2024 年全职 AI 产品经理转型时机分析

就在最近，ChatGPT 又更新了，推出了新版本名字叫做 Canvas。这个版本可以支持对 AI 的对话内容进行编辑了，也就是以前 prompt 一次性生成的结果总是很难控制输出结果，新版新增了可以在结果内容与用户进行交互的产品入口，最终在一次结果生成中，可以得到用户想要的内容。

有人说这和 Claude 的 Artifacts 很像（起码产品思路上比较像），但是简单体验了一下发现还是有一些差别。现 ChatGPT 的版本，可以看到 AI 产品已经从底层的大模型能力优化更新，已经进入到了系统功能产品设计方案的区别。

通过这次更新，我认为转型全职 AI 产品经理的同学，还可以再等等了。以下是详细的分析：

1. AI 产品现在不赚钱

而国内的企业都在卷 AI 模型，但是能够用 AI 赚钱的几乎没有，市面上叫得出名字的 AI 大模型产品，几乎都是亏损的。而他们之所以获得资本关注甚至是投资，是因为有月活、新增用户的新增，所以有其关注度。

但不意味着产品的商业模式就闭环了。AI 产品的边际成本虽然随着规模扩大可能降低，但推理成本（Inference Cost）依然高昂。Token 计费模式下，如果无法通过增值服务或订阅覆盖 API 调用成本，企业难以盈利。

现在全职的 AI 产品经理必然会面临着负责的产品不盈利的情况或者数据难以达标，所以很容易在团队被优化，要么就是考核的工作指标太高。在没有跑通 Unit Economics（单体经济模型）之前，盲目 All-in 风险极大。

2. AI 的技术栈还不够稳定

现在在美国，马斯克所建立的 X.ai 也快速成长，由自己亲儿子加入。预计即将在年底会和 OpenAI、谷歌 Gemini 进行直接 PK。

而国内的 AI 也没有一家固定的底座能力，只有在用户量文心一言、Kimi 成为第一外，在 AI 大模型基础能力上，各个厂家都有自己的优势，每个模型厂商都在卷自己的跑分。

比如 C 端有 Kimi 和文心一言，在 B 端有华为、科大讯飞等大模型。

而 AI 这个能力的定位势必就像互联网的水和电一样，普及到每个应用，类似 iOS 与安卓系统一样，不会超出 2 家。因为太多家后，市场就不会有那么大，利润不足够企业持续运行，而且开发者也没有那么多精力对接不同的 AI 模型，也就没有办法打造自己的 AI 模型生态。

所以现在全职 AI 产品经理，几乎都是 API 调用并且加入自己业务的知识库进行训练，不会全职去 all in 做一个相同业务的全新 AI 产品。

因为 99% 的团队不会涉及到 AI 大模型的产品研发，可是在 AI 基础能力都不稳定的情况下，自然对应的产品框架设计方案就不稳定。API 接口变更、价格调整、模型效果波动都是常态，PM 需要预留足够的技术缓冲空间。

3. 用户对 AI 的付费意愿不高

现在还处于 AI 大模型卷的时代，就像当初饿了么、美团外卖、百度外卖等外卖大战的时候，用户点外卖几乎养成了不需要花钱或者有优惠券再点外卖的习惯。

而现在 AI 现状也是，为了拉新用户，市面上几乎都有可以免费让用户使用的 AI 产品，比如 ChatGPT 收费，但可以使用文心一言满足我的需求。

或者一些聚合网站（开发者通过自己部署的 AI 大模型）也提供了免费 AI 使用的能力。

主要是利用互联网的拉新策略，用户新增、用户数据为王，让用户对 AI 付款的意愿非常低，除非类似 ChatGPT-4o 那种技术高度，没有其他产品可以替代。用户意愿付费外，其他就没有了。

这意味着 PM 在设计产品时，必须考虑如何将 AI 能力嵌入到刚需场景中，而不是单纯卖一个'聊天机器人'。

4. AI 产品的 5 个发展阶段，每个阶段都有一套产品框架

OpenAI 的创始人奥特曼提到，AI 的产品发展有 5 阶段，分别是代替人、组织等。该分级体系详尽地描绘了 AI 从初级到高级的五个关键阶段：

第一级（Level 1）：对话交互者

即具备自然语言对话能力的 AI，如现有的聊天机器人。这是目前大多数 AI 产品的形态，主要解决信息检索和简单问答。

第二级（Level 2）：智慧推理者

能够解决达到人类水平的复杂问题，据称此类 AI 的能力相当于拥有博士学位但尚未借助专业工具的人类，能执行基础的问题解决任务。例如代码生成、逻辑分析。

第三级（Level 3）：行动执行者

指的是能够自主采取行动的 AI 系统，标志着从理论推理到实践操作的跨越。例如自动发送邮件、操作数据库、调用外部 API 完成工作流。

第四级（Level 4）：创新辅助者

此阶段的 AI 不仅限于执行任务，更能辅助人类进行创造性发明，推动科技进步。例如辅助药物研发、设计新材料。

第五级（Level 5）：组织管理者

达到这一级别的 AI 将能够全面承担组织内部的工作协调与管理，展现出高度的自主性和策略性。这涉及复杂的决策树和多智能体协作。

要达到每个阶段，至少都会孵化出一个 AI 新的产品框架，提供产品功能，所以这导致使用相同底座的 AI 产品，在产品框架难以定性，这也是现在 all in 做 AI 产品还是太早了。

5. 找垂直场景需求，用功能解决问题的产品设计思路仍然不变

转型 AI 产品经理，不要为了 AI 而去刻意做 AI 产品。

仍然是瞄准有需求的场景，将原本需要用图像识别、音频算法的场景，现在可以通过 AI 大模型来完成，但没有 AI 大模型，产品仍然可以跑通流程的。

食物饮食是识别记录

前者将原有的图像拍照、手动输入的饮食记录，变成了图像识别+AI 大模型的输入。用户在系统无需输入，只需要校验，就可以录入每日的饮食摄入卡路里。大大解决了以往用户记录食物卡路里不准的问题。

第二个是基于 META 的 AR 眼镜猎户座为基础

斯坦福 2 个学生通过开发一个人脸识别系统，可以将其人脸图像，通过图像识别后再到互联网进行搜索的在 AR 眼镜的全新应用。通过 AI 大模型，可以快速得到用户在网上的公开信息，迅速与别人成为好友交流。

2 个产品都是可以不需要通过 AI 大模型实现的。都可以通过手机的 APP 完成，因为本质上的底层技术是利用图像识别算法以及物理建模完成，只是有了 AI 大模型，可以快速的完成以上步骤将其过程更加自动化，大大的提升用户体验。

因此，要想成为 AI 产品经理，AI 技术只是对场景问题的辅助与提升效率，产品经理仍然聚焦在需求上即可。

6. 产品经理了解 AI 不要只是用，要清楚 AI 大模型的调参本质

转型 AI 产品经理从 0 到 1，都去走一次 AI 大模型部署，不管是用自己的电脑还是公司的显卡，从 0 到 1 去下载开源的 AI 大模型去部署并熟悉使用自建模型。

只有了解大模型的部署流程与具体调参步骤，才能知道怎么将 AI 能力怎么融入产品设计方案。这类 AI 大模型部署的工具非常多，比如 Ollama 在国内为主流。

关键技术认知

作为 AI 产品经理，你需要理解以下核心概念以评估可行性：

上下文窗口（Context Window）：决定了模型能记住多少历史对话，直接影响长文档处理能力和多轮对话的连贯性。
温度参数（Temperature）：控制输出的随机性。高温度适合创意写作，低温度适合代码生成或事实性问答。
Token 成本：输入和输出的 Token 数量直接决定 API 费用。PM 需设计策略减少无效 Token 消耗。
量化（Quantization）：为了在消费级硬件上运行大模型，通常需要对模型进行量化（如 INT8, FP16），这会损失少量精度但大幅降低显存需求。
RAG（检索增强生成）：当模型知识库不足时，通过外挂向量数据库检索相关片段喂给模型，是解决幻觉问题的主流方案。

从 0 到 1 次，部署到自己的电脑上，即使自己电脑内存不够，大模型运行卡也没事。重要的是走完流程，了解大模型的参数配置与调试。

总结

综上所述，2024 年转型全职 AI 产品经理面临商业闭环未明、技术栈不稳定、用户付费意愿低等挑战。建议从业者保持谨慎，优先选择垂直场景中的 AI 赋能岗位，而非盲目创业。同时，深入理解大模型的技术边界与部署成本，是做好 AI 产品设计的基石。