评价一个 AI 产品，我们习惯问它答得准不准、快不快、能不能交付成品。但在这些之前还有一个更早的数字：这个用户一天里，有几次想问点什么？
对大多数岗位来说，这个数字很小。而且它不随模型变强而变大。
我们自己是样本偏差
做 AI 产品的人容易拿自己当用户。我们每天几十次打开对话框，因为「提出问题、拿到分析、继续往下做」本来就是我们的工作方式。
绝大多数岗位不是这样。
真正需要「想清楚一个问题、等一份分析、再据此决定」的时刻，一个销售一周可能有三四次，一个运营可能更少。剩下的时间，人在走流程、填表、回邮件、对齐口径、确认对方有没有收到——以及给老板提供情绪价值。这些都是真实的工作，但它们都不长成一个问句。
不是用户不会用 AI。是他们的工作本来就不产出那么多问题。
这是一道乘法
把一个产品的使用量拆开：
使用量 ＝ 有多少人在用 × 每个人一周用几次
我们花在「答得更好」上的力气，主要作用在第二项上，而且只作用于它的一部分：从三次机会里赢两次，变成三次都赢。这值得做，但它有顶——赢满了也只有三次。
答案质量决定你能不能拿下一次机会，它不决定机会有几次。机会的次数由形态决定：一个只有输入框的产品，能出现的时刻就是用户主动想起它的时刻，不多不少。
三个把次数做上去的方向
天花板不在模型那边，所以只能在形态上找。
一、进到任务里。 用户正在做的那件事本身就是场景。他在看一张报价单、一份订单、一个候选列表——就在那里把他需要的判断直接摆上。他不必提问，甚至不必意识到这是 AI。一次也没「用」，但活干完了。
二、让系统自己找时机。 数据变了、时间到了、风险出现了——这些时刻不需要用户想起你。这是《AI 找场景，而不是人找 AI》整篇在讲的事：把触发权从用户手里接过来一部分。
三、把一次机会做得更深。 次数升不上去，就升单次的产出。一句话触发一条链路：取数、比对、生成、成文、交付，一次提问换回过去要跑一下午的东西。这通常是最没被吃掉的那块——教会用户问链路式的问题，比让他一周多想起你几次容易得多。
两条边界
这不是说对话框没用。 对那些一天真有几十个问题的人——工程师、分析师、研究者——输入框就是最好的形态，Claude Code 这类产品的成立本身就是证明。错的不是对话框，是拿这批人去推断所有人。
也别去制造机会。 次数上不去时，最容易的动作是推送：每天推一条，数字就上去了。但推错一次的代价远大于不推。主动的前提是这一刻真的值得打扰——判断「值不值得」比生成内容难得多，那才是主动产品真正的工程量。
所以衡量一个 AI 产品，我会先问一个很笨的问题：它一周能合理地出现在用户面前几次？
答得好不好，是这之后的事。