三块能力,配比因岗位而异
我的答案是:产品基本功 40%,业务理解 35%,技术理解 25%——这是应用层 AI 产品经理的配比。如果是大模型平台、基础设施方向的 PM,技术占比要拉到 40% 以上;如果是垂直行业的 AI 产品(医疗、法律、金融),业务占比要拉到 50%。所以别只报一个数字,给一个基准比例、再说明它会随岗位类型浮动,才是成熟的看法。
产品基本功:40%,而且是地基
需求洞察、用户研究、方案设计、优先级排序、数据分析、项目推进——这些传统 PM 的能力一项都少不了,而且是地基。原因很简单:AI 产品经理的日常里,一大半工作跟传统 PM 没区别,还是写需求、对设计、盯上线、看数据。区别在剩下的部分,但地基不牢,剩下部分无从谈起。我见过不少技术背景转过来的 AI PM,模型懂得很多,但需求文档写得稀烂、优先级排不明白,做出来的功能技术炫技但用户不买账,这种人在团队里的天花板很明显。
业务理解:35%,AI 时代反而更值钱
很多人以为 AI 时代技术最稀缺,其实恰恰相反。模型能力越来越商品化,大家都能调 GPT、都能用开源模型,真正的差异在于你懂不懂这个行业的真实工作流。法律 AI 产品,懂法律业务流程的 PM 才知道合同审查里哪些条款是高频风险点;电商客服机器人,干过运营的人才知道大促期间 70% 的咨询集中在物流和退款。业务理解决定了你能不能选对场景、能不能判断出「这个 badcase 影响 30% 的用户,必须修;那个问题只影响 0.1%,先记着」。AI 产品的竞争到最后,拼的就是谁更懂业务场景,模型只是入场券。
技术理解:25%,关键词是「边界」和「成本」
这块最容易被误解。AI 产品经理需要的技术不是推导公式、写训练代码,而是两样东西:一是能力边界感——大模型擅长生成、总结、改写、分类、抽取,不擅长精确计算、实时信息、需要严格一致性的任务;RAG 适合知识问答,微调适合固定风格和格式,Agent 适合多步骤任务。看到需求能条件反射地判断「这事模型能不能干,大概能干到什么程度」。二是成本结构感——一次 GPT-4 级别的调用大概什么价位,微调一个模型要多少数据多少钱多少周,自建和调 API 的盈亏平衡点在哪。这两样够了,再深的技术细节有算法团队顶着。
还有一项隐藏能力:定义「好」的能力
三块之外,我认为 AI 产品经理有一项独特能力值得单独说:定义评测标准的能力。传统功能对不对,测试跑一遍就知道;AI 功能好不好,需要有人定义什么是「好」——客服机器人的回答,准确率、语气、长度各卡什么标准?「回答准确」这四个字,要拆成可操作的判断:事实性错误零容忍、允许不展开但不能说错、超过知识范围要拒答而不是硬编。这个功能没人能替 PM 做,因为只有 PM 同时理解用户预期和业务底线。能把模糊的「好用」翻译成可量化的评测集和指标,是普通 AI PM 和优秀 AI PM 的分水岭。日常讨论里能主动把评测集、badcase 归因摆上桌的 PM,基本证明他真干过或者认真研究过。
给转行者的排序建议
如果是零基础准备,我的排序是:先补产品基本功(没干过产品的先系统学),再补技术通识(两周能建立框架,后面靠用产品养),业务理解靠选方向后扎进一个行业。千万别反过来,一头扎进技术细节里出不来——那是算法的护城河,不是 PM 的。