本文从产品经理视角探讨大模型时代的应对策略。首先指出大模型虽属技术突破但仍有优化空间，面临数据适配、场景局限、国产化要求及研发门槛四大挑战。其次建议回归产品本质，从自身业务和外部行业两个维度探索应用场景，区分业务辅助性与颠覆性两种产品形态。在路线制定上，提出 ToC 圈用户、ToB 赚利润的双轨模式，并强调多模态拓展的重要性。最后补充了幻觉、数据安全及伦理合规三大风险，呼吁产品经理在保持冷静的同时积极拥抱技术，提升人机协作效率。
在过去半年多内，AI 行业再度爆火，引领热点，大家都在讨论大模型，讨论 ChatGPT，不乏很多文章在传播人工智能进入新的阶段会不会替代很多人的工作。
在产品圈中，也有很多产品经理都在讨论 ChatGPT 会对日常工作产生什么样的影响，是否会因为不懂大模型而被业务边缘化？
诸如此类的言论甚嚣尘上，笔者想说的是不要担心，冷静面对即可。曾跟一个创业朋友说过'让子弹飞一会'，距离大模型在国内场景的商业应用还需要点时间。接下来，我们就看看产品经理应该如何面对爆火的大模型呢？
热度会退去，需要的是正确认识大模型，其本质是人工智能发展过程中的一项技术突破，产品经理需要从宏观角度思考技术突破可以产生的商业影响。
随着时间的推移，新技术的热度逐步消退，从百度搜索指数来看，不论是国外的 ChatGPT，还是国内的文心一言、讯飞星火等产品经历半年后都不再是热搜了。而从各家的产品发展来看，各家都在慢慢把产品推向大众，让更多人可以接触，让产品慢慢具备普适性。
而对于大多数产品经理来说，在这个阶段，需要的是了解大模型的本质，思考大模型技术的限制，探索大模型在国内如何商业化，焦虑是完全没有必要的，更不需要着急一定把大模型技术立刻加到产品中等问题。
因为对于国内产品环境来说，我们至少面临以下四个问题：
大模型的发展起始于国外，虽然已经支持中文了，但是它的喂养数据很大程度上会缺少对中文和对国内语义环境的持续学习适配，所以会有留给我们过渡时间来学习和发展。
比如用同样的问题对 ChatGPT3.5、ChatGPT4 和讯飞星火进行测试，从结果来看，即使是联网的 ChatGPT4 在回答时也将人物出生时间弄错了（参考百度百科），可见 ChatGPT 大模型对中文环境的'水土不服'。对国产大模型而言，解决中文数据问题，至少可以在国内语义环境中领先 ChatGPT 等国外大模型。
所以，对于产品经理来说，无需担心，如果有机会刚好在做大模型应用，那就多花点时间收集数据，验证中文场景。这包括清洗高质量的中英文对照语料，构建垂直领域的知识库，以及针对特定行业的术语进行微调训练。
大模型自开始应用，目前多是处于对话式问答，用于'个人办公助理'场景，比如文章写作、提纲生成、图片生成、代码生成等等，属于场景堆叠，缺少对具体行业的应用场景研究。
所以距离行业产品化仍然需要很长的发展时间，这也给了国内厂商、产品经理思考产品的机会。比如产品经理行业，正在有厂商提供自动生成原型的工具，虽然经过测试，还无法达到实际应用，但是至少是迈出应用场景探索的第一步。
因此，对于多数产品经理来说还有足够的时间来了解大模型，帮助业务提升。我们需要关注的是如何将大模型的能力嵌入到现有的工作流中，而不是试图完全重构现有流程。
众所周知，国家一直在大力支持发展国产化技术，也在支持各项人工智能创新，但是大模型的发展由国外起步，虽然有很多开源，但是对国内商业化应用，仍然存在潜在危机，一旦被应用到涉密场景，后果无法估量。
即使是普通的市场商业化，后续如果需要不断缴纳许可费，对国内厂商来说也很难效益最大化。因此，就给了国产大模型的发展空间，对于产品经理来说，了解技术原理，可以加入国产大模型产品建设队伍，或者待国产大模型推广后，探索业务应用。
这涉及到合规性问题，特别是在金融、政务、医疗等敏感领域，使用国产算力底座和模型是必然趋势。产品经理在规划产品时，必须将信创合规作为前置条件。
之所以说大多数产品经理不需要过度担心，是因为大模型的发展不是一朝一夕的，大多数公司将不具备研发国产大模型的能力。一方面受限于软实力，如 AI 人才；另一方面是资金等硬实力的投入，观看 OpenAI 的发展就知道 ChatGPT 的诞生投入了多少资金。
同时我们很多产品经理多是以应用为主，国内纯技术性产品经理相对较少，在技术落地的前期，很多产品经理其实很难投入产品规划或建设。
所以，对产品经理来说，与其担心，不如了解好技术特点，为后续的产品应用创新奠定基础才是当务之急。重点在于 API 的调用能力、Prompt Engineering 的设计能力以及业务逻辑的整合能力。
上面提到，大多数产品经理都是应用型产品经理，尤其是 AI 产品行业，作为近几年产品经理新岗位赛道，很多公司对岗位要求的定位缺少明确定义，多是围绕'懂 AI 应用'展开。
所以我们可以理解为我们的岗位要求是'AI+ 业务'，而且对于产品经理，反向深入研究 AI 技术创新，对产品经理来说反而是舍本逐末。一方面是技术本身不是产品经理的强项，另一方面产品经理的目标是通过技术产品化，给公司带来商业价值。
所以在面对大模型的接下来阶段，我们需要回归产品本质，从应用场景出发。
对于产品经理在探索行业应用时，可以分为两步走，由内到外，即先探索自身业务可落地的场景，再向外延申，学习了解其他场景。
以自身正在从事的大屏可视化为例讲述可以如何进行业务创新。在大屏可视化行业中，对于用户来说有 1 个痛点问题需要耗费人力解决。对于很多非专业客户而言，要建设一个可视化大屏，首先要做的就是理解业务，梳理业务中需要的指标体系。对于多数政企客户和个人用户，日常是没有指标库建立的。
这个时候只能通过网络检索收集或者寻求业务专家，非常耗时耗力。如果能在产品中提供指标询问的服务，可以提高大屏初稿的输出，缩短整个项目周期。这需要利用大模型的理解能力，将自然语言转化为 SQL 查询或配置参数。
众所周知，人工智能对于业务的最直接体现是'降本增效'，它的输入是'视频、图片、文本'等数据，所以对我们产品经理来说，探索外部行业应用时，在行业上可以重点选择'劳动密集型'和'多模态输入'的行业。
比如广告营销，传媒和数字办公。围绕行业用户痛点和需求，再结合 AI 能力做创新应用。以广告营销行业举例：
典型案例：今年 618 期间，京东联合百度文心一格，将 AIGC 应用于电商营销，打造电商行业首个 AI 线下广告。以 AI 的方式，制作周期缩短 70%，制作成本可以节省 80% 左右。
在完成业务探索后，接下来是研究产品应该以什么样的产品形态来赋能，我们以两种角度来思考：
如果现有业务的逻辑和产品均已成熟，且逻辑涉及到的系统较多，此时最佳的方式是提供插件式服务或者独立的 AI 工具，将 AI 的应用与原有的业务逻辑隔离，避免影响用户习惯，也降低产品改造的成本。通过将 AI 入口置于可以提效的场景下，支持一键调起即可。例如在 IDE 中集成代码补全助手，或在文档系统中集成摘要生成器。
如果业务改造成本相对较低或者产品目标是智能化的业务型产品，那直接做颠覆性创新，重新梳理业务逻辑，在业务流程中加入 AI 能力帮助用户提效，做独立的'新产品'。
比如典型的应用'视频智能剪辑'工具，从视频的导入开始，支持智能剪辑，智能配音、智能字幕等等，用户创作完后可以直接投放不同渠道，可以帮助大多数用户实现视频创作自由，也是对传统 Adobe 的挑战和颠覆。
产品的最终本质是需要产生收益，所以如果是落地了大模型应用产品，那最后环节即是需要考虑如何推广产品，既能服务于用户，又能挣钱持续迭代产品。可以从以下两个角度考虑产品路线策略。
在应用探索章节提到，从行业和用户场景出发进行产品创新，但是仍然需要明确产品是以商业化为目标。所以从商业模式角度看，不妨将产品一分为二，既提供 ToB 服务，也提供 ToC 应用，B 端市场目标是创收，C 端市场目标是圈定用户，构建流量入口。
为什么要这么做呢？因为 AI 能力有两个天然的问题，一个是需要数据，一个是准确率无法 100%。 C 端提供尝鲜和试玩为主，一方面通过 C 端试用推广，寻求有用户粘性和智能化变革的痛点场景；另一方面 C 端是尝鲜，对准确率要求不高，所以可以持续迭代，持续回收试用数据，进行产品更新。
B 端以项目为主，提供成熟的行业大模型能力，按软件收费、服务收费或者订阅收费等，目标可以是打造一个行业 SaaS 化标品。B 端客户更看重稳定性、安全性和私有化部署能力，定价策略应包含技术支持和定制开发费用。
若想持续保持产品竞争力，还需要不断优化，大模型产品的优化需要的是'超越人类认知'，所以按照人的思维考虑应该是'无边界，无限制输入'，换成产品的角度是拓宽行业边界，支持多模态应用。
对大模型厂商来说，可以是提供一套通用大模型，或者是多个行业大模型组合，对应用产品来说，将入口不断开放，直至无限制。这意味着产品需要具备处理文本、图像、音频、视频等多种格式数据的能力，并能进行跨模态的理解和生成。
在拥抱大模型的同时，产品经理必须清醒地认识到潜在的风险。
大模型存在'幻觉'现象，即生成看似合理但实际错误的内容。在产品设计中，必须引入校验机制，例如引用来源标注、置信度提示，或者允许用户快速反馈修正。对于关键业务场景，不能盲目依赖大模型输出，需保留人工审核环节。
用户数据上传至云端大模型可能引发隐私泄露风险。产品经理需设计数据脱敏方案，确保敏感信息不被模型记忆或泄露。对于企业级应用，私有化部署和本地推理是重要的解决方案。
生成内容可能涉及版权侵权、偏见歧视或违规信息。平台需建立内容安全过滤层，符合当地法律法规。特别是在新闻、医疗、法律等领域，责任归属需要明确界定。
本文在大模型经历爆火，热度又逐渐消退之际，以产品经理的视角思考应该如何冷静面对大模型的发展，从正确认知、应用探索，到最后制定产品路线，分别介绍了大模型存在的问题，可探索的应用场景，以及制定 ToB、ToC 的产品策略进行了阐述。
希望帮助更多的产品经理在 AI 浪潮中找到自己的定位，既不盲目跟风，也不固步自封。未来的产品竞争将是人机协作效率的竞争，掌握大模型工具的使用与整合能力，将成为产品经理的核心竞争力之一。持续学习技术原理，深入理解业务场景，才能在变革中立于不败之地。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
