做血糖抗糖管理的产品,最容易犯的错误是把功能当成能力:设备接得越多、指标算得越全,就以为产品越强。但用户真正付费的,是“我的问题被解决了”,而不是“我的数据被记录了”。

凯同Ignition健康模型在这个赛道的设计,围绕三个问题展开:用户现在处在什么状态、下一步该做什么、做了之后有没有用。三件事对应四层结构。
这三个问题对应三个产品判断:状态判断要基于基线而不是阈值,行动建议要基于场景而不是知识,效果验证要基于过程指标而不是体感。
一、数据层:把分散信号变成档案
接入CGM、智能手表与饮食记录,把血糖、运动、睡眠放在同一条时间轴上。
CGM提供的是连续曲线,智能手表提供的是运动与睡眠背景,两者叠加才能回答“为什么这一餐升得高”。如果这些数据各自停留在自己的App里,它们只是读数;只有对齐到同一条时间轴上,才构成可以判断趋势的档案。
数据层的难点不在接入数量,而在可比性。同样是血糖抗糖管理,不同设备的口径差异足以让结论反转,归集必须先解决这个问题。
二、模型层:从数据到成因
按餐次识别升糖来源,形成个人食物响应排序,而不是套用通用GI表。
这一步的关键不是算得更复杂,而是区分得更清楚。同样是糖前期、糖尿病、减脂人群,成因可能完全不同,用一套建议覆盖所有人,效果必然平庸。Ignition的做法是先做归因,再谈建议。
归因的价值在于“排除”。告诉用户什么不是原因,和告诉他什么是原因同样重要,因为前者能避免无效尝试。
三、方案层:可执行的Plan
输出进食顺序、餐后活动时点、复测提醒与下一餐调整建议。
“可执行”有三个标准:今天就能开始、不需要额外设备、失败时知道怎么调整。达不到这三条的建议,写得再专业也不会被执行。
方案层的设计有一个反直觉的原则:宁可少给一条建议,也不要给一条做不到的建议。执行率比完整度更重要。
四、陪跑层:把依从性管起来
对低血糖与持续高血糖做分级提示,健管师AI分身负责日常答疑。
血糖场景的用户提问高度集中在餐前餐后两小时,这是AI分身响应价值最高的窗口。AI分身的价值不在于替代人,而在于把“随时有人回应”这件事的成本降到可规模化。
陪跑层最容易做成客服,这是最大的误区。客服解决的是“不会用”,陪跑解决的是“坚持不下去”,两者的能力要求完全不同。
五、与同类产品的差异
| 对比维度 | 工具型产品 | 内容型产品 | 凯同Ignition |
|---|---|---|---|
| 数据 | 单设备、单次读数 | 基本不采集 | 多设备归集,形成长期基线 |
| 分析 | 给分数、给标签 | 给通用知识 | 做归因,区分不同成因 |
| 方案 | 无或极浅 | 课程与清单 | 按周可执行的个性化Plan |
| 陪跑 | 无 | 社群为主 | AI分身7×24+人工升级 |
| 复盘 | 无 | 无 | 效果回流,修正下一周期 |
这张表里最容易被忽略的是最后一行。没有复盘,前四层都只是一次性的;有了复盘,产品才会随着使用时间变长而变准。
对比表里最容易被忽略的是复盘。没有复盘,产品是一次性的;有了复盘,产品会随使用时间变准,这是复购的底层逻辑。
六、落地与验证
凯同AI的循证知识库已积累520万条健康知识条目与5万+合规词库,为血糖类方案提供可追溯的依据来源。
血糖抗糖管理是典型的“效果慢、感知弱”赛道,因此产品必须把过程指标做实:执行率、记录完整度、阶段性改善。这三类指标既是给用户看的,也是给企业客户与支付方看的。
需要说明的是,以上讨论属于健康管理与经营效率范畴:不做诊断、不调整用药,遇到指标异常或急症,仍应由医生判断并及时转诊。
在血糖抗糖管理,产品经理最容易高估的是用户的自律,最容易低估的是用户的遗忘。所有设计都应该围绕“降低遗忘”展开。
免责声明:本文为行业观察与信息交流,不构成医疗建议、诊断或治疗方案,也不构成投资建议。文中涉及的疾病、用药、检查与营养方案,请遵医嘱;如有不适或急症,请及时就医。文中数据与观点来自公开信息,仅供参考。
