# AI 产品经理

## 一句话定义

AI 产品经理把真实用户问题转化为可持续的 AI 产品结果，并对价值、体验、指标、风险和路线图负责。

“AI”不是职位装饰。与普通软件产品相比，AI PM 要额外管理五种不确定性：

- **能力不确定**：同一输入可能得到不同输出，长尾错误难以穷举。
- **数据不确定**：分布、质量、标注、授权和反馈会改变效果。
- **评测不确定**：很多任务不存在唯一正确答案，自动评分也会偏。
- **成本不确定**：输入长度、推理强度、工具调用和重试改变成本。
- **治理不确定**：模型、供应商、法规和攻击面持续变化。

## AI PM 不是什么

- 不是只会写提示词的人。
- 不是模型供应商的功能搬运工。
- 不是把算法结论翻译给业务的传声筒。
- 不是必须亲自训练模型的算法工程师。
- 不是只对“功能按时上线”负责的人。

AI PM 的核心产出是**一组有证据的产品决策**：为谁解决什么问题，为什么用 AI，什么效果才算有用，失败如何处理，成本能否成立，风险是否可接受。

## 工作全景

| 阶段 | 关键问题 | 主要产物 |
|---|---|---|
| 战略 | 哪些业务能力会因 AI 改变？ | 市场/能力地图、路线图、投资主题 |
| 发现 | 用户最昂贵、频繁、可验证的任务是什么？ | 访谈、JTBD、旅程、机会池 |
| 论证 | AI 是否优于规则、搜索、人工或不做？ | 基线、价值假设、商业论证 |
| 定义 | 输入、输出、边界、失败、权限是什么？ | AI PRD、原型、数据与评测需求 |
| 方案 | Prompt/RAG/微调/Agent 如何取舍？ | 架构草图、模型评分卡、ADR |
| 构建 | 怎样缩短学习周期而非只追功能进度？ | 实验 backlog、黄金集、错误分类 |
| 上线 | 什么证据足以放量？ | 门禁报告、灰度方案、回滚与运营手册 |
| 运营 | 价值、质量、成本和风险是否持续健康？ | 指标树、漂移监控、反馈闭环、路线图 |

## 日常工作节奏

### 每天

- 看产品、模型、成本和安全告警，不只看 DAU。
- 抽样真实输入输出，阅读失败样本。
- 清除阻塞，确认实验结论是否可复现。
- 与用户、客服、销售或运营保持一手反馈通道。

### 每周

- 评审机会/实验 backlog；淘汰证据弱的想法。
- 做错误分类：知识缺失、检索失败、指令误解、推理错误、工具失败、体验失败或政策拦截。
- 与算法/工程看质量—延迟—成本 Pareto 前沿。
- 更新风险、决策日志和路线图，不让口头决定消失。

### 每月/季度

- 复核北极星指标、留存、单位经济和用户分群。
- 重新跑回归评测；检查供应商和模型升级影响。
- 复盘事故、投诉和未被采用的输出。
- 重新评估 Build/Buy/Partner、法规和竞争格局。

## AI PM 的十项硬能力

1. **问题定义**：把“做个机器人”还原为用户任务、触发、约束与结果。
2. **基线思维**：先测现有人工/规则流程，再证明 AI 增量。
3. **数据判断**：识别数据是否可得、可用、可授权、可持续。
4. **模型素养**：理解能力边界、上下文、采样、微调、RAG 与 Agent。
5. **评测设计**：用真实分布、分层切片和明确 Rubric 衡量端到端任务。
6. **AI UX**：把置信、引用、纠错、确认、撤销和人工接管做进体验。
7. **系统权衡**：在质量、延迟、成本、隐私和锁定之间做决策。
8. **实验能力**：区分离线进步、线上因果和业务结果。
9. **治理能力**：威胁建模、风险分级、文档追溯和事故响应。
10. **跨职能领导**：让业务、设计、数据、算法、工程、法务在同一目标下工作。

## 最关键的判断框架：是否应该用 AI

依次回答：

1. 任务是否需要对非结构化信息进行理解、生成、预测或决策？
2. 规则方案是否已经足够稳定、便宜、透明？若是，优先规则。
3. 容错空间多大？错误能否被发现、纠正和撤销？
4. 是否有代表性数据和可操作的评测方法？
5. AI 改善是否足以覆盖集成、推理、治理和变更成本？
6. 用户是否愿意改变行为并信任这种协作方式？
7. 最坏损害是否可被权限、确认、人工复核或拒答控制？

适合的早期场景通常具备：高频、高耗时、信息密集、有反馈、错误可逆、有人工基线。高自主、高损害、不可逆、责任模糊的场景应晚做或不做。

## 产品指标不能只有准确率

建立五层指标：

| 层 | 示例 |
|---|---|
| 业务结果 | 收入、成本节省、处理时长、转化、风险损失 |
| 用户任务 | 任务完成率、采用率、节省时间、编辑距离、复用率 |
| AI 质量 | 正确性、忠实性、相关性、完整性、拒答正确率 |
| 系统质量 | P50/P95 延迟、可用性、错误率、恢复时间 |
| 经济与风险 | 单任务成本、毛利、人工复核率、严重事件率、泄漏率 |

北极星指标应反映**用户获得的结果**。例如“被坐席采纳且无需重大修改的有效答复数”，通常优于“生成次数”。

## 资历层级

| 层级 | 典型范围 | 证明方式 |
|---|---|---|
| 初级 | 一个明确功能或实验 | 按指导完成发现、PRD、评测和复盘 |
| 中级 | 一个端到端场景 | 独立权衡模型、体验、指标和上线 |
| 高级 | 多场景产品线 | 做路线图、平台复用、跨团队资源取舍 |
| 负责人 | 产品组合与组织能力 | 对 P&L/战略、治理体系和人才负责 |

## 常见失败与纠偏

- **从模型找场景** → 从用户最昂贵的任务和现有替代方案出发。
- **Demo 即成功** → 在真实分布、真实权限和真实流量上验收。
- **平均分掩盖高风险长尾** → 按用户、语言、任务和风险切片。
- **用“用户会检查”转移责任** → 设计可检查性、确认点和人工兜底。
- **每次迭代只换模型** → 先定位是数据、检索、提示、工具、体验还是流程问题。
- **上线后没有评测集演进** → 把投诉、失败和新分布回灌为回归用例。

下一步：[AI 项目经理](02_AI项目经理.md) · [0→1 总流程](../03_AI产品0到1/00_总流程.md) · [AI PRD 模板](../06_模板工具箱/README.md#05-ai-prd)