从Shopify到OpenAI：他如何用“不确定性思维”打造AI产品

前Shopify AI负责人、现OpenAI产品负责人Miqdad Jaffer，分享了他在真实商业场景中构建AI产品的方法论：接受不确定性、让用户始终掌控、从最小可用价值出发，而不是迷信宏大战略。

为什么AI产品不能照搬传统产品方法

这一段讨论之所以重要，是因为它直接挑战了大多数产品经理的直觉。Miqdad指出，传统消费级产品是“确定性系统”：有明确目标、路径、需求和时间预估，最多只需要在后期补齐少量边界情况。但生成式AI本质上是非确定性的系统，你永远无法提前穷举所有错误。

他在访谈中直言：“我们必须先假设，所有可能出错的地方，最后一定都会出错。”这不是悲观，而是一种设计前提。在Shopify做AI产品时，团队意识到，如果试图像过去一样写完整PRD、定义所有流程，反而会被AI的不稳定性反复击穿。

因此他们确立了一个底层原则：AI绝不能在商家不知情的情况下行动。所有AI生成或建议的内容，必须被清晰地“推到用户面前”，让商家能看见、能审核、能拒绝。Miqdad用一句话概括这种设计哲学：“这是增强（augmentation），而不是自动化（automation）。”这也成为Shopify后续AI功能的共同起点。

从一个小功能开始，而不是一份宏大战略

很多公司谈AI时，习惯先做愿景、路线图和长期战略。但Shopify走了一条相反的路。Miqdad回忆，他们最早切入生成式AI，并不是从“AI如何重塑电商”这种大命题开始，而是找了一个极其具体、重复、让商家头疼的任务。

主持人Peter Yang在对话中点破这一点：“你们其实是找到一个很小的用例，直接上线，看反应，而不是先写一份大策略文档。”Miqdad认可这种说法。对他们而言，生成式AI最擅长的，就是填补那些规律性强、但人工成本高的工作。

这种做法带来的好处非常现实：反馈极快，风险可控。功能一上线，商家的真实使用行为，比任何内部讨论都更有说服力。正是在这种“先交付、再学习”的节奏下，Shopify逐渐建立起对AI能力边界的理解，也避免了一开始就押注过重。

几乎全异步的AI产品流程，以及商家的深度参与

在组织方式上，Shopify的AI产品流程同样反直觉。Miqdad提到，很多关键阶段“甚至没有正式会议”，而是以异步方式推进。这并不是为了节省时间，而是为了让思考本身更清晰。

他们内部有一套被称为“GITB”的流程（视频中未展开全称），用于引导AI功能从想法走向最终发布。不同于传统瀑布式流程，这套机制允许想法在早期就暴露给更多人评审，也更容易被推翻或修正。

更关键的是，商家并不是最后才出现的“测试者”。Miqdad强调，这是一个高度协作的过程，商家在中途就能看到原型、给出反馈。这种参与感一方面提高了功能命中率，另一方面也建立了信任：AI不是黑箱，而是商家的“可控工具”。这也是为什么描述生成等功能在推出后，能迅速被接受和使用。

Prompt、模型与成本：AI体验的隐藏层

当话题进入更技术的层面，Miqdad拆解了一个完整AI体验的“分层结构”。最上层是用户看到的交互形式，比如聊天界面；中间是Prompt设计，也就是如何向模型清晰地表达任务；最底层才是具体使用的模型。

他特别提到，Shopify并不希望把Prompt工程的负担转嫁给商家。这个系统“不会只处理单一主题”，因此Prompt必须在产品内部被精心设计，而不是要求用户学会如何‘正确提问’。

在模型选择和成本上，他也非常务实。Token是直接成本，意味着每一次生成都在消耗真实的钱。但如果AI真的能让商家变得更高效，“Shopify也会从整体收益中获益”。最终，一切又回到了那个底线原则：无论技术多复杂，“AI不会造成伤害”是整个系统不可动摇的前提。

总结

Miqdad Jaffer的分享，并不是在炫耀某个具体AI功能，而是在传递一种更稀缺的能力：如何在不确定性中做产品决策。他接受AI不可预测的本质，用用户控制权来对冲风险，用小步快跑代替宏大叙事。对今天试图把AI真正落地的人来说，这种思维方式，可能比任何模型参数都更重要。

关键词： 生成式AI， AI产品设计， Shopify， OpenAI， Prompt工程

事实核查备注： 人物：Miqdad Jaffer（前Shopify AI负责人，现OpenAI产品负责人）、Peter Yang；公司：Shopify、OpenAI；核心概念：生成式AI、非确定性系统、augmentation not automation、Prompt、Token成本、异步协作流程（GITB）。