一个近期信号：产品发现系统正在从关键词索引走向“关系理解”
8 月 5 日，Target 公开了其零售产品发现平台的一次架构重建。其背景很典型：传统搜索索引、交易数据和不同类型数据库彼此分离，容易造成上下文缺失、属性关系断裂和查询结果不一致，也增加了数据同步与维护成本。
Target 将产品、类别、品牌、顾客偏好等实体及其关系纳入统一的企业本体，并把关系图、向量检索、全文搜索和交易状态连接起来，用于支撑 Gift Finder 等对话式购物体验。按照 Target 在 Google Cloud 官方博客中的披露，新架构使数据库管理和基础设施维护时间减少了 50%，同时改善了推荐相关性和顾客净推荐值。这里的 50% 是特定企业在特定架构迁移中的披露结果，不能直接当作其他企业的收益承诺。
更重要的信号不在数据库选型，而在数据模型：过去系统记录“客户搜了哪个词”，现在系统需要理解“客户为什么需要它、要与什么搭配、受哪些条件限制、现有产品为何不合适”。
当客户需求被表示为关系和约束，AI 就不只是在既有货架中找答案，也开始为产品组合决策提供新证据。
最有价值的往往不是成功推荐，而是“没能满足”
多数企业会优先优化点击率、推荐转化率和成交额。这些指标当然重要，却天然偏向现有供给：系统只能推荐目录中已经存在、数据相对完整的产品。
真正可能改变产品组合的，是以下四类未满足需求：
早期的 Google Cloud 零售研究已经把找不到合适结果与搜索放弃联系起来；Lowe's 的公开实践也显示，理解描述性长尾需求有助于降低“无结果”比例。但在生成式 AI 时代，企业不应只把这些信号用于调优排序。它们还可以成为商品企划、产品管理、研发和供应链团队共同使用的需求证据。
这套逻辑并不限于零售。在工业设备企业，“低粉尘环境可用、两小时内恢复、现有接口不改造”的询问，可能暴露产品配置缺口；在企业软件领域，客户频繁要求“保留现有审批、仅自动处理低风险单据”，可能说明现有套餐把自动化程度设计得过高；在专业服务行业，反复出现的小预算、短周期诉求，可能构成一种标准化轻服务的新产品。
- 无结果需求：客户描述得很清楚，但目录中没有符合全部约束的产品。
- 勉强替代需求：客户最终购买了近似选项，却反复放宽尺寸、功能、价格或交付条件。
- 高频澄清需求：多个客户持续询问同一属性，而企业产品数据中没有这个维度。
- 有结果但不采纳：系统给出了推荐，客户仍退出、转人工或选择竞品，说明“技术相关”不等于“业务合适”。
不要让模型直接决定“砍掉哪个产品”
从对话中提炼产品机会很诱人，但对话数据并不天然等于真实需求。
客户可能只是探索，并无购买意愿；推荐失败可能源于目录数据缺失，而不是产品缺失；销量低也可能来自曝光、定价、交付区域或渠道问题。更现实的风险是，模型会把不同表达过早归并成一个“需求主题”，掩盖关键差异；或者把高频、容易表述的需求放大，忽略低频但高价值的企业客户需求。
因此，AI 适合承担的是“形成假设”，而不是“代替产品委员会裁决”。每个产品组合建议至少要能回答：
换句话说，AI 输出的不是“新品立项书”，而应是一张可追溯、可反驳的机会卡。
- 这个需求由哪些原始对话、搜索、询价或售后记录支持？
- 客户不能被满足，究竟是缺产品、缺属性数据、缺库存，还是推荐逻辑有问题？
- 需求频率、潜在毛利、交付复杂度和战略匹配度分别如何？
- 哪些现有产品会被新方案替代或蚕食？
- 下一步可以用什么低成本实验验证，而不是直接进入大规模研发？
建立“需求—供给差距账”，而不是再做一个聊天机器人看板
企业可以先从一个高价值产品线启动，建立最小闭环。
第一步，把客户对话拆成可比较的需求结构。至少包括使用场景、目标、硬约束、可妥协条件、价格或时间边界、推荐结果和最终行为。这里不必追求一次建成庞大本体，先覆盖真正影响购买与交付的十几个核心关系。
第二步，建立需求与现有供给的匹配结果。每次对话不只记录“推荐了什么”，还要记录哪些约束被满足、哪些被放宽、为何转人工、为何没有成交。这样才能区分搜索体验问题与真实供给缺口。
第三步，按周期生成“需求—供给差距账”。它不应只是词频排行，而应把重复需求、客户价值、当前替代方案、数据置信度和验证成本放在一起，交给产品、销售、运营和交付人员联合复核。
第四步，用小实验验证组合动作。增加一项属性说明、调整一个套餐、组合两项现有服务、向特定客群预售，通常比直接开发新品更快地判断需求是否真实。只有实验结果成立，才进入正式的增加、合并或退出决策。
第五步，保留反证。被放弃的机会、预测错误的原因、客户未按预期购买的结果，也要回流到系统。否则，企业只会积累“AI 找到机会”的成功故事，无法提高下一轮判断质量。
企业 AI 的价值，不只在更好地卖现有产品
很多企业把客户侧 AI 的商业价值限定为降低服务成本或提高转化率。这是合理的起点，却低估了自然语言交互带来的变化：客户正在主动告诉企业，他们如何定义问题、现有分类哪里不符合真实世界、哪些组合仍然缺失。
当这些信号能够与产品关系、库存状态、交付能力、毛利和客户结果连接起来，AI 才真正进入经营决策。它帮助企业做的，不只是把现有产品推荐得更精准，而是更早地知道：哪些需求值得形成新供给，哪些产品正在失去存在理由，哪些看似没有市场的问题其实只是过去没有被正确理解。
对于准备推进企业级 AI 的公司，一个务实的起点是：选取一个对话量足够、产品边界清晰的业务入口，连续观察四到六周的未满足需求，并完成一轮可验证的产品组合调整。这个闭环所证明的业务能力，往往比上线一个功能丰富却只衡量调用次数的 AI 助手更有价值。
