本文探讨大模型时代下 AI 产品经理与传统产品经理的差异，分析 To C 与 To B 场景下的应用形态及商业落地难点。重点阐述了从图形界面到自然语言交互的范式转变，以及 AI 产品经理需掌握的工程链路理解能力。同时指出 AIGC 并非万能，强调业务定位、用户预期与模型能力的 Gap 管理，为从业者提供转型底牌与命门的清晰认知。文章还补充了关于伦理合规、成本控制及人机协作模式的未来展望，帮助读者全面理解 AI 产品岗位的核心要求与发展路径。
「各行各业都可以结合 AI 技术重塑」，这个论断放在去年我大概率是认的。
从大模型层和应用层两个视角来看——
去年的市场态势，聚光灯下有三类公司：传统人工智能公司比如商汤、科大讯飞、旷视科技等，创业独角兽比如月之暗面、智谱、Mini Max 等，互联网大厂比如腾讯、百度、字节、阿里等。三方纷纷上牌桌，重心在比拼大模型层，卷算力和高参数模型。同时间，基于大模型的应用层项目也在极速狂飙，但爆款不足，能实现 PMF（Product-Market Fit）的产品更是昙花一现。
但今年开始，模型层已恢复理性，大公司格局已定，小公司有心无力，反倒在多模态模型（视频、3D）和具身智能领域有更多的初创团队出来，至今生死未卜；而在应用层，各大公司开始从技术驱动转向生态驱动，通过比拼资源和商业化的能力，回归商业案例的落地情境。尤其是对于初创公司而言，让更多用户和企业客户用起来，并且愿意付费使用，几乎成了他们的生死线。
追更完行业动态，再来看人才供需。
层出不穷的除了模型应用之外，还有 AI 相关岗位。徘徊在裁员和求职边缘的打工人惊喜地发现，沉寂许久的招聘网站上，不约而同地挂上了 AI 产品的招聘横幅：模型厂商在招算法、工程团队，应用厂商在招商业产品、用增运营人才，平台型厂商关注 AI 开放平台和智能体相关的专家，就连传统金融、餐饮、消费品也在吸纳 AI 专家，岗位的第一条要求就让人啼笑皆非：5 年以上的 AIGC 产品策划和项目经验。
这丝毫不影响打工人的热情。
久旱逢甘霖，产品经理们喜上眉梢：「各行各业都可以结合 AI 技术重塑，产品经理也能趁这波浪潮开启职业第二春」。我也小小激动了一把，废寝忘食地学习新知观望机会，潜伏在 AI 讨论群，窥伺着各种热点动态。
鼓吹转型 AI 产品的声音比比皆是。刚开始很小声，渐渐的有人上岸成功身价翻倍了，有人靠零成本 AI 创业有口皆碑，有人分享的 AI 产品课赚了一桶金，于是声音越来越响亮。
振臂喝彩的同时，不妨先着眼当下，盘点目前大模型应用的产品形态。
AI 大模型在不同硬件设备上的集成与应用，能进一步提高设备的智能化水平，给用户提供更便捷、更智能的服务。
比如苹果最新的发布会，主打的噱头就是 AI+ 手机，相比上代智能机，重构产业链的同时，更注重个性化和场景化服务能力，通过用户自定义和厂商特调，由终端实现智能体的分发；
再比如智能汽车，车企采用 AI 大模型，陆续推送城市 NOA（Navigation on Autopilot），利用 AI 对实时道路信息的处理，优化了驾驶决策，提升了自动驾驶技术的可靠性和安全性。
先来看 C 端应用市场，要么走通用路线，做 AI 搜索做 ChatBot，很难提供核心的用户价值，商业模式的想象空间有限；要么走垂直赛道，比如 AI 换脸、虚拟恋人、角色扮演等，有噱头但不多，使用场景窄，用户复购率有限。
新的 AI 应用本质上是在跟现有的 C 端应用抢夺用户的注意力，而移动互联网的流量见顶，C 端用户产生的商业价值的周期太长了。
比如去年 7 月爆火的妙鸭相机，在 AI 定制写真的赛道上杀出血路，百度指数显示热度一度冲到 8000，但两个月后就熄火了。再比如，去年资本捧热的新秀 Character.AI，靠虚拟陪伴吸引青少年每月 9.9 美金的订阅费也很难延长产品寿命，屡传出现金流断裂的传闻，这两天已爆出被谷歌收入麾下。
或许只是 AI 原生应用比较坎坷？
的确，目前大模型在 C 端产品的软件形态主要有两种：AI 原生应用和**「APP+AI」**。
先说 AI 原生应用，主要以模型厂商自研为主，在产品设计上靠各类智能体去吸引用户，比如创意绘画，专业翻译，音乐生成等细分场景。但现在基本都还处在早期发展阶段，各大玩家间的智能体生态表现同质化，靠渠道砸钱拉新买量之后，留存和促活还是要回归产品对用户最真实的服务价值，用户需求的适配性以及粘性都有待进一步的挖掘和培育。
QuestMobile 数据显示，截止到今年 7 月，国内目前月活千万级流量的 AI 原生应用屈指可数，大多数 native 应用的流量都低于 100 万。
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：
而这些差异，相信你站在用户视角是很难洞察到的。
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：
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，请点开大图查阅
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：
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：
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：
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：
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：
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。
共勉。
随着大模型技术的不断演进，AI 产品经理面临的挑战也将持续变化。除了上述提到的核心能力外，还需要关注以下几个维度的长期发展：
AI 产品的落地不仅仅是技术问题，更是社会问题。产品经理在设计产品时，必须充分考虑数据隐私、内容安全、算法偏见等伦理风险。特别是在涉及用户个人信息的场景下，如何确保数据合规使用，避免生成有害内容，是产品能否长期存活的关键。建立完善的审核机制和反馈闭环，是 AI 产品经理的责任所在。
大模型的推理成本往往较高，如何在保证用户体验的前提下控制 Token 消耗，优化模型调用策略，直接影响产品的盈利能力。AI 产品经理需要学会计算单位请求的成本，并在产品架构设计中引入缓存、降级、混合模型等策略，以实现商业上的可持续性。
AI 技术迭代极快，今天的 SOTA（State of the Art）模型明天可能就被超越。AI 产品经理不能只停留在概念层面，需要保持对技术前沿的敏感度，同时深耕垂直行业知识。只有将 AI 技术与具体行业痛点深度结合，才能构建起真正的竞争壁垒。例如，在医疗、法律、教育等领域，通用的大模型往往难以直接满足专业需求，需要结合行业 Know-how 进行定制化开发。
未来的工作流将是人与 AI 的深度协作。产品经理需要重新定义'人'的角色，从执行者转变为指挥者和审核者。设计好人机协作的边界，明确哪些任务交给 AI，哪些必须由人来把关，是提升整体效率的核心。这要求产品经理具备更强的系统思维和流程优化能力。
总之，AI 产品经理的转型之路并非坦途，但也绝非不可逾越。关键在于认清底牌，找准命门，在不确定性中寻找确定性，用工程化的思维去解决产品问题，用商业化的眼光去衡量技术价值。唯有如此，方能在这场技术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
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
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
