AI 产品经理转型一年：成长路径与实战经验总结

2、转型 AI 产品经理的 2 个路径：

因为 AI 产品经理的本质还是产品经理，但鉴于 AI 能力涉及到复杂的算法，因此个人认为，最佳的转行路径有下面两个。当然，也可以由运营、甚至市场转型，但前提是要先转型成产品经理，然后再转型成 AI 产品经理。

（1）技术转型： AI 类产品的落地过程中，最重要的角色是算法和工程，其中，工程偏落地应用，算法偏模型搭建。以所在的人工智能研发团队来讲，如果项目在起步阶段，工程人数会大于算法人数，因为模型解决问题的效率和效果还有待验证，方向未定的情况下，很多功能可能用普通的规则逻辑即可解决。如果项目是强 AI 的，那么就要有专职而且大量的算法工程师，专注于模型的不断迭代和优化，因为这时候工程框架基本只需要维护就好。

因为 AI 的三要素是算法、算力和数据，而技术人员对算法和算力的了解和熟知程度是更高的，而且对新技术的实现及落地有更深入和更精准的判断，特别是在 AI 底层服务及 AI 技术服务类的项目中，有天然的优势，非常适合转型为技术驱动类项目领域的 AI 产品经理。

（2）产品转型： 这里特指传统产品经理的转型，因为在基础能力上，传统产品经理和 AI 产品经理是相同的，即分析并判断在某个场景中可以用什么样的解决方案在某种程度上解决对应的什么问题。再通俗点就是要能发现问题、分析问题和解决问题，至于解决问题是用什么具体技术方案或算法模型，这个更像是用一个杠杆翘起一个重物时施加重力的物质（可以是石头、也可以是身体），但更重要的是找到杠杆的支点，这个支点就是发现和分析问题决定的。（详细的差异后续再单独发文分享，因为差异点具体分析还挺多的）

基础能力具备了，因为 AI 项目实现产品目标的技术手段多依赖于算法模型，而且面对的场景多是业务导向或技术导向，因此懂得一定的算法技术知识，是这个工种与传统产品最大的差异。至于了解到什么程度，个人认为如果是转型到 AI 应用型产品，只需要了解各种机器学习算法适用什么样的场景，能解决什么样的问题，存在的优劣势是什么，以及如何进行效果验收即可。但如果是转型到 AI 底层服务或 AI 技术服务型产品，那就需要深入了解具体的算法原理、特征提取、模型构建、模型影响因子、模型评估指标等一系列技术知识，这个对于非计算机专业的产品从业者来讲还是有一定难度的。

说说自己的例子吧，非计算机专业出身，之前从事 C 端和 B 端产品项目，有一定的标签画像及推荐系统知识（有实际参与项目的了解，但不精通），因此很清晰地知道自己很难去做 AI 底层服务和 AI 技术服务型产品的，因为优势在场景分析，在业务理解，在方案设计，更适合应用型的 AI 产品项目。因此在入职后，leader 分配的也基本是这类项目，可以很明显地感知到在这些方面，自己相比组内那些做底层能力和平台服务的算法出身产品还是有很大优势的，因为更关注业务场景，更关注用户，也更关注 ROI 和敏捷落地。

二、AI 应用型产品经理都在做些什么

这一年多的 AI 项目涉及领域包括内容、营销销售、私域运营，因为处于数字化转型改革的阶段，整个人工智能团队有 300 多号人，纯 AI 技术水平还算不错（世界级的竞赛经常斩获冠军），所以供应用型 AI 产品经理的发挥空间还是蛮大的，那具体都在做些什么呢？

1、业务对接

数字化转型的一般都是传统公司，这类公司的主体业务过往基本依赖线下，而主导业务流程的岗位一般都是企划，对比互联网行业，其实是类似运营的角色，一般称呼业务方。但这类业务方最大的特点是，决定了业务流程，但并非一线实操者。这里想起华为的一句话：让听得到炮火的人做决定，想要解决的就是这个问题吧，用互联网的行话说就是他们远离用户。

因此产品经理的重要性就被凸显了，一方面，承担着作为连接业务方和技术开发方的桥梁，负责业务场景诉求的目标对齐，以及具体产品方案转化；另一方面，作为专业的产品经理，需要深刻理解场景和用户，从实际使用者的角度辩证地和业务方统一价值判断和要达成的目标。前者容易后者难，如果做不到后者，产品经理很可能沦为'工具人'。

可以看出，这个部分的工作实际上和传统的产品经理是一致的，关键点在于理解业务、判断价值、统一目标。在 AI 场景下，还需额外确认业务方对 AI 效果的预期是否合理，避免过度承诺。

2、方案设计

这个环节就是考验产品经理专业性的时候啦，因为业务目标和场景的多变化性，这里对产品经理的 T 字型能力要求比较高，因为涉及的具体产品形态会比较多，这一年里相继就承接过内容生产及管理、内容分发、客户管理、用户画像、推荐、问答机器人、群机器人等多种产品形态，涉及的终端横跨了 PC 端、APP、企业微信第三方应用、微信小程序，挑战性十足！

除了能掌控多种产品形态，作为 AI 产品经理，大多数情况承接的都是平台型产品中的某个模块，那为何会交给人工智能团队承接呢？说明是平常的产品方案解决不了的，强依赖算法能力的，例如问答机器人和内容智能生产的自然语言处理能力、内容分发的推荐能力、客户画像生成的聚类和分类能力等。因此 T 字型能力中一专多能的专就是我们的 AI 算法模型的应用能力，需要很清楚有哪些 AI 能力能有效解决哪些场景里的哪些问题。

在具体设计中，需考虑以下维度：

• 输入数据质量：明确数据来源、清洗规则及隐私合规性。
• 模型选型：根据延迟要求、成本预算选择预训练模型或微调模型。
• 交互设计：设计合理的 Prompt 引导机制，降低用户试错成本。
• 反馈机制：提供点赞/点踩入口，收集 Bad Case 用于后续优化。

可以看出，这个部分的工作最能体现 AI 产品经理的价值，关键点在于需求挖掘、产品设计、算法选型。

3、交付反馈

因为 AI 类的产品目前多应用在 B 端项目，所以有效交付是第一目标，毕竟业务方是'爸爸'，然而后续怎么迭代，往什么方向迭代，业务方更看重业务流程，而产品则更看重用户使用，这里便能体现产品经理的另一个重要价值点，那就是通过用户反馈和数据反馈，帮助业务方验证已做功能的有效性（价值），让决策除了自上而下，也能自下而上。

同时，由于上面所讲的 AI 产品的模块性特点，实际工作中，除了业务反馈闭环的建立，还需要建立研发反馈闭环，也就是通过梳理研发流程形成 AI 侧、平台侧、业务侧多方角色的舒适协作规范，前者有利于帮助业务决策，后者有利于推进决策落地。

在交付后的监控中，重点关注：

• 模型性能衰减：定期评估线上模型效果，防止数据漂移导致效果下降。
• 资源消耗：监控 Token 消耗量、GPU 利用率，控制成本。
• 异常处理：建立模型超时、报错时的降级预案。

可以看出，这个部分的工作和传统产品经理也是类似的，会体现 AI 产品经理在需求验证和敏捷项目推动方面的价值，关键点在于反馈闭环、业务方反向管理、敏捷管理。

当然，上述梳理的 3 个重要工作范围还是比较宽泛的，后续也会展开对每一项结合自己的实践案例进行详细的分享，特别是第 2 点，因为这块才是最能体现 AI 产品价值和差异点的地方。针对这一点，可能会给大家分享应用型 AI 产品经理必须要了解的几类算法模型，对应的适用场景、以及如何评估模型效果。

三、小结

真心讲，AI 产品经理的世界可能并没大家想象的那样高端，同时人工智能也没有大家想象得那么智能，同行中大家调侃的'先人工，后智能'也真的是常态，真正经历过才发现，AI 产品经理要比传统产品经理辛苦得多，协作上需要管理业务方，同时搞定依赖的平台开发方，产品设计上需要从繁杂的数据中标注并发现规律，同时对算法模型有一定的了解。和人工智能的发展一样，长路漫漫，唯有和行业共同成长。