JTBD / ODI：AI Use Case 选择
一句话:
Jobs-to-be-Done / Outcome-Driven Innovation for AI Use Case Selection 解读
面向对象: AI PM / Senior BA / Product Strategist / Business Architect / Portfolio Lead。 核心问题: 企业 AI use case 选择经常按“谁声音大”“哪个 demo 热”“哪个部门预算足”排序。JTBD 和 Outcome-Driven Innovation (ODI) 提供另一种方式: 从用户要完成的 job、期望 outcome 和 underserved outcome 出发, 判断 AI 应该辅助、建议、决策、执行还是不该介入。 学习目标: 用 JTBD/ODI 思维把 AI 需求从 persona 和功能清单升级为 job map、outcome statements、opportunity score 和 automation boundary。
Source Anchors
| Source | Link | 用途 |
|---|---|---|
| HBR: Know Your Customers' Jobs to Be Done | https://hbr.org/2016/09/know-your-customers-jobs-to-be-done | 参考 Christensen 等对 JTBD 的产品创新视角 |
| Strategyn: Jobs-to-be-Done / ODI | https://strategyn.com/jobs-to-be-done/ | 参考 outcome-driven innovation、job map 和 outcome statements |
| NIST AI RMF | https://www.nist.gov/itl/ai-risk-management-framework | 把 AI automation boundary 和风险治理连接到 Map / Measure / Manage |
| Product Talk: Opportunity Solution Tree | https://www.producttalk.org/opportunity-solution-tree/ | 将 JTBD outcome 与机会树和实验学习连接 |
一句话:
AI JTBD 是用“用户要完成的工作和期望结果”选择 AI 机会, 避免把 AI 能力强行塞进错误任务。
1. JTBD 对 AI 的价值
Persona 容易说:
AML analyst 需要一个 AI 助手。
JTBD 会说:
当 AML analyst 面对一个新 alert 时,
他需要快速判断该 alert 是否存在值得升级的可疑模式,
并形成可审计的调查理由,
同时避免遗漏关键证据或过度关闭高风险 case。
差异:
| Persona / Feature | JTBD / Outcome |
|---|---|
| 谁要功能 | 用户要完成什么工作 |
| 做一个助手 | 降低某个 job step 的摩擦 |
| 提高效率 | 在速度、准确、风险、信任之间定义 outcome |
| 满足需求 | 发现 underserved outcome |
2. AI Job Map
ODI 常用 job map 分解 job。AI 版本可以用:
Define -> Locate -> Prepare -> Confirm -> Execute -> Monitor -> Modify -> Conclude
以信贷申请为例:
| Job Step | 用户 Job | AI Opportunity |
|---|---|---|
| Define | 申请人理解自己要申请什么产品 | eligibility explanation |
| Locate | 找到所需材料 | document checklist |
| Prepare | 准备收入、身份、资产证明 | missing document detection |
| Confirm | 确认材料是否符合要求 | pre-submission check |
| Execute | 提交申请 | assisted form completion |
| Monitor | 跟踪状态 | status explanation |
| Modify | 补件或纠错 | personalized next action |
| Conclude | 理解决策结果 | adverse action explanation |
AI 不一定适合每一步。高风险 decision step 可能只能做解释和辅助。
3. Outcome Statement
ODI outcome statement 通常表达为:
Minimize / increase [metric] when [context], without [constraint]
AI outcome 示例:
| 场景 | Outcome Statement |
|---|---|
| 客服 | Minimize time to locate the correct policy when handling exception cases, without increasing misleading commitments. |
| AML | Increase completeness of evidence review when triaging alerts, without increasing missed high-risk escalation. |
| 信贷 | Minimize applicant effort to understand missing documents, without implying approval likelihood. |
| 财富顾问 | Increase quality of meeting preparation, without crossing personalized investment advice boundary. |
中文版本:
当 [用户在某上下文执行某 job step] 时,
最小化/最大化 [期望结果],
同时不增加 [风险/成本/负担]。
4. Underserved Outcome
AI 最适合解决:
- 重要性高。
- 当前满意度低。
- 有数据/知识/工具支撑。
- 风险可控。
- 可通过 eval 验证。
Opportunity score:
Opportunity = Importance + max(Importance - Satisfaction, 0)
AI 还要加:
AI Fit = data readiness + model feasibility + risk controllability + workflow adoption
最终排序:
Priority = opportunity score x AI fit x strategic reuse - risk penalty
5. Automation Boundary
JTBD 帮助判断 AI 角色:
| Job Step 类型 | AI 角色 |
|---|---|
| 信息查找 | retrieve / summarize |
| 重复综合 | draft / synthesize |
| 低风险分类 | classify with review |
| 高风险判断 | decision support, not autonomous decision |
| 客户权益影响 | explain / recommend with HITL |
| 资金或账户动作 | constrained agent with approval |
| 监管敏感 | assist only, escalation required |
自动化边界不是技术问题, 是 job outcome、风险和责任问题。
6. 金融零售案例
6.1 AML Analyst
Job:
判断 alert 是否需要升级并形成可审计调查理由。
Underserved outcomes:
- 减少跨系统找证据时间。
- 增加事实完整性。
- 降低遗漏高风险 typology。
- 减少 rationale 写作负担。
AI fit:
- evidence retrieval: high。
- draft rationale: medium-high。
- auto close alert: low/high risk。
6.2 客服
Job:
在客户情绪和政策例外下给出准确、合规、可升级的答复。
AI boundary:
- 可以检索政策和生成建议话术。
- 不应承诺未授权赔付。
- 投诉、监管、欺诈疑似必须升级。
6.3 AI 平台内客户
平台团队的“客户”是 AI 产品团队:
Job:
在不重复造基础设施的情况下, 安全、快速、可审计地上线 AI use case。
Underserved outcomes:
- 降低接入模型时间。
- 降低 eval gate 设置成本。
- 降低审计证据准备成本。
- 提高供应商替换能力。
7. 模板: AI JTBD / ODI Brief
# AI JTBD / ODI Brief: [User / Job]
## Job Statement
When:
I want to:
So I can:
Without:
## Job Map
| Step | Current behavior | Pain / risk | AI opportunity |
|---|---|---|---|
## Outcome Statements
| Outcome | Importance | Satisfaction | Opportunity score |
|---|---|---|---|
## AI Fit
| Outcome | Data readiness | Model feasibility | Risk controllability | Adoption fit |
|---|---|---|---|---|
## Automation Boundary
| Job step | Assist | Recommend | Decide | Act | Rationale |
|---|---|---|---|---|---|
8. 反模式
| 反模式 | 表现 | 修正 |
|---|---|---|
| Persona theater | 给 persona 起名字但不懂 job | 写 job statement 和 job map |
| AI everywhere | 每个 job step 都塞 AI | 按 outcome 和 risk 定 automation boundary |
| Feature bias | 从“助手/agent”开始 | 从 underserved outcome 开始 |
| Efficiency only | 只看省时间 | 加准确性、风险、信任、负载 guardrail |
| Platform without internal JTBD | 平台只列功能 | 分析 AI 产品团队的 job-to-be-done |
9. 面试回答
Q: 你如何选择最值得做的 AI use case？
30 秒版本:
我会用 JTBD/ODI 从用户要完成的 job 和 outcome 出发, 找重要但满意度低的 underserved outcomes, 再评估 AI fit: 数据、模型可行性、风险可控性和 adoption。最后按 opportunity score、复用潜力和风险惩罚排序, 而不是按谁想要 AI 助手排序。
Q: AI 自动化边界怎么定？
30 秒版本:
自动化边界取决于 job step 的风险、客户影响、可解释性和责任。信息查找和草稿生成可以更自动, 高风险判断应做 decision support, 涉及资金、账户、信贷和监管敏感的动作必须有约束、证据和人工控制。
10. 作品集交付物
- AI Job Statement。
- Job Map。
- Outcome Statement Catalog。
- Opportunity Score Matrix。
- AI Fit Assessment。
- Automation Boundary Matrix。
- Use Case Prioritization Memo。
这套材料能展示你不是“收需求”, 而是能用 JTBD/ODI 识别真正值得 AI 介入的工作结果。