan mula bercakap kepada pengurus mereka tentang menaik taraf. Itu juga lulus.

Ciri AI yang menanda rekod secara automatik dalam tetapan yang hanya pengguna kuasa akses, kira-kira empat peratus daripada asas pengguna Anda, tidak. Ia mungkin benar-benar berguna untuk empat peratus itu, tetapi ia tidak menggerakkan pengaktifan atau pengembangan di peringkat produk. Ia adalah konfigurasi, bukan tuas pertumbuhan.

Syarikat PLG yang menambah ciri AI secara strategik bertanya "langkah mana dalam saluran kami yang ini percepatkan?" sebelum mereka bertanya "adakah ini boleh dilaksanakan secara teknikal?" Dua soalan bersama memberi Anda roadmap yang sebenarnya menghantar perkara yang pelanggan gunakan.

Menghantar AI kepada Pelanggan berbanding Menggunakan AI Secara Dalaman

Ada perbezaan yang pasukan produk kadang-kadang terlepas pandang apabila mereka di bawah tekanan untuk menunjukkan "kemajuan AI."

Ciri AI yang menghadap pelanggan memerlukan kepercayaan daripada pengguna sebelum ia memacu pengekalan. Mereka memerlukan onboarding, komunikasi telus tentang apa yang AI lakukan, mekanisme untuk pengguna membetulkan output yang salah, dan masa untuk membentuk tabiat. Itu adalah pelaburan enam hingga dua belas bulan untuk merealisasikan nombor penggunaan yang bermakna.

Operasi AI dalaman, menggunakan AI dalam aliran kerja jualan, sokongan, CS, dan pemasaran Anda, berganda lebih cepat. Pasukan Anda bermotivasi untuk membuatnya berfungsi. Tiada pembinaan kepercayaan pengguna yang diperlukan. Dan kecekapan dalaman mewujudkan ruang kepala ekonomi yang membolehkan Anda melabur lebih banyak dalam produk.

Bagi banyak syarikat SaaS, terutamanya mereka yang berada di bawah $10 juta annual recurring revenue (ARR), pelaburan AI ROI tertinggi pada 2026 adalah operasi dalaman, bukan ciri produk. Itu bukan sebab untuk meninggalkan roadmap AI produk. Ia adalah sebab untuk bersikap jujur tentang garis masa dan melabur dalam kedua-dua trek dengan sengaja. Penyelidikan Keadaan AI McKinsey mendapati bahawa 46% syarikat kini memanfaatkan impak kewangan daripada AI pada skala, naik daripada 33% tahun sebelumnya, tetapi organisasi melaporkan bahawa bagi setiap $1 yang dibelanjakan untuk pembangunan model, $3 diperlukan dalam pengurusan perubahan untuk memastikan penggunaan kekal.

Perangkap Perlumbaan Senjata

Pesaing menghantar ciri AI. Pelanggan Anda perasan. Pasukan Anda melihat liputan akhbar. Tekanan adalah nyata.

Tetapi menghantar ciri AI untuk memadankan pengumuman pesaing adalah salah satu cara tercepat untuk menghantar ciri yang tiada sesiapa gunakan. Ciri AI pesaing mungkin juga mempunyai hampir sifar penggunaan. Blog produk mereka berkata "kami menghantar AI." Ia tidak berkata "pengguna menyukainya dan ia memacu pengekalan."

Pasukan yang memenangi perlumbaan senjata AI dalam jangka sederhana bukan yang menghantar pertama. Mereka adalah yang menghantar pada titik sisipan yang betul, tempat frekuensi tinggi, usaha tinggi, kaya data di mana AI menjadi tabiat, bukan nota kaki dalam log perubahan. Perlumbaan senjata AI dalam SaaS: kelajuan untuk menghantar mengkaji mengapa kelajuan penghantaran tanpa disiplin titik sisipan mewujudkan hutang penggunaan.

Isyarat untuk diperhatikan dalam data pengguna Anda sendiri adalah frekuensi sesi dan kelekatan ciri untuk ciri AI baharu dalam tempoh 90 hari pertama. Jika penggunaan ciri AI tidak berganda (lebih banyak sesi dari masa ke masa, bukan rata), titik sisipan mungkin salah.

Pengesahan Sebelum Anda Membina

Soalan penyelidikan yang mencari titik sisipan AI yang baik bukan "Adakah Anda akan menggunakan ciri AI?" Ia adalah "Apa yang Anda lakukan secara manual hari ini yang mengambil lebih daripada 30 minit dan yang Anda terpaksa lakukan lebih daripada sekali seminggu?"

Temu bual kerja-untuk-dilakukan dengan soalan itu memaparkan aliran kerja tepat di mana pengguna merasakan paling banyak geseran. Itu adalah calon AI Anda.

Susulannya adalah: "Maklumat apa yang sudah Anda ada apabila Anda melakukan tugasan itu?" Kerana AI memerlukan konteks untuk berguna. Jika jawapan kepada soalan pertama adalah aliran kerja kaya data, Anda sedang melihat calon AI yang kuat. Jika aliran kerja memerlukan banyak konteks luaran yang produk tidak ada, AI akan bergelut.

Prototaipkan interaksi sebelum Anda membina. Olok dalam Figma. Jalankannya dengan lima pengguna. Perhatikan sama ada mereka mendapatinya jelas untuk digunakan atau sama ada mereka teragak-agak. Keraguan adalah data.

Apa yang Perlu Dibina Dahulu

Ciri AI memacu pengekalan apabila dibina di mana kerja pengguna adalah paling sukar, paling kerap, dan paling kaya data. Itu bukan pemerhatian kategori produk. Ia adalah penapis yang boleh Anda gunakan kepada produk khusus Anda dan pengguna khusus Anda.

Strategi produk AI terkuat dalam SaaS tidak bermula dengan "ciri AI apa yang harus kami bina." Mereka bermula dengan peta aliran kerja pengguna, mengenal pasti titik di mana geseran adalah tertinggi dan frekuensi adalah tertinggi, dan kemudian bertanya "apakah campur tangan AI terkecil yang akan mengurangkan geseran ini dengan bermakna." Analisis McKinsey tentang pembangunan produk perisian yang dibolehkan AI menunjukkan kepada membenamkan AI terus ke dalam kitaran kerja teras, bukan menyambungnya sebagai tambahan pilihan, sebagai model yang memacu pembezaan produk sebenar.

Itulah titik sisipan.

---

Ketahui Lebih Lanjut:

• Corak Workflow Copilot: corak ACE yang menjanakan pecutan aliran kerja AI
• Corak Personalization Engine: corak di sebalik AI yang menyesuaikan diri dengan pengguna individu dari masa ke masa
• Aliran Onboarding AI dalam Produk SaaS: membina onboarding berkuasa AI untuk pengaktifan yang lebih baik
• Copilot AI Tertanam dalam UI Produk SaaS: seperti apa titik sisipan AI yang baik dalam UI produk
• Soalan Model Harga AI untuk SaaS: cara titik sisipan AI mempengaruhi strategi harga
• Gelung Telemetri untuk AI dalam Produk: mengukur sama ada ciri AI sebenarnya digunakan