在大模型時(shí)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(zhǔn)備？本文從八個(gè)維度的重點(diǎn)內(nèi)容展開，希望能帶給你一些啟發(fā)。

大模型時(shí)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(méi)有多少創(chuàng)業(yè)機(jī)會(huì)了，但還有很多做生意的好機(jī)會(huì)。時(shí)代在呼喚更多的全棧技術(shù)全棧產(chǎn)品，屬于個(gè)體開發(fā)者的好時(shí)代終于又回來(lái)了。

本文內(nèi)容，重點(diǎn)關(guān)注以下問(wèn)題：

1. AI 產(chǎn)品的幾個(gè)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(yàn)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(wú)用功?
5. Perplexity 的產(chǎn)品設(shè)計(jì)能力
6. Adobe 取消收購(gòu) Figma 是人機(jī)交互方式發(fā)生的變化
7. AI 的能力什么時(shí)候會(huì)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(gè)階段：AIGC → Copilot → Insight → Agent（自動(dòng)化）

通過(guò)搭一個(gè)乞丐版產(chǎn)品理解用戶意圖，然后把過(guò)去幾年客戶的最佳實(shí)踐和成功手冊(cè)、交付案例、客服知識(shí)庫(kù)……給到AI訓(xùn)練，看能否給到用戶運(yùn)營(yíng)方案的建議。

總結(jié)下來(lái)大概是這 6 個(gè)能力：理解用戶意圖、提供用戶運(yùn)營(yíng)方案建議、生成營(yíng)銷創(chuàng)意、自動(dòng)化執(zhí)行、自動(dòng)化監(jiān)督、自動(dòng)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(yàn)是壁壘

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

其次是能夠看到用戶在各種各樣場(chǎng)景下沉淀的數(shù)據(jù)，比如看過(guò)的視頻、文章、問(wèn)過(guò)的問(wèn)題，這些都是 LLM 不會(huì)有的用戶的私有數(shù)據(jù)。

從過(guò)去的經(jīng)驗(yàn)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(gè) LLM 更懂你，這個(gè)差異化體驗(yàn)是壁壘。

比如，讓 LLM 幫你起個(gè)標(biāo)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(lái)的 AI 資產(chǎn)，讓產(chǎn)品能夠基于資產(chǎn)，更個(gè)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(gè)場(chǎng)景問(wèn)題在最近某段時(shí)間（如一個(gè)月內(nèi)）有多少最佳實(shí)踐的問(wèn)答對(duì)，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(shí)踐整理成的問(wèn)答對(duì)。

所以最終我可能不是一個(gè)賣軟件系統(tǒng)的公司，可能是一個(gè)智能運(yùn)營(yíng)系統(tǒng)的運(yùn)營(yíng)商，通過(guò)無(wú)數(shù)最佳實(shí)踐和最佳實(shí)踐的總結(jié)，去不斷錄入、運(yùn)營(yíng)這個(gè)系統(tǒng)，讓它變得越來(lái)越智能。

大廠的數(shù)據(jù)很多，但不是真的強(qiáng)。很多數(shù)據(jù)不是結(jié)構(gòu)化的，并不能直接拿來(lái)給大模型用，那么，今天做 AI 產(chǎn)品的問(wèn)題是，怎么通過(guò)你的產(chǎn)品設(shè)計(jì)，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(dú)有數(shù)據(jù)的積累完成產(chǎn)品設(shè)計(jì)？

一是通用大模型，用戶的使用數(shù)據(jù)對(duì)通用大模型來(lái)說(shuō)目前沒(méi)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(lái)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(shí)，在這層做微調(diào)（投喂），可以讓這個(gè) AI 產(chǎn)品在特定行業(yè)領(lǐng)域里理解用戶意圖、對(duì)話與交互的能力會(huì)更強(qiáng)；

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

做交互设计10年，我为何转岗到产品经理？

真正转岗之后，我发现很多工作还是超出了自己的想象。产品经理的工作确实比较杂。理论上，产品经理的工作包括了产品的方方面面，从市场研究、用户调研、数据分析...

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(duì)做應(yīng)用的投入不是無(wú)用功?

1. ToB 應(yīng)用的視角

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

B端場(chǎng)景的優(yōu)勢(shì)在于能交付一個(gè)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(duì)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(yùn)營(yíng)消費(fèi)者，他是怎么搞的？要對(duì)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(shuí)？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(shuí)強(qiáng)？

強(qiáng)的肯定是對(duì)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(duì)作業(yè)流程的理解，如果你能把這個(gè)理解通過(guò)AI交付一個(gè)工作過(guò)程，然后這個(gè)工作過(guò)程還是能直接給你結(jié)果的，你這個(gè)是個(gè)好產(chǎn)品。

如果你只是給人家生成某個(gè)東西，你最后就不是一個(gè)好產(chǎn)品。

2. ToC 應(yīng)用的視角

ToC 產(chǎn)品更多是關(guān)注單點(diǎn)的價(jià)值創(chuàng)造和體驗(yàn)的優(yōu)化。

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

我們思考組織問(wèn)題的時(shí)候，會(huì)想我應(yīng)該花大錢去招一個(gè)算法工程師、還是招一個(gè)很會(huì)做增長(zhǎng)的同學(xué)？

后來(lái)我們想到這個(gè)問(wèn)題的背后，是你到底要學(xué)什么公司？我們不應(yīng)該學(xué)高通、不應(yīng)該學(xué)英偉達(dá)，我們應(yīng)該學(xué)小米、學(xué)大疆、學(xué)蘋果。

本質(zhì)上 toC 的公司更像是消費(fèi)電子公司，要關(guān)注供應(yīng)鏈，上半年買不到GPT-4，因?yàn)榫?OpenAI 不賣，或者限量賣的，但是微軟賣，微軟說(shuō)你充20萬(wàn)我就賣給你，這個(gè)就像典型的供應(yīng)鏈管理問(wèn)題。

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

新一代的小米手機(jī)，高通變牛逼了它還是應(yīng)該賣這樣的價(jià)位。

我們要關(guān)注品牌，讓大家想到應(yīng)用的時(shí)候就想到你。

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

是不是非得有 LLM 能力才能做出超級(jí)應(yīng)用來(lái)？換個(gè)問(wèn)法，有了LLM能力就能做出超級(jí)應(yīng)用嗎？也不是。超級(jí)應(yīng)用本來(lái)就很難，消費(fèi)電子也是全方位競(jìng)爭(zhēng)，不如關(guān)注我們能關(guān)注的事。

蘋果的 Day1 也沒(méi)有造芯片，它先用的Intel，然后花了20年的時(shí)間才把那個(gè)芯片換成自己的MC芯片。所以消費(fèi)電子是一個(gè)全方位的競(jìng)爭(zhēng)，不要覺(jué)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(gè)好形態(tài)，看用戶過(guò)去說(shuō)過(guò)什么東西、查過(guò)什么東西、存了什么東西……（當(dāng)然即便這樣可能還是不能贏）。

五、Perplexity 的產(chǎn)品設(shè)計(jì)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(gè)純粹的套殼。他的用戶是Google的萬(wàn)分之一，但是在這個(gè)品類里他會(huì)經(jīng)常被提起，這證明了他作為產(chǎn)品設(shè)計(jì)維度上是有一定想象空間的。

一、它的搜索框是一個(gè)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(gè)短語(yǔ)、或者簡(jiǎn)短的一句話；而perplexity是可以輸入很長(zhǎng)一段話，它幫你拆解這件事，幫你做好檢索，它更符合人類對(duì)于問(wèn)題的想象。

二、它很AI Native，沒(méi)什么負(fù)擔(dān)。

Google搜索出來(lái)的結(jié)果，會(huì)帶有大量的鏈接，即使有生成式的答案，鏈接永遠(yuǎn)在主要的位置。Perplexity的設(shè)計(jì)是先出很長(zhǎng)一段的答案，鏈接的形態(tài)是一個(gè)個(gè)附注小標(biāo)，答案來(lái)自這些地方，你可以自行去溯源。

從產(chǎn)品設(shè)計(jì)的角度，它沒(méi)有傳統(tǒng)搜索競(jìng)價(jià)排名的負(fù)擔(dān)、或者賣廣告的負(fù)擔(dān)，他可以重新定義自己的產(chǎn)品設(shè)計(jì)，背后的商業(yè)邏輯是它的搜索可以直接面向用戶收費(fèi)。

六、Adobe 取消收購(gòu) Figma 是人機(jī)交互方式發(fā)生的變化

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

• 用戶界面設(shè)計(jì)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(fēng)格的插件，所以變得極其簡(jiǎn)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(lái)）；
• 開放了多賬戶，程序員和設(shè)計(jì)師可以在這里協(xié)作（以前是設(shè)計(jì)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(gè) IT 行業(yè)越來(lái)越重視用戶界面，越來(lái)越重視用戶體驗(yàn)，F(xiàn)igma 占據(jù)了它的 30%，而且可能會(huì)越來(lái)越多，所以兩年前，當(dāng) Figma 只有 1 億美元收入的時(shí)候，Adobe 拿了 200 億美元要買它。

這是一個(gè)在增長(zhǎng)的市場(chǎng)，而且功能占 Adobe 很大比例，這個(gè)收購(gòu)價(jià)格在商業(yè)上是合理的。

但兩周前 Adobe 反悔了，說(shuō)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(yàn)設(shè)計(jì)最主要的幾個(gè)環(huán)節(jié)，一是有想法，有人給你設(shè)計(jì)風(fēng)格；二是有想法，設(shè)計(jì)完風(fēng)格后需要不斷加功能，這時(shí)候需要做重復(fù)性的界面設(shè)計(jì)；三是產(chǎn)品成熟后不需要什么體驗(yàn)設(shè)計(jì)，頂多在某個(gè)功能里加個(gè)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(zhǎng)了，大家都說(shuō)我不在快速增長(zhǎng)期，在相對(duì)成熟期，整個(gè)行業(yè)的需求沒(méi)這么多了。

第二個(gè)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(lái)界面交互就不太需要了。核心還是人機(jī)交互發(fā)生了變化。

七、AI 的能力什么時(shí)候會(huì)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(chǎng)景會(huì)更廣泛。

如果大模型幻覺(jué)可控，PMF會(huì)進(jìn)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(zhǎng)的 prompt，RAG也會(huì)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(gè)職位，是非常經(jīng)典的傳統(tǒng)商業(yè)定義的職位，當(dāng)時(shí)解決的問(wèn)題是，我需要一個(gè)人同時(shí)去負(fù)責(zé)從品牌到渠道到定價(jià)到供應(yīng)鏈的所有問(wèn)題 —— 所以有了個(gè)職位叫產(chǎn)品經(jīng)理。

在過(guò)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(jì)師、UI……各種精細(xì)化的崗位，一個(gè)人的活拆成了20個(gè)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(shuí)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(duì)技術(shù)有理解。

二、他需要對(duì)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(fèi)，但做AI應(yīng)用，他可能在很早階段就要去想成本問(wèn)題、想供應(yīng)鏈問(wèn)題。

三、他還需要懂市場(chǎng)，從市場(chǎng)的角度，要定義比如「逆光也清晰」這個(gè)市場(chǎng)需求，要怎么實(shí)現(xiàn)？拉動(dòng)底層驅(qū)動(dòng)的工程師說(shuō)我們要調(diào)出這樣的效果，逆光也清晰的效果。

總的來(lái)說(shuō)，這也解釋了為什么獨(dú)立開發(fā)這么厲害，他們是復(fù)合型人才，他們能搞明白所有的問(wèn)題，然后把東西快速理出來(lái)。這是AI時(shí)代下對(duì)產(chǎn)品經(jīng)理的要求 —— 其實(shí)又回到了寶潔當(dāng)時(shí)的定義。

就像二十年前一個(gè)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(duì)本文亦有貢獻(xiàn)。