加拿大零售巨头砸钱搞AI定价，3年后发现商户集体"用脚投票"

Grid Dynamics团队两年前接了个烫手山芋：加拿大最大杂货零售商之一，内部团队已经砸资源做了个机器学习定价系统，预测模型看起来无懈可击。结果上线后，一线商户几乎没人用——不是系统算错了，是他们根本不信这套东西。

商户们偷偷建了十几套Excel workaround，把AI推荐当参考都嫌多余。

问他们为什么抵制，答案很模糊："感觉不对""不是我们做事的方式"。没人能具体指出算法哪里错了，但所有人都知道这工具没踩在他们真正的痛点上。系统设计者假设商户会坐下来慢慢看数据、做理性决策；实际上他们每天被促销deadline追着跑，决策窗口以小时计，压力之下靠的是直觉和经验，不是概率分布。

AI把产品底线抬高了，天花板还得你自己够

这件事暴露了一个被AI hype掩盖的真相：技术执行质量和产品成功之间的相关性，正在变弱。两年前你要做个像样的定价工具，得养一支算法团队、调几个月参数、踩无数工程坑。现在开源模型+云API，两周就能跑出个"看起来专业"的原型。

Grid Dynamics的人把这叫"floor raising"——AI把及格线抬高了，烂产品越来越难烂得明显。但天花板呢？那部分取决于你有没有在写第一行代码前，蹲够时间观察真实用户怎么干活、怎么焦虑、怎么在系统外自救。

那个加拿大零售商的问题，算法团队背不了锅。他们在会议室里定义了"商户需求"，却没看过一个商户在促销季凌晨两点怎么改价。工具的设计逻辑和用户的认知逻辑错位，这种错AI修不了，只会让错误推荐得更快。

最昂贵的bug不是代码写的烂

Grid Dynamics总结得很直接：最贵的失败不是执行层面，是你造的东西和人们真实需求之间的那道缝。这道缝在AI时代反而更危险——以前你得有预算、有人才、有时间才能造出个能用的东西，现在门槛低到你还没想清楚问题，原型已经跑起来了。

他们见过太多类似案例。金融公司的风控模型、医疗系统的排班算法、零售的需求预测工具，技术栈越来越漂亮，用户 adoption（采用率）却卡在原地。共同点只有一个：build之前问错了问题，或者问对了人但问得太少。

有个细节很有意思。那个加拿大零售商的商户后来透露，他们其实挺想要数据帮助的——但不是"最优价格建议"，而是"如果我这么改，上周同期发生了什么"。AI给的是预测，他们要的是叙事，是能和采购经理解释的故事。这个差别，用户调研问卷问不出来，得坐在他们工位旁边看。

当"能用"变得廉价，"有用"才是护城河

Grid Dynamics的人打了个比方：以前做产品像爬山，装备差点的根本到不了半山腰，所以能登顶的至少装备过关。现在AI是直升机，直接把所有人送到半山腰，但山顶那截陡壁，装备帮不了，得看你对路线有多熟。

这个熟，不是熟技术，是熟人。熟那些不会出现在PRD（产品需求文档）里的细节：商户怎么在系统里藏私货、护士怎么绕过排班表换班、交易员怎么在Excel里验算模型结果。这些"workaround考古"才是产品经理的新必修课。

那个加拿大项目最后怎么收场的？Grid Dynamics没细说，但提到他们现在接需求的第一件事，是强制团队跟岗观察至少两个完整业务周期——不是访谈，是坐在旁边看。成本高了，但比造出来没人用便宜。

AI让"做出来"变简单了，但"做对"的代价，好像一点没降。你的团队现在花多少时间在用户工位旁边，而不是看数据仪表盘？