当大模型成为新一代操作系统，我们如何转型 AI 产品经理？
大模型无疑是最近科技圈最炙手可热的技术趋势，跟 AIGC 能沾上边的工作岗位都成为行业香饽饽。许多产品经理朋友讨论如何转型 AI 产品经理，今天通过用户体验五要素的逻辑框架，谈谈传统型产品经理（TPM）与 AI 型产品经理（AIPM）的差异，并分享几点在转型路上的探索经验。
一、产品经理 VS. AI 型产品经理
用户体验五要素包括战略层、范围层、结构层、框架层和表现层。通过这五个层次，我们可以比较 TPM 与 AIPM 在工作重点和方法上的差异。
1. 用户感知层："用户如何使用产品？"
TPM 的产出物是 GUI（图形交互页面），使用图形元素（如图标、按钮、菜单和滚动条等）来帮助用户与计算机软件或应用程序进行交互的用户界面。
AIPM 的产出物是 NUI（自然界面），产品与用户交互，像人与人之间的交流。同时产品的载体也是不同的：
- TPM 设计的产品载体：手机平台（例如 App Store）+ APP，或者软件（PC 端、移动端）。
- AIPM 设计的产品载体：一个大模型 + 多个 AI native（AI 原生）的智能体。通过用户的一句指令，调用多个垂直领域的智能体共同解决用户问题。
在硬件方面，AIGC 的大爆发带来具身智能的快车道，未来 AIGC 的产品交互形式升级将带来全新的产业革命。
2. 角色框架层："用户有哪几种角色？" "用户动线如何设计？"
TPM 会针对不同的用户角色设置不同的权限，设计不同的用户动线，让用户 follow 产品经理设计的功能页面。
而 AIPM 弱化了权限、动线等产品功能设计，更加重视用户行为数据的沉淀。通过数据的不断积累，形成个人数据飞轮，自动化生成用户画像，从而做到更加个性化用户动线设计，推送更加个性化的内容。
AI 产品通过跟用户的每一次交互，不断积累数据、自我迭代，做到更加懂你。
3. 资源结构层："我们有哪些不可或缺的资源？"
TPM 的核心资源是用户界面设计、用户体验（UX）、用户交互（UI）、内容、社区、品牌、市场策略等，更侧重于如何吸引用户、提供良好的用户体验，以及构建一个可持续发展的商业模式。
而 AIPM 在上面的基础上，还需要算法模型、算力（计算能力）、优质数据。算法模型是 AI 产品的灵魂，决定了其智能水平；算力是实现复杂算法的基础，尤其是在深度学习等需要大量计算的场景中；数据则是训练模型的原材料，高质量、大规模的数据集对于 AI 模型的性能至关重要。
此外，AI 产品相较于传统互联网产品，对人工智能领域的高精尖人才的依赖程度更高，人工智能专家、数据科学家等成为各家大模型明星公司、互联网大厂激烈争夺的对象。
4. 能力圈范围层："产品的边界是什么？" "哪些是我们一定不会做的？"
对于 TPM 最重要的三件事是需求洞察、用户体验、商业模式。
当前大模型的能力似乎没有天花板，但并不意味着大模型是解决一切问题的万能药。这个时候更考验 AIPM 对于产品定位、产品边界的判断。
当前 AI 成功商业案例都是基于原有业务流程的升级改造，所以我们要放弃宏大叙事"AI 改变行业"，不做大而全的产品。
转变思路，找准垂直赛道，分析业务轴，划分为"N 个细分流程切片"，分析哪些是可以 AI 化，找到这个垂直领域的优质数据、建立模型业务效果评测机制。以 AI 为底座，打造每个行业的最佳实践。
5. 战略决策层："我们要通过这个产品得到什么？" "我们的用户要通过这个产品得到什么？"
TPM 可能更多依赖于市场调研、用户反馈和数据分析来做出决策，通常关注的是产品如何满足用户需求和业务目标。
而 AIPM 在此基础上还需要掌握 AI 领域的专业知识，包括但不限于机器学习原理、数据科学以及科技伦理和隐私问题。同时，AIPM 需要更深入地思考如何将 AI 技术无缝融入行业/产品中，以提升用户体验，让原本通过工程或小模型的"不能"成为"能"，让原本"能"的实现十倍乃至百倍提效。
二、AI 产品经理应该具备哪些能力？
1. 掌握 AIGC 最新技术
AIGC 产品经理通常需要对最近 AI 技术的升级有一定理解，尤其是机器学习、自然语言处理、计算机视觉、数据处理、模型评估等领域的知识。他们需要理解模型的训练过程、算法的局限性以及如何优化模型以生成高质量的内容。此外，了解 AI 伦理框架和隐私保护原则也是必要的。
最近看 AI 领域的文章，一些 AI 产品经理在鼓励想入行的同学看 AI 论文，来获取一手 AI 信息。这的确是个很好的方法，能让你"懂算法"的这块长板更长，但是相对门槛也较高，如果不具备条件，也不必过分焦虑。就像做传统互联网的产品经理一定要自己会写代码吗？这个问题也没有标准答案的。
