AI 产品经理的核心能力与转型路径解析

图来源：QuestMobile 2024 年 7 月数据

再来看后者，主要是公司现有的 APP 内嵌 AI 插件，目标是增强核心场景的功能。这种形式具备一定的差异潜力优势，可以依托生态流量池，低成本触达和经营用户，且可以快速跟同生态内的其他业务融合，突围概率较高。

比如短视频内嵌 AI 插件，要么定位于智能搜索，以此丰富平台用户的信息获取渠道，要么通过 AI 插件提供虚拟社交服务，增强作者与粉丝之间的互动粘性；再比如，电商购物 app 内嵌 AI 插件，京东京言、淘宝问问、抖音的 AI 购物助手等，均寄希望于通过 AI 工具解决用户模糊的购物需求，加速订单转化。

看完 C 端市场后，再来看大模型与 B 端场景的结合。

不得不承认，大部分 To B 产品的用户体验都差强人意，且基本上活得越久越难用。每增加一个功能，服务不到 1% 的用户却可能会劝退 99% 的用户。而大模型的自然语言交互能力，可以把那些超过 3 步的功能，优化到 3 步以内。

因此，在 To C 场景里也许尚有不少厂商在考虑怎么做 AI 原生应用，而在 To B 场景里，优先考虑的是怎么把原生的应用给 AI 化，在工作流中升级人机交互和数字体验，去做效率的倍数升级。

尤其是，在 B 端已经有稳定客源、积累了足够私有数据的行业模型企业，完全可以趁势与客户展开更深度的 AI 合作，用工程化的方案去解决垂直领域和专业领域的问题并将其产品化和商业化。

之前我看过有赞创始人白鸦的访谈，他举了一个 SaaS 系统的智能化案例。向来被人诟病「重系统设计轻用户体验」的 SaaS 系统，无论是营销、客服、CRM 等，一直都陷入一个困局：在不断叠加功能以支持核心客户的定制化需求的同时，也伴随着系统易用性下降的问题。

具体来说，在产品方面，留存数据的兼容性有待提升，而调整的成本又较高；原有系统不好用，存在过度依赖业务专家经验的问题；在收益方面，产品创新能力不足，难以锁定客户的长期预算。

而 AI 的出现改变了这种情况。即使你的平台有成千上万个功能，你也可以通过唤起智能助手，基于命令式的自然语言对话告诉它你的意图，由智能助手一键直达某个功能，或者一键帮你执行你想要的自动化任务，例如管理商品，管理客户，管理营销活动等。

也许你会说，智能助手我熟，早期 PC 时代冲浪的时候就有了，网站右下角挂载的客服机器人是吧？这并不是一项新技术啊，怎么就能大杀四方？

不仅如此，相信你不止一次困惑，新出的某 AI 应用似曾相识，定睛一看，这……这应用我分明是见过的啊？

是的，这也是 AI 产品让人捉不着头脑的地方。从前我们体验产品调研竞品的时候，往往是站在产品形态的视角，重视觉和交互带来的新功能新体验，但当产品能力从交互层转移到 AI 层，倘若我们对技术领域理解不够深刻，就很难体会到其中的差异点。

因此，理解新旧 AI 应用请回归大模型的本质，即：大模型是一种基于海量数据预先训练好的生成式人工智能，通过特定的模型结构理解并生成自然语言，以完成各种任务。

关键字：预先训练，生成式，特定模型

上述的三个特点正是基于 AIGC 的助手与传统智能助手的核心差异：

• 数据规模和多样性：正因为大模型在海量数据上进行预训练，能够理解更复杂的语境和多样化的表达方式，这使得 AIGC 助手相比之下能更准确地捕捉上下文信息并理解用户的意图。
• 生成能力：传统助手通常依赖于固定的响应模板，而 AIGC 助手不仅能够理解用户的指令，还能生成多样化的响应和建议，帮助用户完成复杂的任务；
• 适应性和学习能力：Transformer 神经网络结构能让 AIGC 助手不断学习用户的偏好和行为，根据用户的反馈和历史交互进行调整，这种自适应能力使得智能助手在不同场景下都能有效地满足用户需求。

而这些差异，相信你站在用户视角是很难洞察到的。

3. AI 产品经理的底牌和命门

OK，那站在产品经理的视角呢，我们能做点什么准备？

不得不承认，无论是 B 端还是 C 端的 AI 相关产品，我们都缺乏系统深入的、全面直观的研究。

一方面是面不够广，用得太少，看到大量新的 AI 应用诞生，除了尝鲜之外，如何全面体验产品仍是一筹莫展；另一方面是理解不够深入，缺乏针对性的分析，对于 AI 产品缺少全局的归纳能力，也就很难抓住产品主要矛盾。

那么，AI 产品经理的底牌是什么？

插个题外话，今天我们会把这个岗位高亮出来，只是因为我们还不熟悉，都还在蹒跚学步的状态。

作为产品使用方，我们正逐渐熟悉基于 AI 软件的基本单元：提示词、上下文窗口、少样本学习和多模态等，也试图利用 ChatGPT、Claude 等平台去创建适合我们特定领域的工作流。而作为产品生产方，也就是从这个过程中催生的职业，相信总有一天会在历久弥新的变迁中逐步形成职业的通识。

先来捋一下，在 AI 产品经理之前，传统产品经理的工作流是什么？

过去我们会把产品经理区分两大类：C 端和 B 端产品经理，一个是重商性，目标是帮企业提高效率和效益；一个是重人性，满足人性的贪嗔痴。但二者的职责相似度很高：他们都需要对产品的全生命周期管理负责，包括前期的市场调研和竞争分析、制定产品路线图，过程中持续规划产品的功能和迭代计划、协调跨职能团队，最后确保产品按时上线和落地案例，并配合运营、销售团队在市场上推广。

基于该工作流，传统产品经理需要懂用户，懂业务，懂产品，具备技术思维和设计 sense。而这些基础素质也同样作用于 AI 产品经理，这都是产品经理的底牌，是立身之本。

而在此基础上，二者的差异点在哪？

当我们在谈角色的区别，无非是在寻找其中的变量。那么首先，我们来看下大模型带来的业务变量。

网上有个观点，提倡大模型本质上带来的是人机交互范式的转变：从图形用户界面 (GUI) 转向自然语言用户界面 (LUI)。对此我是认同的，在相当长一段时间内，这两种交互范式都会并存，且互为补充。

相应的，设计产品方案的思路随之调整。

一直以来，机器不理解人类语言，只能人去理解机器语言。于是产品全生命周期的上下游角色的能力模型泾渭分明：产品经理懂业务逻辑，程序员懂编程语言，设计懂视觉交互。大家分工协作得当，一拍即合，软件产品从需求规划，原型设计，交互设计，前后端开发，测试上线等全链路就这么跑通了。

产品研发团队纷纷投入时间去研究前端界面的交互和后端服务的设计，一切似乎都顺理成章。其中，产品经理和设计师反复掰扯的 UX 界面调整，本质就是产品经理推演用户需求提供方案的一种表达方式。

而大模型的出现让计算机能够理解并生成自然语言，这彻底改变了人机交互的方式，相应的也改变了背后支撑这些业务的角色职责。

奇绩论坛的创始人陆奇说，你起步就得是自然语言交互，告诉用户'你跟我怎么交互'。

因此，基于业务需求的理解，产品经理得从以前侧重交互和视觉效果，转变成通过自然语言，告诉用户你在哪里，有什么，怎么用，怎么用好，即：

• 我在哪里：合理的、自然的产品入口，比如微软 Office 365 的小助手入口，Notion AI 在文本输入框里的嵌入式入口；
• 我有什么：使用清晰的语言向用户介绍可用的功能和常见问题解答，引导用户更快地理解系统的能力。
• 我怎么用：明确指导用户如何与系统互动，包括可接受的输入方式（如文字、语音、图片、视频等），以及每种方式的优势和限制；
• 怎么用好：提供使用技巧和最佳实践，帮助用户充分利用大模型的功能，优化其应用场景。例如，推荐一些常见问题的提问方式和正确示例，提升用户的使用体验和结果。

而为了回答上述问题，AI 产品经理要更懂工程链路。如果你一开始不明确工程链路，大概率会影响你之后所有业务逻辑的实现方式和产品的能力边界。

那么，究竟什么是工程链路？

工程链路是指在 AI 产品开发过程中，从需求识别、模型选择、数据处理、系统集成到最终用户交互的全流程。

以业务应用内嵌 AI 的产品为例。在这全流程里，涉及到的不仅是技术实现，更是理解模型能力与产品需求之间的关系，确保设计的每一步都能推动产品向更高效、更智能的方向发展。

图：AI 产品的工作链路

相比传统产品经理，尤其是在需求分析和产品策略的设计上，你要注入更多的心血：

1. 需求分析：深入理解业务场景和需求，倒推并抽象你需要模型具备的能力。 比如你在做客户服务场景，目标是提高顾客服务效率和满意度，拆解目标后你需要让模型基于底层知识库、话术推荐等信息，辅助甚至是替代人工客服收集顾客信息完成电商场景的售前导购、答疑解惑、售后服务等流程。而这些能力抽象出来后，要定义一条评估的基准线，确保能够指导产品优化后的效果观测。
2. 策略设计：包括系统集成和交互设计。 对 AI 应用的产品经理而言，基座模型是一个黑盒的状态，你没办法对其进行干预和优化，因此更多重心会放在提示工程优化、外部知识库或是联网策略优化等方式去提升效果。 举个例子，现在你要利用现有的基座模型去搭建一个抖音创作者的 AI 分身，那你就得定义清楚创作者分身需要具备的能力、解决的典型问题 (比如负责粉丝答疑、知识科普、虚拟陪伴等)，然后给出这些能力的评估标准 (比如对话准确率、对话轮次等) 和评估方法，再对结果进行打分和分析。基于这个结果驱动产品经理拆解问题，持续迭代需求。

基于工程链路的理解，当你日常工作中接收到用户的需求反馈时，你就清楚自己要在链路中的哪个环节下功夫，才能真正解决问题。

比如，你在做商家智能客服产品，用户吐槽客服对话的效果差，对话质量不高，经常答非所问或废话连篇。

这类型问题很常见，也是产品经理日常中最亟需解决的问题。大模型的工作原理决定了，模型被训练完成后，即便拥有了通用和特定领域的知识、智商、推理能力，能较好地适配到特定的业务场景发挥最大的效果，但依然会存在对话效果不佳答非所问或回答不及预期的情况。

为了提升对话质量，你就需要从工程链路分析解法：

1. 没能力？ 模型结构需要调整，在成本可控效率可控的情况下，基于原来已经预训练的模型进行微调。
2. 有能力但没数据？ 要提升语料的丰富性和多样性，可以考虑外挂知识库，或是让模型通过索引网站/搜索引擎上的内容对其进行处理后再输出内容；
3. 有能力有数据但提问不准确？ 要优化 prompt 工程，设计和编写提示文本，包括选择合适的词汇、引导词、上下文等，引导模型生成符合特定要求的内容。

看到这你大概明白了，转型 AI 产品经理的命门就在这——

一方面，在产品方案设计上，你得摆脱传统上对于信息呈现和推演方式的惯性，从图形用户界面 (GUI) 转向自然语言用户界面 (LUI)，提供产品增益价值；

另一方面，在技术方案设计上，相比从前对于硬编码的推崇，你得掌握产品的工程优化链路，思考用语言模型去实现功能本身、以及功能之间的连接方式的可能性。

因此，相比传统产品经理在前端界面交互和后端服务设计的投入，AI 产品经理更应该把精力投射在以下两个方面：

1. 产品边界（生存问题）：现阶段的产品有哪些局限性，这些局限性哪些是可以通过模型迭代得到解决的，哪些是不能的，不能的话是要通过插件、prompt 工程还是其他能力；
2. 产品价值（发展问题）：从更底层的业务角度，去分析产品新体验相比旧体验的价值增量，在商业意义上真正的价值在哪。

4. AIGC 是万金油吗？

理解了 AI 产品经理的底牌和命门，你大概对自己目前经验的匹配度清楚了，对后续要强化的能力也有数了。但，是否要一头扎进 AI 业务里呢？

不少人找我咨询过，想追热点，想尽快转型，想成为少数人之一。

回到文章开头，我提到「各行各业都可以结合 AI 技术重塑」，听起来 AIGC 似乎是万金油？其实不然。

虽然人人把 AIGC 摆在台面说事，新兴应用依然层出不穷，大量 GPT 套壳 APP、套壳插件除了抢时间红利的价值外，没有足够深的护城河，很难发挥出真正的产品价值。

而存量的成熟业务呢，似乎也能蹭一蹭热点，但怎么有效结合，新体验相比旧体验的价值增量有待商榷。

也许对团队而言，为此扩充了新的盘子和资源，但朝令夕改的业务方向，摸着石头过河的激进推广，边跑边被吃掉的生存危机，更多的是对团队成员的消耗；而对用户而言，眼花缭乱的 AI 应用已然无法轻易打动他们的心，即便有幸在社交媒体上一时风靡，传播的速度也抵不过用户尝鲜热情的消退速度。

于是很多公司在 AI 业务的布局上慢慢变得谨慎，在没想好的情况下，跟风去做 AI 能力不如不做，因为成本不菲；还不如去做存量业务里杠杆率更高的事，躺在功劳簿上吃老本都比砸锅耗材的性价比更高。

仰天长啸，究竟 AI 落地为什么这么难？

最主要的矛盾是，用户预期与模型能力之间的 Gap。想想看，什么用户/客户更容易接受新技术新体验？

这群用户趟过互联网的高速膨胀期，本身对互联网产品都相当挑剔。而 AI 和互联网最大的区别是，从前互联网越过 0 分就是增量，有一个大亮点就可以打天下，而 AI 不到 60 分的话，就没有实用价值。

因此，如果你想转型做 AI 产品，你要思考清楚：这个业务的定位是什么，值不值得你投入。

眼下各大公司在 AI 业务的定位一般分为三种：

1. 对原行业的颠覆：目前尚不明朗，风险系数极高；
2. 创造新的应用场景： 当交互和工程范式发生变化，原来很多不能做的东西可以去做了，以及很多已有工具解决的问题可以用更好的工具解决。前文提到的短视频平台的虚拟社交服务，就是这个例子。 再比如：文本生成类的业务探索，你可以将研发流程向上游进一步延伸，探索端到端的从 prd 的产出到代码需求上线。 本质上这是一种新的迭代方式，以一种更高效和自动化的方式。
3. 将 AI 能力融入到已有的产品流程： 这也是很多大厂优先考虑的业务方向：改造已有的作业流，前文提到的 SaaS 系统的智能助手，电商购物平台的导购助理等，都验证了这一点。 再比如，假设你在负责 oncall 系统，为了提升已有的 oncall 拦截率，你可以考虑：将人工排查部分通过插件自动化，比如封装常见多种排查手段，让 AI 进行自动化调用等。

回头去看最早宝洁公司定义的产品经理：一个人同时负责从品牌、渠道、定价到供应链所有的问题。后来互联网兴起，产品经理开始高度分工和职能化，反而变得不那么多元。

而现在 AI 产品经理，或许又要回到最开始的复合型人才，只是具体要求不同了。ta 得知道技术边界在哪里，对大模型底层能力、后端的系统整合、以及 prompt 工程有了解，也要在平衡用户价值的同时考虑成本的投入问题。

而即便如此，我们仍然无法预知未来的大模型如何推演，能力上限也好，演进速度也好，都是一个不确定性很强的领域。在这种情况下，对个人而言，判断一个业务值不值得投入的时候就不必去追技术热点，你得抓住确定性的那一面：

1. 组织对这个业务的意志是否明确？ 即：是否有决心投入资源，有足够耐心打磨方案；
2. 业务路径的清晰度，如果是新兴领域，大概率还在摸着石头过河，所有决策和执行过程都容易失焦，可能会伴随团队和业务的调整问题，对此你是否能接受？

如果能，那就做好高风险收益不明的心理建设，降低预期，充分预估这个事的难度，设定安全阈值，不要让各种事件给你制造焦虑和不安。然后耐下性子，久久为功（当然久久也是有期限的），再以半年甚至是一个季度的纬度去要求自己去磨合。

说到底，在当下这个技术涨潮期，半径太长的宏大叙事都很难落地，只能一个问题一个问题地去解决，争取让所有的积累成为下一次变革中能派上用场且越来越有力量的东西。

5. AI 产品经理的成长建议

面对行业的不确定性，持续学习是应对变化的唯一法宝。对于想要进入或深耕 AI 领域的产品经理，建议从以下几个维度构建知识体系：

• 技术理解力：不需要成为算法工程师，但要理解 Transformer 架构的基本原理、Token 的概念、上下文窗口的限制、RAG（检索增强生成）与 Fine-tuning（微调）的区别及其成本效益。这有助于你在需求评审时做出更理性的技术选型。
• Prompt Engineering：掌握提示词工程是 AI 产品经理的必备技能。学会如何通过结构化指令、Few-Shot Learning（少样本学习）来引导模型输出高质量结果，并能将其转化为产品文档中的用户指引。
• 数据敏感度：AI 产品的效果往往取决于数据的质量。培养对数据清洗、标注、隐私合规的敏感度，理解数据闭环对产品迭代的重要性。
• 伦理与合规：随着 AI 法规的完善，了解生成式 AI 的版权风险、内容安全规范以及数据隐私保护政策，是产品能否长期存活的关键。

AI 产品经理的未来不在于追逐每一个热点，而在于深刻理解技术与商业的结合点。只有那些能够真正解决用户痛点、在工程链路中找到最优解、并在商业上可持续的产品，才能穿越周期，成为真正的赢家。