为什么我读这本书
我在做 AI 智能问答系统落地的时候，碰到一个让我反复思考的场景：技术评审会上，我们把 RAG 检索增强、向量数据库、多轮记忆管理讲得头头是道；但到了业务评审会，老板们问的是——"这东西比我们现在的客服贵多少？能少招几个人？"
两个会议说的是同一个系统，但双方几乎不在同一频道上。技术团队兴奋于能力的先进性，业务团队盯着成本和 ROI。我意识到这不是沟通问题，是定位问题：我们根本没有把产品放进一个让业务方能够立即理解其价值的"框架"里。
就在这个时候，我读到了 April Dunford 的《Obvious Awesome》。这本书不厚，但每一章都在击中一个具体的痛点。她的核心主张很简单：定位不是你说什么，而是你让客户在看到你的产品时，脑子里自动形成的那个判断框架。如果这个框架搭错了，客户看不到价值；搭对了，你的优秀就会变得不言而喻——Obvious Awesome。
第一个体会：功能不是价值，上下文才是
书里有一个让我印象深刻的说法：同一款产品，放在不同的参照系里，客户感知到的价值完全不同。她用了一个经典比喻——一瓶水，在超市货架上值 2 块钱；放在沙漠里，值多少随你开价。改变的不是水，是上下文。
这让我立刻想到我们的 AI 问答系统。当我们把它定位为"企业级 RAG 解决方案"时，客户需要先理解什么是 RAG，然后才能理解为什么它对自己有价值——这中间的认知成本太高了。但当我们换了一句话：
"让 70% 的客服咨询在 30 秒内自动解决，无需人工介入"
对话立刻不一样了。业务方不需要理解任何技术，他们只需要想象：现在每天有多少这样的咨询在消耗人力，减少这个比例意味着什么。这才是正确的定位上下文——从客户已经理解的痛点出发，而不是从我们引以为傲的技术出发。
第二个体会：你的真实竞争对手，可能不是你想的那个
书中最让我受启发的框架之一，是"竞争参照物"（Competitive Alternatives）的识别。Dunford 说，客户在评估你的产品时，永远会把它和某个替代方案对比。但这个替代方案往往不是你的直接竞品，而是"什么都不做"或"现有流程"。
在私域电商做了十几年，我深刻体会到这一点。当我们把 AI 智能问答系统卖给私域电商公司时，他们真正的参照物不是"另一家 AI 公司的方案"，而是"现有的人工客服团队 + 静态 FAQ 页面 + 微信群答疑"。这个组合虽然效率低，但：
- 是已经付过成本的存量资产；
- 有既得利益者（客服团队本身）在维护；
- 对老板来说，"用人"是熟悉的风险，"用 AI"是未知的风险。
知道真实的竞争参照物之后，定位策略就完全不同了。我们不需要证明"我们比其他 AI 更好"，而是需要证明"引入 AI 的成本和风险，比继续维持人工流程更低"。这两个命题需要的证据材料、沟通语言、决策链条，完全是两回事。
第三个体会：放进哪个"类别"，决定了你跟谁比
书里花了很多篇幅讲"市场类别"（Market Category）的选择。她的核心观点是：你把自己放进哪个类别，就决定了客户会用哪把尺子来衡量你，也决定了你会跟谁被放在一起比较。
这个洞察在 AI 产品落地时格外有用。举个例子，同样是我们的 Multi-Agent 编排平台，可以有几种不同的类别定位：
三种定位，面向的是三类完全不同的决策者，比的是三套不同的标准。选哪个，不是"哪个听起来好"，而是取决于你真正的优势在哪里，你的目标客户是谁，以及你在这个类别里能不能赢。
在我们的实际场景下，面向的是日本中小创业公司，技术团队只有 6 个人，因此"AI 能力中台"的定位最合适——强调的是"不用重复造轮子、一套框架支撑多产品线"的复用价值，而不是框架本身多先进。
第四个体会：弱点换了参照系，可能是优势
书中有一个概念叫"Flipping the Feature"——把表面的劣势，在正确的语境下翻转成优势。这让我想到了很多次在项目竞标时的经历。
我们的技术栈是 .NET + C#，在 AI 领域，Python 生态更主流。有几次面对客户的时候，他们的技术顾问会质疑：为什么不用 Python？这不是行业主流吗？
如果我们直接辩解"C# 也可以做 AI"，就陷入了对方设定的框架——在"谁更像 AI 主流技术栈"这把尺子下，我们处于劣势。但换一个角度：
"我们的团队已经在 .NET 生态深耕十年，有完整的企业级工程实践积累。对中小团队而言，维护一套熟悉的技术栈比追逐主流框架风险更低、交付更快、Bug 更少。"
这不是强词夺理，而是把评估标准从"技术选型是否主流"切换到"工程交付是否可靠"。对于不想押注在技术探索上的业务客户，后者才是他们真正关心的。弱点变成优势，不需要改变事实，只需要换对框架。
第五个体会：AI 产品定位有一个特殊的陷阱
读完这本书，我自己加了一条：AI 产品在定位上有一个独特的挑战，普通 SaaS 产品不太会遇到——能力边界的不确定性。
传统软件是确定性系统：功能做了就是做了，点击按钮结果是确定的。但 AI 产品的输出有概率性，同一个问题在不同上下文下可能有不同结果。这意味着你无法用"功能列表"来定位 AI 产品，因为客户问的下一句必然是："准确率是多少？会不会出错？出错了怎么办？"
这就要求 AI 产品的定位，必须把"边界"也定义清楚：在什么场景下它表现好，在什么场景下需要人工介入，什么样的失败是可接受的。定位不只是在说"我能做什么"，还要说清楚"我在哪里不行"。这种透明反而是建立信任的最短路径。
我在做 AI 客服评估体系时，第一版方案里定义了"AI 独立处理"、"AI 辅助人工"、"纯人工"三条处理通道，并给出了每条通道的触发条件和质量阈值。这不是在承认 AI 的弱点，而是在告诉客户：我们知道边界在哪里，系统是可控的。这才是真正能让人放心用的 AI。
一个延伸思考：定位也适用于人
读这本书读到最后，我把它的框架反过来用了一次：把自己当成一个"产品"来定位。
我的背景是：C# 工程师出身，做过 5 年技术，5 年项目管理，现在是 CIO，负责 AI 战略和产品落地。如果直接铺开这个履历，一眼看不出我适合什么岗位——太杂了。但如果用定位的思路问自己几个问题：
- 我的竞争参照物是谁？（纯技术背景 PM？纯产品背景 PM？）
- 我真正的差异化优势是什么？（能写代码、能做架构决策，又能和业务谈 ROI）
- 我应该放在哪个市场类别里？（AI 产品经理 / 技术产品总监）
- 目标客户（用人方）最在意的价值是什么？（能独立推动 AI 项目从 0 到 1 落地）
把这些答案拼在一起，定位就清晰了：面向需要快速落地 AI 能力的中小企业，既懂技术又懂产品、能独立主导 AI 项目全流程交付的 PM。这句话里的每个字都是有意识选择的：对大厂来说太小、对纯技术团队来说太"产品"，但对需要一个人扛 AI 产品全链路的成长期公司，正好。
Dunford 说，好的定位让你的 Awesome 变得 Obvious。对人来说同理——不是要掩盖你的复杂，而是找到那个让你的复杂变成优势的框架。
总结
《Obvious Awesome》是一本薄但扎实的书。它不是营销教材，本质上是一套产品思维工具：在产品决策早期就想清楚你在谁的眼里、用什么标准、跟谁比。定位做对了，后续的需求拆解、MVP 范围、销售话术、甚至技术取舍都会有更清晰的依据。
对 AI 产品从业者来说，这本书的价值在于提供了一种反思路径：停止从技术能力出发描述产品，从客户能看见的结果出发，找到正确的参照系和市场类别，让 AI 的价值在客户的语言里自然呈现。
这一步比让模型准确率再高 5% 难多了，但可能也重要得多。
欢迎通过邮件和我交流：shaoyanyan91@163.com
本文结合《Obvious Awesome》（April Dunford 著）的核心框架，融入个人在 AI 产品落地、私域电商数字化与技术转 PM 路径上的实践体会。