当大模型成为新一代操作系统，我们如何转型AI产品经理？

bugyinyin

已于 2024-09-13 12:02:09 修改

阅读量571

点赞数 7

文章标签：人工智能产品经理语言模型 ai agi LLM 职场和发展

于 2024-09-13 12:01:16 首次发布

本文链接：https://blog.csdn.net/bugyinyin/article/details/142207278

版权

前言

大模型无疑是最近科技圈最炙手可热的时尚单品，跟AIGC能沾上边的工作岗位都成为行业香饽饽。许多产品经理朋友与小编讨论如何转型AI产品经理，今天想通过用户体验五要素的逻辑框架，谈谈传统型产品经理 VS. AI型产品经理的差异。最后分享几点在转型AI产品经理之路的探索经验。

用户体验五要素包括战略层、范围层、结构层、框架层和表现层。 通过这五个层次，我们可以比较传统型产品经理（TPM）与人工智能产品经理（AIPM）在工作重点和方法上的差异。

一、产品经理 VS. AI型产品经理

1、用户感知层：“用户如何使用产品？”

TPM的产出物是GUI（图形交互页面），使用图形元素（如图标、按钮、菜单和滚动条等）来帮助用户与计算机软件或应用程序进行交互的用户界面。

AIPM的产出物是NUI（自然界面），产品与用户交互，像人与人之间的交流。

同时产品的载体也是不同的，TPM设计的产品载体是手机平台（例如Apple Store）+APP，或者软件（PC端、移动端）；而AIPM设计的产品载体是一个大模型+多个AI native（AI原生）的智能体。通过用户的一句指令，调用多个垂直领域的智能体共同解决用户问题。

在硬件方面，AIGC的大爆发带来具身智能的快车道，未来AIGC的产品交互形式升级将带来全新的产业革命。

2、角色框架层：“用户有哪几种角色？”、“用户动线如何设计？”

TPM会针对不同的用户角色设置不同的权限，设计不同的用户动线，让用户follow产品经理设计的功能页面。

而AIPM弱化了权限、动线等产品功能设计，更加重视用户行为数据的沉淀。通过数据的不断积累，形成个人数据飞轮，自动化生成用户画像，从而做到更加个性化用户动线设计，推送更加个性化的内容。

AI产品通过跟用户的每一次交互，不断积累数据、自我迭代，做到更加懂你。

3、资源结构层：“我们有哪些不可或缺的资源？”

TPM的核心资源是用户界面设计、用户体验（UX）、用户交互（UI）、内容、社区、品牌、市场策略等，更侧重于如何吸引用户、提供良好的用户体验，以及构建一个可持续发展的商业模式。

而AIPM在上面的基础上，还需要算 法模型、算力（计算能力）、优质数据。算法模型是AI产品的灵魂，决定了其智能水平；算力是实现复杂算法的基础，尤其是在深度学习等需要大量计算的场景中；数据则是训练模型的原材料，高质量、大规模的数据集对于AI模型的性能至关重要。

此外，AI产品相较于传统互联网产品，对人工智能领域的高精尖人才的依赖程度更高，人工智能专家、数据科学家等成为各家大模型明星公司、互联网大厂激烈争夺的对象。

4、能力圈范围层：“产品的边界是什么？”、“哪些是我们一定不会做的？”

对于TPM最重要的三件事是需求洞察、用户体验、商业模式。

当前大模型的能力似乎没有天花板，但并不意味着大模型是解决一切问题的万能药。这个时候更考验AIPM对于产品定位、产品边界的判断。

当前AI成功商业案例都是基于原有业务流程的升级改造，所以我们要放弃宏大叙事“AI改变行业”，不做大而全的产品。

转变思路，找准垂直赛道，分析业务轴，划分为“N个细分流程切片”，分析哪些是可以AI化，找到这个垂直领域的优质数据、建立模型业务效果评测机制。以AI为底座，打造每个行业的最佳实践。

5、战略决策层：“我们要通过这个产品得到什么？”、“我们的用户要通过这个产品得到什么？”

TPM可能更多依赖于市场调研、用户反馈和数据分析来做出决策，通常关注的是产品如何满足用户需求和业务目标。

而AIPM在此基础上还需要掌握AI领域的专业知识，包括但不限于机器学习原理、数据科学以及科技伦理和隐私问题。同时，AIPM需要更深入地思考如何将AI技术无缝融入行业/产品中，以提升用户体验，让原本通过工程或小模型的“不能”成为“能”，让原本“能”的实现十倍乃至百倍提效。

二、AI产品经理应该具备哪些能力？

1、掌握AIGC最新技术：AIGC产品经理通常需要对最近AI技术的升级有一定理解，尤其是机器学习、自然语言处理、计算机视觉、数据处理、模型评估等领域的知识。他们需要理解模型的训练过程、算法的局限性以及如何优化模型以生成高质量的内容。此外，了解AI伦理框架和隐私保护原则也是必要的。

最近看AI领域的文章，一些AI产品经理在鼓励想入行的同学看AI论文，来获取一手AI信息。这的确是个很好的方法，能让你“懂算法”的这块长板更长，但是相对门槛也较高，如果不具备条件，也不必过分焦虑。就像做传统互联网的产品经理一定要自己会写代码吗？这个问题也没有标准答案的。

2、拥抱AIGC最新产品：在工作和生活中使用 AI native（AI原生）的产品，打造AI原生的用户体验。AI Native 产品是指那些基于AI技术构建的产品，它们的核心功能和用户体验都深度依赖于AI算法。

以我自己为例，问问题从百度切换到问kimi、豆包，用支付宝的支小宝做理财，用秘塔搜索学术论文，用midjourney生成文章图片，用kimi解读企业财报，用通义千问做数据分析报告。当你把这一个个AI机器人当作你的生活、工作小助理，你会发现，这不仅解放了人类的双手，更激发了无限的创新潜能。我所理解的“AI Native”是把AI当做解决问题的第一手段，逐渐培养与AI的交互习惯，提升对AI用户视角的认知深度。

不一定非要是我们的工作主业与AI强相关，我们才需要去研究AI，通过AI解决一些生活中的问题作为side project也是个不错的练习。

3、找准自己定位：整个AI生产链条有很多环节，可以找准其中一个环节发力。从大模型的生产链路来分解，斯年认为分这三类：

一是从事大模型底座训练。 擅长数据清洗和分类，把非结构化数据通过机器或人工标注转化为算法可以学习的高质量语料。并在大模型完成预训练和SFT之后进行策略调优和模型效果评测。这类产品经理需要了解大模型底座的训练原理，对模型效果提升有自己的方法论。

这类产品经理最接近模型本身，虽然酷炫，但有个难解的题是，大模型的上限就是产品能力的上限。

二是从事应用层产品设计。 这类产品经理是传统TOC TOB的产品经理转型，他们基于原有对行业/产品的认知，在AIGC的加持下，对该行业/产品进行全业务链路的智能化升级。

这类产品经理需要从过去面向需求做产品设计，转变为面向优化算法结果做产品设计。不仅需要不断提升算法准确率，还可以通过大模型+小模型+知识图谱+工程化手段来提升业务效率及用户体验。未来会有很多大模型，他们赚的是基础设施的钱，但是只有应用层的繁荣才能持续有钱去滋养这个行业，用户是为应用层付费。

三是从事MaaS产品服务。 MaaS是大模型即服务，这类型是商业化产品经理，将模型服务与行业解决方案结合，售卖大模型API服务或AI SaaS，以获得商业回报。这类产品经理能够洞察市场变化，对大模型服务的市场规模、营销、算法成本有清晰认知，能够制定大模型的长期商业模式。