在大模型時代下，AI產(chǎn)品要怎么做？AI應(yīng)用需要什么樣的產(chǎn)品經(jīng)理？做好AI產(chǎn)品需要具備哪些能力以及準備？本文從八個維度的重點內(nèi)容展開，希望能帶給你一些啟發(fā)。

大模型時代的產(chǎn)品要怎么做？AI應(yīng)用需要什么樣的產(chǎn)品經(jīng)理。

今天可能沒有多少創(chuàng)業(yè)機會了，但還有很多做生意的好機會。時代在呼喚更多的全棧技術(shù)全棧產(chǎn)品，屬于個體開發(fā)者的好時代終于又回來了。

本文內(nèi)容，重點關(guān)注以下問題：

1. AI 產(chǎn)品的幾個階段
2. 數(shù)據(jù)不是壁壘，結(jié)合數(shù)據(jù)提供差異化體驗是壁壘
3. 做 AI 產(chǎn)品要沉淀什么數(shù)據(jù)？
4. 怎么保證現(xiàn)在做應(yīng)用的投入不是無用功?
5. Perplexity 的產(chǎn)品設(shè)計能力
6. Adobe 取消收購 Figma 是人機交互方式發(fā)生的變化
7. AI 的能力什么時候會發(fā)生跳躍性變革
8. 產(chǎn)品經(jīng)理需要 Back to the Future

一、AI 產(chǎn)品的幾個階段：AIGC → Copilot → Insight → Agent（自動化）

通過搭一個乞丐版產(chǎn)品理解用戶意圖，然后把過去幾年客戶的最佳實踐和成功手冊、交付案例、客服知識庫……給到AI訓練，看能否給到用戶運營方案的建議。

總結(jié)下來大概是這 6 個能力：理解用戶意圖、提供用戶運營方案建議、生成營銷創(chuàng)意、自動化執(zhí)行、自動化監(jiān)督、自動化歸因。

二、數(shù)據(jù)不是壁壘，把數(shù)據(jù)作為 context 喂給大模型，讓大模型更懂你、提供差異化體驗是壁壘

最開始構(gòu)建 AI 產(chǎn)品的時候是從用戶視角出發(fā)，提供解決具體問題的場景功能；

其次是能夠看到用戶在各種各樣場景下沉淀的數(shù)據(jù)，比如看過的視頻、文章、問過的問題，這些都是 LLM 不會有的用戶的私有數(shù)據(jù)。

從過去的經(jīng)驗看，數(shù)據(jù)肯定不是壁壘，但有了數(shù)據(jù)后，把它作為 context 傳給LLM，讓這個 LLM 更懂你，這個差異化體驗是壁壘。

比如，讓 LLM 幫你起個標題是在編，但把商品信息一起給到 LLM，效果就不一樣了。

所有不甘于只做 AI 工具的應(yīng)用，都需要考慮數(shù)據(jù)沉淀下來的 AI 資產(chǎn)，讓產(chǎn)品能夠基于資產(chǎn)，更個性化地服務(wù)用戶。

三 、做 AI 產(chǎn)品要沉淀什么數(shù)據(jù)？

需要沉淀的數(shù)據(jù)不是什么交易額，而是用戶在解決某個場景問題在最近某段時間（如一個月內(nèi)）有多少最佳實踐的問答對，比如在小紅書上怎么設(shè)置店鋪的優(yōu)惠券 —— 需要足夠多的最佳實踐整理成的問答對。

所以最終我可能不是一個賣軟件系統(tǒng)的公司，可能是一個智能運營系統(tǒng)的運營商，通過無數(shù)最佳實踐和最佳實踐的總結(jié)，去不斷錄入、運營這個系統(tǒng)，讓它變得越來越智能。

大廠的數(shù)據(jù)很多，但不是真的強。很多數(shù)據(jù)不是結(jié)構(gòu)化的，并不能直接拿來給大模型用，那么，今天做 AI 產(chǎn)品的問題是，怎么通過你的產(chǎn)品設(shè)計，讓用戶生產(chǎn)模型能用的數(shù)據(jù)？怎樣依托數(shù)據(jù)的循環(huán)、和獨有數(shù)據(jù)的積累完成產(chǎn)品設(shè)計？

一是通用大模型，用戶的使用數(shù)據(jù)對通用大模型來說目前沒有太大的提升，還是通用大模型自己的能力；這部分主要用來理解用戶意圖，滿足60分的基礎(chǔ)就可以。

二是行業(yè)領(lǐng)域通識，在這層做微調(diào)（投喂），可以讓這個 AI 產(chǎn)品在特定行業(yè)領(lǐng)域里理解用戶意圖、對話與交互的能力會更強；

三是加入對用戶場景的業(yè)務(wù)理解（比如寫prompt、界面優(yōu)化）。

做到这三点挑战，产品经理只会不断升值

好的产品经理是很稀缺的，懂用户、懂商业、懂数据的产品经理走出互联网，依然是抢手货。相反，如果只做简单传话、低效执行、浅层思考的产品经理，恐怕走不过未来3-5年的洪流。

查看详情 >

在現(xiàn)階段，做 AI 應(yīng)用就主要在二和三不斷優(yōu)化。

四、怎么保證現(xiàn)在對做應(yīng)用的投入不是無用功?

1. ToB 應(yīng)用的視角

不要去搞獨立的東西，比如電商客服的應(yīng)用、寫文案的應(yīng)用，獨立的東西大模型很可能最后會把它覆蓋了。

B端場景的優(yōu)勢在于能交付一個工作流并給到用戶結(jié)果，有閉環(huán)的、活的、每天都在發(fā)生的數(shù)據(jù)。

需要對用戶現(xiàn)在要解決的工作流程的理解，比如用戶要造一把椅子，他是怎么搞的？他要去運營消費者，他是怎么搞的？要對他內(nèi)部作業(yè)流程有理解。

這么多年 toB 領(lǐng)域的皇冠是誰？做一些ERP的！這不就是企業(yè)的工作流嗎？

所以飛書、釘釘和企業(yè)微信，大家最后的組織能力誰強？

強的肯定是對他服務(wù)的客戶組織協(xié)作流和工作流的理解。

所以第一拼的是你對作業(yè)流程的理解，如果你能把這個理解通過AI交付一個工作過程，然后這個工作過程還是能直接給你結(jié)果的，你這個是個好產(chǎn)品。

如果你只是給人家生成某個東西，你最后就不是一個好產(chǎn)品。

2. ToC 應(yīng)用的視角

ToC 產(chǎn)品更多是關(guān)注單點的價值創(chuàng)造和體驗的優(yōu)化。

現(xiàn)在的模型廠商其實特別像芯片廠商，AI 應(yīng)用公司就像消費電子公司。

我們思考組織問題的時候，會想我應(yīng)該花大錢去招一個算法工程師、還是招一個很會做增長的同學？

后來我們想到這個問題的背后，是你到底要學什么公司？我們不應(yīng)該學高通、不應(yīng)該學英偉達，我們應(yīng)該學小米、學大疆、學蘋果。

本質(zhì)上 toC 的公司更像是消費電子公司，要關(guān)注供應(yīng)鏈，上半年買不到GPT-4，因為就 OpenAI 不賣，或者限量賣的，但是微軟賣，微軟說你充20萬我就賣給你，這個就像典型的供應(yīng)鏈管理問題。

我們要關(guān)注定價，OpenAI的成本，LLM 降價了，開完發(fā)布會降到三分之一了，我們是跟著變嗎？好像不對，你應(yīng)該是價格不變，但是給更多東西。

新一代的小米手機，高通變牛逼了它還是應(yīng)該賣這樣的價位。

我們要關(guān)注品牌，讓大家想到應(yīng)用的時候就想到你。

要關(guān)注渠道，關(guān)注毛利率，有規(guī)?；酥螅梢跃S持好毛利率，才能有錢去投研發(fā)、投廣告，讓更多人用起來，形成正向循環(huán)。

是不是非得有 LLM 能力才能做出超級應(yīng)用來？換個問法，有了LLM能力就能做出超級應(yīng)用嗎？也不是。超級應(yīng)用本來就很難，消費電子也是全方位競爭，不如關(guān)注我們能關(guān)注的事。

蘋果的 Day1 也沒有造芯片，它先用的Intel，然后花了20年的時間才把那個芯片換成自己的MC芯片。所以消費電子是一個全方位的競爭，不要覺得 LLM 牛逼才是一切。

私有數(shù)據(jù)很重要，給LLM足夠多的上下文特別重要，瀏覽器插件是個好形態(tài)，看用戶過去說過什么東西、查過什么東西、存了什么東西……（當然即便這樣可能還是不能贏）。

五、Perplexity 的產(chǎn)品設(shè)計能力

Perplexity 底層搜索用的是 Bing 的API，結(jié)果處理用的是 GPT 的API，是一個純粹的套殼。他的用戶是Google的萬分之一，但是在這個品類里他會經(jīng)常被提起，這證明了他作為產(chǎn)品設(shè)計維度上是有一定想象空間的。

一、它的搜索框是一個text area，它是多行的，而Google是單行的。

背后的暗示是，Google搜索可能需要用戶輸入一個短語、或者簡短的一句話；而perplexity是可以輸入很長一段話，它幫你拆解這件事，幫你做好檢索，它更符合人類對于問題的想象。

二、它很AI Native，沒什么負擔。

Google搜索出來的結(jié)果，會帶有大量的鏈接，即使有生成式的答案，鏈接永遠在主要的位置。Perplexity的設(shè)計是先出很長一段的答案，鏈接的形態(tài)是一個個附注小標，答案來自這些地方，你可以自行去溯源。

從產(chǎn)品設(shè)計的角度，它沒有傳統(tǒng)搜索競價排名的負擔、或者賣廣告的負擔，他可以重新定義自己的產(chǎn)品設(shè)計，背后的商業(yè)邏輯是它的搜索可以直接面向用戶收費。

六、Adobe 取消收購 Figma 是人機交互方式發(fā)生的變化

四五年前出現(xiàn)了一個新公司 Figma，專門只面對用戶界面設(shè)計，他做了幾件事：

• 用戶界面設(shè)計工具比Photoshop好用；
• 開放了生態(tài)，專門有人去做icon的插件或者某種風格的插件，所以變得極其簡單，還有人專門做切圖后和前端代碼的結(jié)合（有很多現(xiàn)成的東西你去拼一拼就能搞出來）；
• 開放了多賬戶，程序員和設(shè)計師可以在這里協(xié)作（以前是設(shè)計了一張圖 → 傳圖 → 拿圖片切圖，現(xiàn)在可以直接在Figma協(xié)作）。

所以 Adobe 慌了。整個 IT 行業(yè)越來越重視用戶界面，越來越重視用戶體驗，F(xiàn)igma 占據(jù)了它的 30%，而且可能會越來越多，所以兩年前，當 Figma 只有 1 億美元收入的時候，Adobe 拿了 200 億美元要買它。

這是一個在增長的市場，而且功能占 Adobe 很大比例，這個收購價格在商業(yè)上是合理的。

但兩周前 Adobe 反悔了，說監(jiān)管不同意，不買了，可以交10億美金的罰款。

為什么呢？

體驗設(shè)計最主要的幾個環(huán)節(jié)，一是有想法，有人給你設(shè)計風格；二是有想法，設(shè)計完風格后需要不斷加功能，這時候需要做重復性的界面設(shè)計；三是產(chǎn)品成熟后不需要什么體驗設(shè)計，頂多在某個功能里加個小icon。

今天，全球互聯(lián)網(wǎng)的投資人不怎么投錢了，不怎么搞增長了，大家都說我不在快速增長期，在相對成熟期，整個行業(yè)的需求沒這么多了。

第二個原因是，AI 出現(xiàn)后大家發(fā)現(xiàn)直接聊天給指令就能生成結(jié)果了，可能未來界面交互就不太需要了。核心還是人機交互發(fā)生了變化。

七、AI 的能力什么時候會發(fā)生跳躍性變革

開源的模型能夠?qū)崿F(xiàn)私有化部署了，應(yīng)用場景會更廣泛。

如果大模型幻覺可控，PMF會進一步上升。

Context Window 的突破，如果能夠支持更多的上下文，也能發(fā)送更長的 prompt，RAG也會更好做一些，可以不用類似 embedding 的方式。

八、產(chǎn)品經(jīng)理需要 Back to the Future

產(chǎn)品經(jīng)理最早是寶潔定義的一個職位，是非常經(jīng)典的傳統(tǒng)商業(yè)定義的職位，當時解決的問題是，我需要一個人同時去負責從品牌到渠道到定價到供應(yīng)鏈的所有問題 —— 所以有了個職位叫產(chǎn)品經(jīng)理。

在過去20年互聯(lián)網(wǎng)浪潮里，互聯(lián)網(wǎng)產(chǎn)品經(jīng)理已經(jīng)被高度分工化和職能化了，有了交互設(shè)計師、UI……各種精細化的崗位，一個人的活拆成了20個人干。

但在今天，做AI應(yīng)用的產(chǎn)品經(jīng)理，可能需要回到Day1去思考。

一、他需要很懂（寫prompt誰都能干），他需要知道技術(shù)的邊界在哪、理解現(xiàn)在的模型哪些能干哪些不能干，需要對技術(shù)有理解。

二、他需要對成本有理解，卡很貴、算力很貴、LLM很貴、推理很貴……傳統(tǒng)互聯(lián)網(wǎng)可以免費，但做AI應(yīng)用，他可能在很早階段就要去想成本問題、想供應(yīng)鏈問題。

三、他還需要懂市場，從市場的角度，要定義比如「逆光也清晰」這個市場需求，要怎么實現(xiàn)？拉動底層驅(qū)動的工程師說我們要調(diào)出這樣的效果，逆光也清晰的效果。

總的來說，這也解釋了為什么獨立開發(fā)這么厲害，他們是復合型人才，他們能搞明白所有的問題，然后把東西快速理出來。這是AI時代下對產(chǎn)品經(jīng)理的要求 —— 其實又回到了寶潔當時的定義。

就像二十年前一個人寫出 foxmail 的張小龍。

有贊創(chuàng)始人白鴉和Monica創(chuàng)始人肖弘對本文亦有貢獻。