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。