隨著人工智能技術(shù)的飛速發(fā)展，AI產(chǎn)品經(jīng)理成為了行業(yè)中的新寵。本文縱覽了AI技術(shù)在產(chǎn)品管理中的應(yīng)用，探討了AI產(chǎn)品經(jīng)理在不同商業(yè)場景中面臨的挑戰(zhàn)，并分析了他們的核心能力和潛在的成長路徑，供大家參考。

1. 產(chǎn)品經(jīng)理的職業(yè)第二春來了？

「各行各業(yè)都可以結(jié)合 AI 技術(shù)重塑」，這個論斷放在去年我大概率是認的。

從大模型層和應(yīng)用層兩個視角來看——

去年的市場態(tài)勢，聚光燈下有三類公司：傳統(tǒng)人工智能公司比如商湯、科大訊飛、曠視科技等，創(chuàng)業(yè)獨角獸比如月之暗面、智譜、Mini Max等，互聯(lián)網(wǎng)大廠比如騰訊、百度、字節(jié)、阿里等。三方紛紛上牌桌，重心在比拼大模型層，卷算力和高參數(shù)模型。同時間，基于大模型的應(yīng)用層項目也在極速狂飆，但爆款不足，能實現(xiàn)PMF的產(chǎn)品更是曇花一現(xiàn)。

但今年開始，模型層已恢復(fù)理性，大公司格局已定，小公司有心無力，反倒在多模態(tài)模型（視頻、3D）和具身智能領(lǐng)域有更多的初創(chuàng)團隊出來，至今生死未卜；而在應(yīng)用層，各大公司開始從技術(shù)驅(qū)動轉(zhuǎn)向生態(tài)驅(qū)動，通過比拼資源和商業(yè)化的能力，回歸商業(yè)案例的落地情境。尤其是對于初創(chuàng)公司而言，讓更多用戶和企業(yè)客戶用起來，并且愿意付費使用，幾乎成了他們的生死線。

追更完行業(yè)動態(tài)，再來看人才供需。

層出不窮的除了模型應(yīng)用之外，還有AI相關(guān)崗位。徘徊在裁員和求職邊緣的打工人驚喜地發(fā)現(xiàn)，沉寂許久的招聘網(wǎng)站上，不約而同地掛上了AI產(chǎn)品的招聘橫幅：模型廠商在招算法、工程團隊，應(yīng)用廠商在招商業(yè)產(chǎn)品、用增運營人才，平臺型廠商關(guān)注AI開放平臺和智能體相關(guān)的專家，就連傳統(tǒng)金融、餐飲、消費品也在吸納AI專家，崗位的第一條要求就讓人啼笑皆非：5年以上的AIGC產(chǎn)品策劃和項目經(jīng)驗。

這絲毫不影響打工人的熱情。

久旱逢甘霖，產(chǎn)品經(jīng)理們喜上眉梢：「各行各業(yè)都可以結(jié)合AI技術(shù)重塑，產(chǎn)品經(jīng)理也能趁這波浪潮開啟職業(yè)第二春」。我也小小激動了一把，廢寢忘食地學(xué)習(xí)新知觀望機會，潛伏在AI討論群，窺伺著各種熱點動態(tài)。

鼓吹轉(zhuǎn)型AI產(chǎn)品的聲音比比皆是。剛開始很小聲，漸漸的有人上岸成功身價翻倍了，有人靠零成本AI創(chuàng)業(yè)有口皆碑，有人分享的AI產(chǎn)品課賺了一桶金，于是聲音越來越響亮。

2. To C or To B ？

振臂喝彩的同時，不妨先著眼當下，盤點目前大模型應(yīng)用的產(chǎn)品形態(tài)。

1）硬件

AI大模型在不同硬件設(shè)備上的集成與應(yīng)用，能進一步提高設(shè)備的智能化水平，給用戶提供更便捷、更智能的服務(wù)。

比如蘋果最新的發(fā)布會，主打的噱頭就是AI+手機，相比上代智能機，重構(gòu)產(chǎn)業(yè)鏈的同時，更注重個性化和場景化服務(wù)能力，通過用戶自定義和廠商特調(diào)，由終端實現(xiàn)智能體的分發(fā)；

再比如智能汽車，車企采用AI大模型，陸續(xù)推送城市NOA（Navigation on Autopilot），利用AI對實時道路信息的處理，優(yōu)化了駕駛決策，提升了自動駕駛技術(shù)的可靠性和安全性。

2）軟件

先來看C端應(yīng)用市場，要么走通用路線，做AI搜索做ChatBot，很難提供核心的用戶價值，商業(yè)模式的想象空間有限；要么走垂直賽道，比如AI換臉、虛擬戀人、角色扮演等，有噱頭但不多，使用場景窄，用戶復(fù)購率有限。

新的AI應(yīng)用本質(zhì)上是在跟現(xiàn)有的C端應(yīng)用搶奪用戶的注意力，而移動互聯(lián)網(wǎng)的流量見頂，C端用戶產(chǎn)生的商業(yè)價值的周期太長了。

比如去年7月爆火的妙鴨相機，在AI定制寫真的賽道上殺出血路，百度指數(shù)顯示熱度一度沖到8000，但兩個月后就熄火了。再比如，去年資本捧熱的新秀Character.AI ，靠虛擬陪伴吸引青少年每月9.9美金的訂閱費也很難延長產(chǎn)品壽命，屢傳出現(xiàn)金流斷裂的傳聞，這兩天已爆出被谷歌收入麾下。

或許只是 AI 原生應(yīng)用比較坎坷？

的確，目前大模型在C端產(chǎn)品的軟件形態(tài)主要有兩種：AI原生應(yīng)用和「APP+AI」。

先說 AI 原生應(yīng)用，主要以模型廠商自研為主，在產(chǎn)品設(shè)計上靠各類智能體去吸引用戶，比如創(chuàng)意繪畫，專業(yè)翻譯，音樂生成等細分場景。但現(xiàn)在基本都還處在早期發(fā)展階段，各大玩家間的智能體生態(tài)表現(xiàn)同質(zhì)化，靠渠道砸錢拉新買量之后，留存和促活還是要回歸產(chǎn)品對用戶最真實的服務(wù)價值，用戶需求的適配性以及粘性都有待進一步的挖掘和培育。

QuestMobile數(shù)據(jù)顯示，截止到今年7月，國內(nèi)目前月活千萬級流量的AI 原生應(yīng)用屈指可數(shù)，大多數(shù)native應(yīng)用的流量都低于100萬。

圖來源：QuestMobile 2024年7月數(shù)據(jù)

再來看后者，主要是公司現(xiàn)有的APP內(nèi)嵌AI插件，目標是增強核心場景的功能。這種形式具備一定的差異潛力優(yōu)勢，可以依托生態(tài)流量池，低成本觸達和經(jīng)營用戶，且可以快速跟同生態(tài)內(nèi)的其他業(yè)務(wù)融合，突圍概率較高。

比如短視頻內(nèi)嵌AI插件，要么定位于智能搜索，以此豐富平臺用戶的信息獲取渠道，要么通過AI插件提供虛擬社交服務(wù)，增強作者與粉絲之間的互動粘性；再比如，電商購物app內(nèi)嵌AI插件，京東京言、淘寶問問、抖音的AI購物助手等，均寄希望于通過AI工具解決用戶模糊的購物需求，加速訂單轉(zhuǎn)化。

看完C端市場后，再來看大模型與B端場景的結(jié)合。

不得不承認，大部分 To B產(chǎn)品的用戶體驗都差強人意，且基本上活得越久越難用。每增加一個功能，服務(wù)不到 1% 的用戶卻可能會勸退 99% 的用戶。而大模型的自然語言交互能力，可以把那些超過3步的功能，優(yōu)化到3步以內(nèi)。

因此，在To C場景里也許尚有不少廠商在考慮怎么做 AI 原生應(yīng)用，而在To B場景里，優(yōu)先考慮的是怎么把原生的應(yīng)用給 AI 化，在工作流中升級人機交互和數(shù)字體驗，去做效率的倍數(shù)升級。

尤其是，在B端已經(jīng)有穩(wěn)定客源、積累了足夠私有數(shù)據(jù)的行業(yè)模型企業(yè)，完全可以趁勢與客戶展開更深度的AI合作，用工程化的方案去解決垂直領(lǐng)域和專業(yè)領(lǐng)域的問題并將其產(chǎn)品化和商業(yè)化。

之前我看過有贊創(chuàng)始人白鴉的訪談，他舉了一個SaaS系統(tǒng)的智能化案例。向來被人詬病「重系統(tǒng)設(shè)計輕用戶體驗」的SaaS系統(tǒng)，無論是營銷、客服、CRM 等，一直都陷入一個困局：在不斷疊加功能以支持核心客戶的定制化需求的同時，也伴隨著系統(tǒng)易用性下降的問題。

具體來說，在產(chǎn)品方面，留存數(shù)據(jù)的兼容性有待提升，而調(diào)整的成本又較高；原有系統(tǒng)不好用，存在過度依賴業(yè)務(wù)專家經(jīng)驗的問題；在收益方面，產(chǎn)品創(chuàng)新能力不足，難以鎖定客戶的長期預(yù)算。

而 AI 的出現(xiàn)改變了這種情況。即使你的平臺有成千上萬個功能，你也可以通過喚起智能助手，基于命令式的自然語言對話告訴它你的意圖，由智能助手一鍵直達某個功能，或者一鍵幫你執(zhí)行你想要的自動化任務(wù)，例如管理商品，管理客戶，管理營銷活動等。

也許你會說，智能助手我熟，早期PC時代沖浪的時候就有了，網(wǎng)站右下角掛載的客服機器人是吧？這并不是一項新技術(shù)啊，怎么就能大殺四方？

不僅如此，相信你不止一次困惑，新出的某AI應(yīng)用似曾相識，定睛一看，這……這應(yīng)用我分明是見過的??？

是的，這也是AI產(chǎn)品讓人捉不著頭腦的地方。從前我們體驗產(chǎn)品調(diào)研競品的時候，往往是站在產(chǎn)品形態(tài)的視角，重視覺和交互帶來的新功能新體驗，但當產(chǎn)品能力從交互層轉(zhuǎn)移到 AI 層，倘若我們對技術(shù)領(lǐng)域理解不夠深刻，就很難體會到其中的差異點。

因此，理解新舊 AI 應(yīng)用請回歸大模型的本質(zhì)，即：大模型是一種基于海量數(shù)據(jù)預(yù)先訓(xùn)練好的生成式人工智能，通過特定的模型結(jié)構(gòu)理解并生成自然語言，以完成各種任務(wù)。

關(guān)鍵字：預(yù)先訓(xùn)練，生成式，特定模型

上述的三個特點正是基于AIGC的助手與傳統(tǒng)智能助手的核心差異：

數(shù)據(jù)規(guī)模和多樣性：正因為大模型在海量數(shù)據(jù)上進行預(yù)訓(xùn)練，能夠理解更復(fù)雜的語境和多樣化的表達方式，這使得AIGC助手相比之下能更準確地捕捉上下文信息并理解用戶的意圖。

生成能力：傳統(tǒng)助手通常依賴于固定的響應(yīng)模板，而AIGC助手不僅能夠理解用戶的指令，還能生成多樣化的響應(yīng)和建議，幫助用戶完成復(fù)雜的任務(wù)；

適應(yīng)性和學(xué)習(xí)能力：Transformer神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能讓AIGC助手不斷學(xué)習(xí)用戶的偏好和行為，根據(jù)用戶的反饋和歷史交互進行調(diào)整，這種自適應(yīng)能力使得智能助手在不同場景下都能有效地滿足用戶需求。

而這些差異，相信你站在用戶視角是很難洞察到的。

3. AI產(chǎn)品經(jīng)理的底牌和命門

OK，那站在產(chǎn)品經(jīng)理的視角呢，我們能做點什么準備？

不得不承認，無論是B端還是C端的 AI 相關(guān)產(chǎn)品，我們都缺乏系統(tǒng)深入的、全面直觀的研究。

一方面是面不夠廣，用得太少，看到大量新的AI 應(yīng)用誕生，除了嘗鮮之外，如何全面體驗產(chǎn)品仍是一籌莫展；另一方面是理解不夠深入，缺乏針對性的分析，對于 AI 產(chǎn)品缺少全局的歸納能力，也就很難抓住產(chǎn)品主要矛盾。

那么，AI產(chǎn)品經(jīng)理的底牌是什么？

插個題外話，今天我們會把這個崗位高亮出來，只是因為我們還不熟悉，都還在蹣跚學(xué)步的狀態(tài)。

作為產(chǎn)品使用方，我們正逐漸熟悉基于 AI 軟件的基本單元：提示詞、上下文窗口、少樣本學(xué)習(xí)和多模態(tài)等，也試圖利用 ChatGPT 、Claude 等平臺去創(chuàng)建適合我們特定領(lǐng)域的工作流。而作為產(chǎn)品生產(chǎn)方，也就是從這個過程中催生的職業(yè)，相信總有一天會在歷久彌新的變遷中逐步形成職業(yè)的通識。

先來捋一下，在AI產(chǎn)品經(jīng)理之前，傳統(tǒng)產(chǎn)品經(jīng)理的工作流是什么？

過去我們會把產(chǎn)品經(jīng)理區(qū)分兩大類：C端和B端產(chǎn)品經(jīng)理，一個是重商性，目標是幫企業(yè)提高效率和效益；一個是重人性，滿足人性的貪嗔癡。但二者的職責相似度很高：他們都需要對產(chǎn)品的全生命周期管理負責，包括前期的市場調(diào)研和競爭分析、制定產(chǎn)品路線圖，過程中持續(xù)規(guī)劃產(chǎn)品的功能和迭代計劃、協(xié)調(diào)跨職能團隊，最后確保產(chǎn)品按時上線和落地案例，并配合運營、銷售團隊在市場上推廣。

基于該工作流，傳統(tǒng)產(chǎn)品經(jīng)理需要懂用戶，懂業(yè)務(wù)，懂產(chǎn)品，具備技術(shù)思維和設(shè)計sense。而這些基礎(chǔ)素質(zhì)也同樣作用于AI產(chǎn)品經(jīng)理，這都是產(chǎn)品經(jīng)理的底牌，是立身之本。

而在此基礎(chǔ)上，二者的差異點在哪？

當我們在談角色的區(qū)別，無非是在尋找其中的變量。那么首先，我們來看下大模型帶來的業(yè)務(wù)變量。

網(wǎng)上有個觀點，提倡大模型本質(zhì)上帶來的是人機交互范式的轉(zhuǎn)變：從圖形用戶界面( GUI )轉(zhuǎn)向自然語言用戶界面( LUI )。對此我是認同的，在相當長一段時間內(nèi)，這兩種交互范式都會并存，且互為補充。

相應(yīng)的，設(shè)計產(chǎn)品方案的思路隨之調(diào)整。

一直以來，機器不理解人類語言，只能人去理解機器語言。于是產(chǎn)品全生命周期的上下游角色的能力模型涇渭分明：產(chǎn)品經(jīng)理懂業(yè)務(wù)邏輯，程序員懂編程語言，設(shè)計懂視覺交互。大家分工協(xié)作得當，一拍即合，軟件產(chǎn)品從需求規(guī)劃，原型設(shè)計，交互設(shè)計，前后端開發(fā)，測試上線等全鏈路就這么跑通了。

產(chǎn)品研發(fā)團隊紛紛投入時間去研究前端界面的交互和后端服務(wù)的設(shè)計，一切似乎都順理成章。其中，產(chǎn)品經(jīng)理和設(shè)計師反復(fù)掰扯的UX界面調(diào)整，本質(zhì)就是產(chǎn)品經(jīng)理推演用戶需求提供方案的一種表達方式。

而大模型的出現(xiàn)讓計算機能夠理解并生成自然語言，這徹底改變了人機交互的方式，相應(yīng)的也改變了背后支撐這些業(yè)務(wù)的角色職責。

奇績論壇的創(chuàng)始人陸奇說，你起步就得是自然語言交互，告訴用戶“你跟我怎么交互“。

因此，基于業(yè)務(wù)需求的理解，產(chǎn)品經(jīng)理得從以前側(cè)重交互和視覺效果，轉(zhuǎn)變成通過自然語言，告訴用戶你在哪里，有什么，怎么用，怎么用好，即：

• 我在哪里：合理的、自然的產(chǎn)品入口，比如微軟Office 365 的小助手入口，Notion AI在文本輸入框里的嵌入式入口；
• 我有什么：使用清晰的語言向用戶介紹可用的功能和常見問題解答，引導(dǎo)用戶更快地理解系統(tǒng)的能力。
• 我怎么用：明確指導(dǎo)用戶如何與系統(tǒng)互動，包括可接受的輸入方式（如文字、語音、圖片、視頻等），以及每種方式的優(yōu)勢和限制；
• 怎么用好：提供使用技巧和最佳實踐，幫助用戶充分利用大模型的功能，優(yōu)化其應(yīng)用場景。例如，推薦一些常見問題的提問方式和正確示例，提升用戶的使用體驗和結(jié)果。

而為了回答上述問題，AI 產(chǎn)品經(jīng)理要更懂工程鏈路。如果你一開始不明確工程鏈路，大概率會影響你之后所有業(yè)務(wù)邏輯的實現(xiàn)方式和產(chǎn)品的能力邊界。

那么，究竟什么是工程鏈路？

工程鏈路是指在AI產(chǎn)品開發(fā)過程中，從需求識別、模型選擇、數(shù)據(jù)處理、系統(tǒng)集成到最終用戶交互的全流程。

以業(yè)務(wù)應(yīng)用內(nèi)嵌AI的產(chǎn)品為例。在這全流程里，涉及到的不僅是技術(shù)實現(xiàn)，更是理解模型能力與產(chǎn)品需求之間的關(guān)系，確保設(shè)計的每一步都能推動產(chǎn)品向更高效、更智能的方向發(fā)展。

圖：AI產(chǎn)品的工作鏈路

相比傳統(tǒng)產(chǎn)品經(jīng)理，尤其是在需求分析和產(chǎn)品策略的設(shè)計上，你要注入更多的心血：

1）需求分析：深入理解業(yè)務(wù)場景和需求，倒推并抽象你需要模型具備的能力。

比如你在做客戶服務(wù)場景，目標是提高顧客服務(wù)效率和滿意度，拆解目標后你需要讓模型基于底層知識庫、話術(shù)推薦等信息，輔助甚至是替代人工客服收集顧客信息完成電商場景的售前導(dǎo)購、答疑解惑、售后服務(wù)等流程。而這些能力抽象出來后，要定義一條評估的基準線，確保能夠指導(dǎo)產(chǎn)品優(yōu)化后的效果觀測。

2）策略設(shè)計：包括系統(tǒng)集成和交互設(shè)計。

對AI應(yīng)用的產(chǎn)品經(jīng)理而言，基座模型是一個黑盒的狀態(tài)，你沒辦法對其進行干預(yù)和優(yōu)化，因此更多重心會放在提示工程優(yōu)化、外部知識庫或是聯(lián)網(wǎng)策略優(yōu)化等方式去提升效果。

舉個例子，現(xiàn)在你要利用現(xiàn)有的基座模型去搭建一個抖音創(chuàng)作者的AI分身，那你就得定義清楚創(chuàng)作者分身需要具備的能力、解決的典型問題 (比如負責粉絲答疑、知識科普、虛擬陪伴等)，然后給出這些能力的評估標準(比如對話準確率、對話輪次等) 和評估方法，再對結(jié)果進行打分和分析?；谶@個結(jié)果驅(qū)動產(chǎn)品經(jīng)理拆解問題，持續(xù)迭代需求。

基于工程鏈路的理解，當你日常工作中接收到用戶的需求反饋時，你就清楚自己要在鏈路中的哪個環(huán)節(jié)下功夫，才能真正解決問題。

比如，你在做商家智能客服產(chǎn)品，用戶吐槽客服對話的效果差，對話質(zhì)量不高，經(jīng)常答非所問或廢話連篇。

這類型問題很常見，也是產(chǎn)品經(jīng)理日常中最亟需解決的問題。大模型的工作原理決定了，模型被訓(xùn)練完成后，即便擁有了通用和特定領(lǐng)域的知識、智商、推理能力，能較好地適配到特定的業(yè)務(wù)場景發(fā)揮最大的效果，但依然會存在對話效果不佳答非所問或回答不及預(yù)期的情況。

為了提升對話質(zhì)量，你就需要從工程鏈路分析解法：

1）沒能力？模型結(jié)構(gòu)需要調(diào)整，在成本可控效率可控的情況下，基于原來已經(jīng)預(yù)訓(xùn)練的模型進行微調(diào)。

2）有能力但沒數(shù)據(jù)？要提升語料的豐富性和多樣性，可以考慮外掛知識庫，或是讓模型通過索引網(wǎng)站/搜索引擎上的內(nèi)容對其進行處理后再輸出內(nèi)容；

3）有能力有數(shù)據(jù)但提問不準確？要優(yōu)化prompt工程，設(shè)計和編寫提示文本，包括選擇合適的詞匯、引導(dǎo)詞、上下文等，引導(dǎo)模型生成符合特定要求的內(nèi)容。

看到這你大概明白了，轉(zhuǎn)型AI產(chǎn)品經(jīng)理的命門就在這——

一方面，在產(chǎn)品方案設(shè)計上，你得擺脫傳統(tǒng)上對于信息呈現(xiàn)和推演方式的慣性，從圖形用戶界面( GUI )轉(zhuǎn)向自然語言用戶界面( LUI )，提供產(chǎn)品增益價值；

另一方面，在技術(shù)方案設(shè)計上，相比從前對于硬編碼的推崇，你得掌握產(chǎn)品的工程優(yōu)化鏈路，思考用語言模型去實現(xiàn)功能本身、以及功能之間的連接方式的可能性。

因此，相比傳統(tǒng)產(chǎn)品經(jīng)理在前端界面交互和后端服務(wù)設(shè)計的投入，AI產(chǎn)品經(jīng)理更應(yīng)該把精力投射在以下兩個方面：

1）產(chǎn)品邊界（生存問題）：現(xiàn)階段的產(chǎn)品有哪些局限性，這些局限性哪些是可以通過模型迭代得到解決的，哪些是不能的，不能的話是要通過插件、prompt工程還是其他能力；

2）產(chǎn)品價值（發(fā)展問題）：從更底層的業(yè)務(wù)角度，去分析產(chǎn)品新體驗相比舊體驗的價值增量，在商業(yè)意義上真正的價值在哪。

4. AIGC是萬金油嗎？

理解了AI產(chǎn)品經(jīng)理的底牌和命門，你大概對自己目前經(jīng)驗的匹配度清楚了，對后續(xù)要強化的能力也有數(shù)了。但，是否要一頭扎進AI業(yè)務(wù)里呢？

不少人找我咨詢過，想追熱點，想盡快轉(zhuǎn)型，想成為少數(shù)人之一。

回到文章開頭，我提到「各行各業(yè)都可以結(jié)合 AI 技術(shù)重塑」，聽起來AIGC似乎是萬金油？其實不然。

雖然人人把AIGC擺在臺面說事，新興應(yīng)用依然層出不窮，大量GPT套殼APP、套殼插件除了搶時間紅利的價值外，沒有足夠深的護城河，很難發(fā)揮出真正的產(chǎn)品價值。

而存量的成熟業(yè)務(wù)呢，似乎也能蹭一蹭熱點，但怎么有效結(jié)合，新體驗相比舊體驗的價值增量有待商榷。

也許對團隊而言，為此擴充了新的盤子和資源，但朝令夕改的業(yè)務(wù)方向，摸著石頭過河的激進推廣，邊跑邊被吃掉的生存危機，更多的是對團隊成員的消耗；而對用戶而言，眼花繚亂的AI應(yīng)用已然無法輕易打動他們的心，即便有幸在社交媒體上一時風靡，傳播的速度也抵不過用戶嘗鮮熱情的消退速度。

于是很多公司在AI業(yè)務(wù)的布局上慢慢變得謹慎，在沒想好的情況下，跟風去做 AI 能力不如不做，因為成本不菲；還不如去做存量業(yè)務(wù)里杠桿率更高的事，躺在功勞簿上吃老本都比砸鍋耗材的性價比更高。

仰天長嘯，究竟AI落地為什么這么難？

最主要的矛盾是，用戶預(yù)期與模型能力之間的Gap。想想看，什么用戶/客戶更容易接受新技術(shù)新體驗？

這群用戶趟過互聯(lián)網(wǎng)的高速膨脹期，本身對互聯(lián)網(wǎng)產(chǎn)品都相當挑剔。而AI和互聯(lián)網(wǎng)最大的區(qū)別是，從前互聯(lián)網(wǎng)越過0分就是增量，有一個大亮點就可以打天下，而AI不到60分的話，就沒有實用價值。

因此，如果你想轉(zhuǎn)型做AI產(chǎn)品，你要思考清楚：這個業(yè)務(wù)的定位是什么，值不值得你投入。

眼下各大公司在AI業(yè)務(wù)的定位一般分為三種：

1）對原行業(yè)的顛覆：目前尚不明朗，風險系數(shù)極高；

2）創(chuàng)造新的應(yīng)用場景：

當交互和工程范式發(fā)生變化，原來很多不能做的東西可以去做了，以及很多已有工具解決的問題可以用更好的工具解決。前文提到的短視頻平臺的虛擬社交服務(wù)，就是這個例子。

再比如：文本生成類的業(yè)務(wù)探索，你可以將研發(fā)流程向上游進一步延伸，探索端到端的從 prd 的產(chǎn)出到代碼需求上線。

本質(zhì)上這是一種新的迭代方式，以一種更高效和自動化的方式。

3）將 AI 能力融入到已有的產(chǎn)品流程：

這也是很多大廠優(yōu)先考慮的業(yè)務(wù)方向：改造已有的作業(yè)流，前文提到的SaaS系統(tǒng)的智能助手，電商購物平臺的導(dǎo)購助理等，都驗證了這一點。

再比如，假設(shè)你在負責oncall系統(tǒng)，為了提升已有的oncall攔截率，你可以考慮：將人工排查部分通過插件自動化，比如封裝常見多種排查手段，讓 AI 進行自動化調(diào)用等。

回頭去看最早寶潔公司定義的產(chǎn)品經(jīng)理：一個人同時負責從品牌、渠道、定價到供應(yīng)鏈所有的問題。后來互聯(lián)網(wǎng)興起，產(chǎn)品經(jīng)理開始高度分工和職能化，反而變得不那么多元。

而現(xiàn)在AI 產(chǎn)品經(jīng)理，或許又要回到最開始的復(fù)合型人才，只是具體要求不同了。ta得知道技術(shù)邊界在哪里，對大模型底層能力、后端的系統(tǒng)整合、以及 prompt 工程有了解，也要在平衡用戶價值的同時考慮成本的投入問題。

而即便如此，我們?nèi)匀粺o法預(yù)知未來的大模型如何推演，能力上限也好，演進速度也好，都是一個不確定性很強的領(lǐng)域。在這種情況下，對個人而言，判斷一個業(yè)務(wù)值不值得投入的時候就不必去追技術(shù)熱點，你得抓住確定性的那一面：

1）組織對這個業(yè)務(wù)的意志是否明確？即：是否有決心投入資源，有足夠耐心打磨方案；

2）業(yè)務(wù)路徑的清晰度，如果是新興領(lǐng)域，大概率還在摸著石頭過河，所有決策和執(zhí)行過程都容易失焦，可能會伴隨團隊和業(yè)務(wù)的調(diào)整問題，對此你是否能接受？

如果能，那就做好高風險收益不明的心理建設(shè)，降低預(yù)期，充分預(yù)估這個事的難度，設(shè)定安全閾值，不要讓各種事件給你制造焦慮和不安。然后耐下性子，久久為功（當然久久也是有期限的），再以半年甚至是一個季度的緯度去要求自己去磨合。

說到底，在當下這個技術(shù)漲潮期，半徑太長的宏大敘事都很難落地，只能一個問題一個問題地去解決，爭取讓所有的積累成為下一次變革中能派上用場且越來越有力量的東西。

共勉。