产品经理视角：理性应对大模型时代的挑战与机遇

1）思考自身业务

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。

2）探索外部行业

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：

• 需求：需要投放大量的广告 banner，尤其是电商用户，在大促期间，需要不断更换广告图。
• 痛点：在不同渠道投放相同商品不同的广告 banner，且为了保持点击率，广告图大约 1-2 周就要换新。
• 传统做法：基于设计工具，人工制作，一张图成本约 2-3 百元；问题是耗时耗力，且需要人工投放。
• AI 创作：在线生成，智能投放，只要提供商品图，系统自动基于 AI 生成广告图，并设定投放渠道，可以在线投放，全过程完全可以实现无人管理。

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。

2. 产品可提供的产品形态

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：

1）业务辅助性

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。

2）业务颠覆性

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。

三、制定路线：区分用户及行业，ToC 推广，ToB 赚钱

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。

1. 立足产品本质

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。

2. 拓宽边界，探索多模态

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。

四、风险与挑战

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。

1. 幻觉问题

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。

2. 数据安全与隐私

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。

3. 伦理与合规

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。

五、结论

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。