起點課堂會員權益
職業(yè)體系課特權
線下行業(yè)大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業(yè)技能直播
會員專屬社群
榮耀標識AI時代產(chǎn)品經(jīng)理的“能力重塑”：從功能定義者到人機協(xié)作的編排者
AI大潮下，產(chǎn)品經(jīng)理的角色正經(jīng)歷著前所未有的重塑。從依賴確定性的功能設計到擁抱概率性的黑盒輸出，從畫原型的執(zhí)行者轉型為人機協(xié)作的指揮家。本文將深入探討AI產(chǎn)品經(jīng)理必備的思維升級——如何管理不確定性、理解技術邊界，以及重構'數(shù)據(jù)-模型-場景'的核心三角關系，揭示這場職業(yè)范式轉變的本質(zhì)與機遇。
這篇文章想聊聊我最近一直在琢磨的事，就是AI到底把我們產(chǎn)品經(jīng)理這個崗位，推到了一個什么樣的位置上
說實話，這不 是一篇系統(tǒng)性的教程，更像是我作為一個在一線摸爬滾打好幾年的AI產(chǎn)品經(jīng)理，跟朋友們的一次深夜長談，想到哪說到哪，希望能給你帶來一點點不一樣的啟發(fā)
引言：畫原型的PM正在消失，新時代的號角已吹響
最近圈子里總能聽到一種聲音，說“畫原型的PM正在消失”
我剛聽到的時候，心里咯噔一下，畢竟畫原型、寫PRD是我們吃飯的家伙
但靜下來想想，這話雖然有點刺耳，卻戳中了一個血淋淋的現(xiàn)實
過去，我們產(chǎn)品經(jīng)理的核心工作是定義功能，把一個需求掰開了揉碎了，設計出清晰的邏輯、流暢的交互，然后交給研發(fā)去實現(xiàn)
我們追求的是確定性，用戶點擊這個按鈕，就必須跳轉到那個頁面，輸入這個條件，就必須返回那個結果，一切都得在我們的掌控之中
可AI來了，一切都變了
AI，尤其現(xiàn)在的大模型，它本質(zhì)上是一個“概率性的黑盒”
你給它一個輸入，它給你一個輸出，這個輸出不是百分之百確定的，它只是一個概率上最可能的結果
這就好比你以前是在設計一條嚴絲合縫的管道，水從這頭進，必須從那頭出
現(xiàn)在你面對的是一片云，你只能告訴它大概往哪個方向飄，但你沒法精確控制每一滴水珠的軌跡
這種根本性的變化，直接沖擊了我們過去賴以生存的技能樹
所以，我覺得AI產(chǎn)品經(jīng)理的角色，正在從“功能的定義者”轉變?yōu)椤叭藱C協(xié)作的編排者”
這個轉變聽起來有點虛，但它意味著我們的護城河和必備技能，正在發(fā)生根本性的重塑
我們不再是那個畫圖紙的建筑師，而更像是一個交響樂團的指揮家，手里拿著的不是畫筆，而是指揮棒，要讓AI這個天賦異稟但偶爾會“即興發(fā)揮”的樂手，和人類用戶這個最終的聽眾，完美地協(xié)同起來，演奏出一曲和諧的樂章
這事兒，比畫幾個原型可難多了
思維重塑：從“確定性邏輯”到“概率性思維”
聊能力之前，我覺得最重要、最底層的，是思維模式的轉變
如果腦子里的操作系統(tǒng)不升級，學再多新工具、新方法，也只是在舊地圖上找新大陸，注定會迷路
這個最關鍵的思維升級，就是從“確定性邏輯”切換到“概率性思維”
理解不確定性：你的產(chǎn)品開始會“猜”了
我們先來做個對比，你就明白我在說什么了
想一下你做的傳統(tǒng)產(chǎn)品，比如一個電商的下單流程
用戶選擇商品、加入購物車、填寫地址、支付，每一步都是確定的，輸入A，必然得到輸出B
如果用戶付了錢，訂單狀態(tài)沒有變成“已支付”，那就是一個嚴重的Bug，是事故，是要被拉去祭天的那種
但在AI產(chǎn)品里，情況完全不同
你做一個智能摘要的功能，用戶扔進去一篇萬字長文，AI給你一個三百字的摘要
這個摘要是不是百分百完美概括了所有要點
不一定
它可能漏掉了一個你認為很重要的細節(jié)，或者對某句話的理解出現(xiàn)了偏差
這就是AI的“不確定性”，它的輸出是基于概率的，它只是“猜”出了一個它認為最好的答案
作為AI產(chǎn)品經(jīng)理，你得打心底里接受并且擁抱這種不確定性
你要建立概率思維，理解模型的每一個輸出都帶著一個“置信度”，它自己也在嘀咕：“我大概有95%的把握，這個答案是對的”
你還要理解AI一個很可愛的毛病，叫“幻覺”
就是它會一本正經(jīng)地胡說八道，編造一些不存在的事實，而且說得有鼻子有眼
這時候，你的工作就不是去追求一個“完美”的、永不出錯的AI，那是神，不是AI
你的工作是評估這種不確定性的業(yè)務影響
比如，一個推薦系統(tǒng)，5%的推薦不準，用戶可能劃走就忘了，問題不大
但一個醫(yī)療診斷AI，5%的誤診率，那可能就是人命關天的大事
所以，你得像個風險評估師一樣，去量化這種不確定性帶來的后果，并把它作為你產(chǎn)品設計最重要的輸入之一
管理不確定性：從追求完美到設計容錯
理解了不確定性，下一步就是怎么去管理它
既然AI會犯錯，那我們就得給它設計一個“安全網(wǎng)”，讓它即使犯錯了，也不會造成災難性的后果
這就要求我們的產(chǎn)品設計理念，從追求完美的線性流程，轉向設計一個魯棒的、有彈性的系統(tǒng)
我舉個最經(jīng)典的例子，智能客服
一個好的智能客服產(chǎn)品，絕對不是指望AI能回答用戶所有的問題
那不現(xiàn)實
它背后一定有一套精心設計的容錯和降級機制，我管它叫“三級應答降級策略”
第一級，AI直接回答
用戶問一個常見問題，比如“你們什么時候發(fā)貨”，AI模型直接根據(jù)知識生成答案，這是最高效的
第二級，知識庫匹配
如果AI發(fā)現(xiàn)這個問題它沒把握直接生成答案，或者它判斷這個問題比較復雜，它就不會硬著頭皮去“猜”，而是會去一個結構化的知識庫里，做精準匹配，找到最相關的標準答案或者文檔，然后呈現(xiàn)給用戶
這步的準確性比AI生成要高，但覆蓋面可能窄一些
第三級，人工接管
如果前面兩步都搞不定，或者用戶明確表達了“我要找人工”，系統(tǒng)就必須能無縫地把對話轉接給人類客服
重點來了，這個轉接不是簡單地把用戶扔給人工就完事了
一個好的設計是，把前面AI和用戶的完整對話歷史、AI的初步判斷，都打包發(fā)給人工客服，這樣人工客服一上來就知道前因后果，不用再讓用戶重復一遍問題
你看，這個“三級火箭”的設計，就是典型的管理不確定性
它承認了AI的能力邊界，并且為AI的“無能為力”設計了優(yōu)雅的退出通道
作為產(chǎn)品經(jīng)理，你的大部分精力，可能不是在優(yōu)化AI那一級的回答有多驚艷，而是在設計這個降級策略的觸發(fā)時機、不同策略間的銜接流程、以及如何讓整個系統(tǒng)的體驗盡可能順滑
這種為不確定性設計“安全墊”的思路，才是AI時代產(chǎn)品經(jīng)理的核心價值所在
能力重塑一：技術理解——從“會用”到“懂邊界”
聊到技術，很多產(chǎn)品經(jīng)理可能會有點焦慮
是不是得去學Python，去讀懂那些復雜的論文
我的看法是，大可不必，我們畢竟不是算法工程師
但AI產(chǎn)品經(jīng)理對技術的理解深度，跟傳統(tǒng)產(chǎn)品經(jīng)理完全不是一個量級
過去，你可能只需要知道API是怎么調(diào)用的就行
現(xiàn)在，你需要從“會用”進化到“懂邊界”
這個“懂邊界”，不是讓你去實現(xiàn)技術，而是讓你能和技術做朋友，知道它的脾氣、它的長處和短板，從而做出最合理的產(chǎn)品決策
理解核心原理：跟你的AI搭檔用同一種語言溝通
你不需要會寫代碼，但你得懂一些黑話
這些黑話不是為了讓你在開會時顯得牛，而是它們直接影響你的產(chǎn)品設計
我隨便說幾個你必須得懂的概念
比如，大模型LLM，你知道它為什么叫“大”嗎，它的參數(shù)量、訓練數(shù)據(jù)量級意味著什么
再比如，Transformer架構，你不用懂里面復雜的數(shù)學，但你得知道它是怎么通過“注意力機制”看懂上下文的，這決定了它為什么擅長處理長文本和邏輯推理
還有Token，這個概念太重要了
它就像是AI處理語言的“像素點”，也是計算成本的單位
你知道了Token，才能理解為什么有些模型處理中文比英文貴，為什么長對話的成本會飆升
說到長對話，就必須提“上下文窗口”
這玩意兒就是AI的“短期記憶”，窗口越大，它能記住的對話歷史就越長，聊起天來就越像個正常人，不會三句話就忘了前面說過啥
你的產(chǎn)品設計，比如一個需要連續(xù)多輪對話才能完成任務的場景，就直接受限于這個窗口的大小
如果模型窗口只有4K，你卻設計了一個需要用戶輸入一萬字文檔來分析的場景，那工程師會直接告訴你，做不了
你看，這些概念都不是純技術，它們是技術和產(chǎn)品之間的橋梁，是你能否和算法工程師高效溝通的“通用語言”
你不懂這些，你提的需求可能在工程師看來就是天方夜譚
評估技術可行性：成為一個靠譜的“技術邊界翻譯官”
懂了基本原理，更進一步的能力，是準確評估技術的邊界
AI不是萬能的，它有自己擅長和不擅長的領域
產(chǎn)品經(jīng)理的一個關鍵職責，就是要把業(yè)務需求，翻譯成一個技術上可行的AI問題，并且清醒地認識到，在當前技術水平下，這個問題能被解決到什么程度
我再舉個醫(yī)療領域的例子
假設你想做一個AI輔助診斷產(chǎn)品，用來在CT影像上識別肺部結節(jié)
這是一個非常有價值的場景
但你不能簡單地跟算法團隊說：“我要一個能識別所有肺結節(jié)的AI，準確率99%”
一個懂邊界的產(chǎn)品經(jīng)理會問得更細
他會去調(diào)研，去和醫(yī)生、算法專家聊，然后了解到：目前的AI模型，對于大于8毫米的實性結節(jié)，識別效果可能已經(jīng)很好了，甚至超過人類平均水平
但對于小于3毫米的、磨玻璃狀的微小結節(jié)，模型的漏診率和誤診率可能還很高
這個“3毫米”就是當前技術的一個邊界
知道了這個邊界，你的產(chǎn)品設計就完全不一樣了
你不會去承諾一個“完美替代醫(yī)生”的產(chǎn)品
你會設計一個“醫(yī)生助手”產(chǎn)品，AI負責把那些大于8毫米的結節(jié)快速標記出來，節(jié)省醫(yī)生大量時間
對于那些小于3毫米的疑似區(qū)域，AI可以做一個低信度的提醒，但最終的判斷權必須交還給醫(yī)生，甚至需要設計一個雙人復核的流程來確保安全
這種基于技術邊界的、實事求是的產(chǎn)品設計，才是一個靠譜的AI產(chǎn)品
它把AI用在了刀刃上，同時又用流程和機制規(guī)避了它的短板
這種能力，是AI產(chǎn)品經(jīng)理不可替代的價值
掌握關鍵范式：為你的問題找到對的“錘子”
除了底層原理，你還得了解當前解決AI問題的一些主流“范式”或者說“套路”
就像一個木匠，你不僅得認識木頭，還得知道自己工具箱里有錘子、鋸子、刨子，并且知道什么時候該用哪個
現(xiàn)在AI領域，這幾個“工具”你必須得熟悉
Prompt工程，這可能是最基礎的了
怎么通過精心設計的提示詞，讓大模型更好地理解你的意圖，輸出你想要的結果
這本身就是一種產(chǎn)品設計，很多輕量級的AI應用，核心就是Prompt的設計
RAG，檢索增強生成
這是解決大模型“幻覺”和知識更新不及時問題的一大利器
簡單說，就是讓模型在回答問題前，先去你指定的知識庫里“翻書”，帶著參考資料來回答，而不是憑空瞎猜
你想做一個企業(yè)內(nèi)部的智能問答機器人，那RAG基本上是必選項
微調(diào)，F(xiàn)ine-tuning
如果RAG是給模型配了個外部大腦，微調(diào)就是對模型自己的大腦做“微創(chuàng)手術”
用你自己的特定數(shù)據(jù)，去訓練一個通用大模型，讓它更懂你的業(yè)務，說話更有你的“范兒”
比如，你想讓AI模仿某個作家的風格來寫作，微調(diào)就是個好辦法
Agent，智能體
這是現(xiàn)在最火的方向了
它不再是簡單的一問一答，而是能理解復雜目標，自己拆解任務，調(diào)用工具，一步步去完成
比如你對它說“幫我規(guī)劃一個五天的北京旅游攻略，并預訂機票和酒店”，一個強大的Agent就能自己去查天氣、查景點、調(diào)用訂票接口，最后給你一個完整的方案
作為產(chǎn)品經(jīng)理，你需要理解這些范式的適用場景、成本、優(yōu)缺點，然后在面對一個具體業(yè)務問題時，能做出合理的技術選型決策
是該用成本低的Prompt工程快速上線，還是用效果更好的RAG，或者是不惜血本去做一個微調(diào)模型
這種決策，直接決定了你產(chǎn)品的天花板和投入產(chǎn)出比
能力重塑二：工作重心——從“功能邏輯”到“數(shù)據(jù)-模型-場景”三角
如果說思維模式是底層操作系統(tǒng)，技術理解是硬件配置，那工作重心的轉移，就是你日常運行的應用程序變了
傳統(tǒng)產(chǎn)品經(jīng)理的工作重心，是功能邏輯和用戶體驗
我們癡迷于畫流程圖，優(yōu)化每一個按鈕的位置，為0.5秒的加載速度提升而歡呼
這些在AI時代依然重要，但它們不再是舞臺的唯一主角
AI產(chǎn)品的核心驅(qū)動力，已經(jīng)變成了“數(shù)據(jù)-模型-場景”這個新的三角飛輪
你的工作重心，也必須從單純的功能設計，轉移到如何轉動這個飛輪上來
數(shù)據(jù)驅(qū)動與閉環(huán)構建：你現(xiàn)在是“數(shù)據(jù)牧場主”
我經(jīng)常跟團隊里的人說，AI產(chǎn)品，模型是引擎，數(shù)據(jù)是燃料
沒有持續(xù)不斷的高質(zhì)量燃料供給，再牛的引擎也只是個擺設
所以，AI產(chǎn)品經(jīng)理的一個關鍵挑戰(zhàn)，甚至可以說是最重要的挑戰(zhàn)，就是構建數(shù)據(jù)閉環(huán)
什么叫數(shù)據(jù)閉環(huán)
就是你的產(chǎn)品上線后，用戶在使用過程中產(chǎn)生的數(shù)據(jù)，能夠被有效地采集回來，經(jīng)過處理和標注，再喂給模型去學習，讓模型變得更聰明，從而提供更好的產(chǎn)品體驗，吸引更多用戶來使用，產(chǎn)生更多的數(shù)據(jù)
這是一個正向的、能夠自我增強的循環(huán)
在這個循環(huán)里，產(chǎn)品經(jīng)理的角色不再僅僅是做功能優(yōu)先級的排序
你需要主導從數(shù)據(jù)采集、標注、反饋到模型再訓練的全流程設計
你需要像一個“數(shù)據(jù)牧場主”一樣，思考很多以前可能不太關心的問題
我的產(chǎn)品需要什么樣的數(shù)據(jù)
我該如何設計產(chǎn)品機制，讓用戶在自然使用中，就幫我把數(shù)據(jù)“標注”了
比如，一個AI繪畫產(chǎn)品，用戶反復修改Prompt最終生成了一張滿意的圖片，這個過程本身就是一條絕佳的訓練數(shù)據(jù)，它告訴模型，什么樣的Prompt對應著什么樣的好結果
你怎么把這個“滿意”的信號捕捉下來
是加一個“點贊”按鈕，還是分析用戶的下載行為
用戶反饋說AI的回答不好，這個“不好”到底是指什么
是事實錯誤，還是態(tài)度不好，還是答非所問
你需要在產(chǎn)品里設計精巧的反饋機制，讓用戶能方便地告訴你“不好”在哪里，這些負反饋數(shù)據(jù)和正反饋數(shù)據(jù)一樣珍貴
采集回來的數(shù)據(jù)，誰來標，怎么標，標注的質(zhì)量如何保證
這些問題，都需要你和數(shù)據(jù)團隊、算法團隊一起，設計一整套的策略和工具
可以說，在AI產(chǎn)品里，數(shù)據(jù)閉環(huán)的設計，其重要性一點也不亞于核心功能的設計
一個沒有數(shù)據(jù)閉環(huán)的AI產(chǎn)品，就像一輛出廠時加滿了油但再也無法加油的汽車，跑得再快，也總有耗盡的一天
場景洞察與價值定義：從“功能設計師”到“能力探索家”
當你的工作重心轉移到數(shù)據(jù)和模型上時，你對“價值”的定義也會發(fā)生變化
傳統(tǒng)產(chǎn)品的價值，往往體現(xiàn)在一個個具體的功能上
“我們做了一個一鍵分享功能，能提升用戶拉新率”
AI產(chǎn)品的核心價值，則更多地體現(xiàn)在“能力”上
模型本身是一種通用的能力，比如語言理解能力、圖像生成能力
產(chǎn)品經(jīng)理的核心價值，就從“設計功能”轉向了“探索能力的應用場景”
你需要像一個敏銳的探索家，拿著AI這個強大的新工具，深入到業(yè)務的千溝萬壑中，去尋找那些過去用傳統(tǒng)方法解決不了、或者解決得不夠好的“真問題”
這個過程，需要極強的場景洞察力
舉個例子，大模型展現(xiàn)出了強大的蛋白質(zhì)結構預測能力
這是一個非常底層的技術能力
作為產(chǎn)品經(jīng)理，你的任務就是去想，這個能力能用在什么地方創(chuàng)造價值
你可以把它用到新藥研發(fā)領域，去預測新的藥物分子和靶點蛋白的結合情況，從而大大縮短新藥的研發(fā)周期和成本
你也可以把它用到材料科學領域，去設計具有特定性能的新型蛋白質(zhì)材料
甚至可以把它用到食品工業(yè)，去開發(fā)新的人造蛋白，解決未來的食物來源問題
發(fā)現(xiàn)這些場景，定義這些問題，并把AI的能力和具體的業(yè)務流程結合起來，創(chuàng)造出實實在在的商業(yè)價值或社會價值，這才是AI產(chǎn)品經(jīng)理最激動人心的工作
這要求你不能只懂產(chǎn)品，你還得懂業(yè)務，懂行業(yè)
你需要和銷售、市場、行業(yè)專家、客戶緊密地泡在一起，去理解他們真正的痛點是什么，然后判斷AI這個“錘子”能不能砸開他們面前的“釘子”
這種從0到1的價值發(fā)現(xiàn)，比在成熟產(chǎn)品上優(yōu)化一個轉化率，要難得多，也更有成就感
能力重塑三：設計哲學——從“交互流程”到“人機協(xié)同系統(tǒng)”
聊到這里，你會發(fā)現(xiàn)，我們討論的東西，已經(jīng)離傳統(tǒng)的“界面”和“交互”越來越遠了
這就是我想說的第三個重塑：設計哲學的根本變化
AI產(chǎn)品經(jīng)理設計的對象，不再是用戶與界面的單向交互，而是人與AI之間復雜的、雙向的協(xié)作關系
你設計的，是一個“人機協(xié)同系統(tǒng)”
人機協(xié)同設計：你現(xiàn)在是“關系設計師”
過去我們設計一個產(chǎn)品，思考的路徑是：用戶有什么目標，他需要經(jīng)過哪些步驟，點擊哪些按鈕，才能完成這個目標
我們是在為人設計一條通往目標的“路徑”
現(xiàn)在，這條路徑上多了一個新角色：AI
你需要設計的，是人與AI在這條路徑上如何分工，如何配合，如何互相信任，如何互相糾錯
你成了一個“關系設計師”，設計的是人與AI之間的協(xié)作關系
我們再回到那個醫(yī)療AI的例子
一個好的人機協(xié)同設計，會非常精細地去規(guī)劃整個工作流
第一步，AI標記
AI快速掃描幾百張CT影像，把所有疑似結節(jié)的地方都標記出來，并給出它的判斷依據(jù)和置信度
這是發(fā)揮AI效率優(yōu)勢的地方
第二步，醫(yī)生復核
醫(yī)生不需要再從頭看每一張片子，他只需要聚焦在AI標記的區(qū)域，進行確認、修改或者刪除
這個界面怎么設計就很講究
是把AI的標記直接畫在圖上，還是并排展示
AI的置信度要不要顯示給醫(yī)生，如果顯示了，會不會產(chǎn)生“錨定效應”，影響醫(yī)生的獨立判斷
這些都是你需要反復權衡的設計細節(jié)
第三步，雙盲校驗
為了保證最終的質(zhì)量，并且持續(xù)優(yōu)化模型，你可能還需要設計一個校驗流程
比如，隨機抽取一部分AI和醫(yī)生都診斷過的病例，交給一個更資深的專家進行“雙盲”復審，既不告訴他AI的判斷，也不告訴他初審醫(yī)生的判斷
這個專家的最終結果，就可以作為“金標準”，用來同時評估AI的性能和初審醫(yī)生的水平
你看，整個流程里，AI和人不再是主仆關系，而是一個團隊的兩個成員
AI負責“粗篩”，人負責“精判”，流程負責“質(zhì)控”
你需要清晰地定義每個角色的職責、權力和責任歸屬
當AI出錯時，責任在誰
當人和AI的判斷不一致時，以誰為準
這些問題，都成了產(chǎn)品設計的一部分
Agent管理與編排：從“指揮官”到“總導演”
如果說人機協(xié)同設計是管理一個AI和一個人，那隨著AI Agent的發(fā)展，產(chǎn)品經(jīng)理很快就要面臨一個更復雜的挑戰(zhàn)：管理和編排一群AI
未來的很多復雜任務，可能不是由一個大而全的超級AI完成的，而是由多個各有所長的、小而美的AI Agent協(xié)同完成的
就像一個電影劇組，有導演，有攝影師，有燈光師，有剪輯師
你的角色，就從一個指揮單個士兵的指揮官，變成了調(diào)度整個劇組的“總導演”
你需要設計這些Agent之間的協(xié)作協(xié)議和任務流程
比如，一個自動化的市場分析報告生成系統(tǒng)
你可能需要一個“信息搜集Agent”，負責去網(wǎng)上爬取最新的行業(yè)新聞、財報數(shù)據(jù)、社交媒體評論
一個“數(shù)據(jù)分析Agent”，負責清洗和處理搜集來的數(shù)據(jù)，生成圖表和關鍵指標
一個“觀點生成Agent”，負責基于數(shù)據(jù)分析的結果，提煉出核心觀點和洞察
還有一個“報告撰寫Agent”，負責把圖表、觀點用流暢的語言組織成一篇完整的報告
作為產(chǎn)品經(jīng)理，你的工作就是“編排”這個流程
信息搜集Agent要把數(shù)據(jù)以什么格式交給數(shù)據(jù)分析Agent
觀點生成Agent如果發(fā)現(xiàn)了矛盾的信息，應該如何處理，是向上匯報，還是自己做個裁決
整個流程的最終目標是什么，如何衡量這個由多個Agent組成的“團隊”的工作效果
這已經(jīng)非常接近于一家小公司的管理工作了，你需要設計組織架構、工作流程和KPI
這項新技能，我覺得在未來會變得越來越重要，它要求產(chǎn)品經(jīng)理具備極強的系統(tǒng)思維和抽象能力
能力新增：倫理、風險與商業(yè)化的新維度
前面聊的都是對現(xiàn)有能力的“重塑”，但AI也給我們帶來了一些全新的、過去可能不太需要操心的“增量”能力
這些能力，決定了你的產(chǎn)品能走多遠，能飛多高，能不能安全落地
我把它們歸結為三個新維度：倫理、風險和商業(yè)化
倫理與合規(guī)設計：你的產(chǎn)品有了“價值觀”
AI是有價值觀的，它的價值觀來自于訓練它的數(shù)據(jù)，也來自于設計它的我們
一個在充滿偏見的數(shù)據(jù)上訓練出來的模型，它的輸出也必然會帶著偏見
比如，一個招聘篩選AI，如果訓練數(shù)據(jù)里大部分高管都是男性，那它在篩選簡歷時，可能就會不自覺地歧視女性候選人
作為產(chǎn)品經(jīng)理，你不能再說“技術是中立的”
你必須主動地、前置地將倫理考量內(nèi)置于產(chǎn)品設計之中，成為一個“負責任的創(chuàng)新者”
你需要和算法團隊一起，去檢測和消除數(shù)據(jù)里的偏見
你需要設計內(nèi)容的過濾機制，防止AI被用來生成有害的、不合法的信息
你需要思考產(chǎn)品的透明度和可解釋性，當AI做出一個重要決策時，我們能不能向用戶解釋，它為什么會這么判斷
同時呢，全球各國對AI的監(jiān)管也越來越嚴，比如歐盟的AI法案
你需要像個法務專家一樣，去了解這些法規(guī)，確保你的產(chǎn)品從設計之初就是合規(guī)的
這些工作，以前可能是公司法務或者公共關系部門的事，現(xiàn)在，它們成了AI產(chǎn)品經(jīng)理的必修課
風險管理：為你的“黑盒”裝上儀表盤
AI產(chǎn)品充滿了各種各樣的風險
技術上有“模型漂移”的風險，就是說模型上線跑了一段時間后，因為現(xiàn)實世界的數(shù)據(jù)分布發(fā)生了變化，它的性能會慢慢下降，就像一把刀用久了會變鈍
市場上也有風險，你的競爭對手可能發(fā)布了一個效果好得多的新模型，一夜之間讓你的產(chǎn)品毫無優(yōu)勢
作為產(chǎn)品經(jīng)理，你需要建立一套系統(tǒng)性的風險管理機制
你需要為你的“黑盒”模型裝上各種“儀表盤”，持續(xù)監(jiān)控它的關鍵性能指標，比如準確率、響應時間、用戶滿意度等等
一旦發(fā)現(xiàn)指標異常波動，就要能觸發(fā)預警，并啟動相應的應對預案
是需要重新標注一批數(shù)據(jù)來更新模型，還是需要調(diào)整產(chǎn)品的降級策略
這種主動的、體系化的風險管理思維，能讓你的產(chǎn)品在充滿不確定性的市場里，走得更穩(wěn)
復雜商業(yè)化思維：怎么賣“算力”和“智慧”
最后聊聊錢的事
AI產(chǎn)品的成本結構和價值模式，跟傳統(tǒng)軟件很不一樣，這也要求我們有更復雜的商業(yè)化思維
AI的成本，很大一塊是推理時的算力成本
用戶每調(diào)用一次模型，都是在燒實實在在的GPU
這就催生了很多新的商業(yè)模式
比如，按Token計費
用戶用了多少Token，就付多少錢，非常直接，但也給用戶帶來了不確定性，他不知道一次任務到底要花多少錢
你怎么把這種復雜的計費模式，包裝成一個用戶能理解、愿意接受的定價方案
是提供不同檔位的套餐包，還是提供一個成本預估工具
還有，按效果付費
比如，一個銷售線索推薦AI，可以根據(jù)推薦線索的最終成單率，來分級定價
這聽起來很美好，但怎么去公平、可信地追蹤和衡量“效果”，又是一個巨大的挑戰(zhàn)
作為產(chǎn)品經(jīng)理，你不僅要設計產(chǎn)品功能，還要設計產(chǎn)品的定價策略和ROI計算模型
你需要能跟客戶、跟銷售算清楚一筆賬：用我們的AI產(chǎn)品，能給你節(jié)省多少人力成本，帶來多少收入增長，投入產(chǎn)出比是多少
這種把技術價值翻譯成商業(yè)價值的能力，是決定一個AI產(chǎn)品能否活下去，并且活得好的關鍵
總結：成為技術與人性的“雙語者”，構建新時代護城河
聊到這里，感覺有點剎不住車了
我們從思維模式，聊到技術、數(shù)據(jù)、設計，又聊到倫理和商業(yè)
你會發(fā)現(xiàn)，AI時代對產(chǎn)品經(jīng)理的要求，變得前所未有的高，也前所未有的立體
我覺得，未來AI產(chǎn)品經(jīng)理真正的護城河，就在于成為一個連接技術可能性與人性化需求的“雙語者”和“編排者”
你需要懂技術的語言，知道什么是可能的，邊界在哪里
你更需要懂人性的語言，知道用戶真正的需求是什么，他們的恐懼和渴望是什么
你的核心競爭力，不再是畫出多漂亮的界面，或者寫出多完美的邏輯
而是在技術可行性、數(shù)據(jù)可獲得性、商業(yè)合理性、倫理合規(guī)性等多重約束下，做出復雜的權衡，設計出一套優(yōu)雅的、魯棒的系統(tǒng)
未來，頂尖的AI產(chǎn)品經(jīng)理，會是“技術策展人”，從浩如煙海的技術中，挑選出最適合解決特定問題的那一個
他們也會是“人機協(xié)作架構師”，精心設計人與AI之間的互動、信任和成長關系
他們的價值，在于用AI去解決那些真正重要、真正困難的問題，并在這個過程中，讓人與AI的協(xié)作，變得更高效、更可信、也更有價值
這條路很難，但走在上面，風景獨好
本文由 @北笙 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)作者許可，禁止轉載
題圖來自Unsplash，基于CC0協(xié)議
- 目前還沒評論，等你發(fā)揮！
