先回答一个前提:这个项目现在还值多少资源
资源不足时,第一件事不是想办法挤资源,而是诚实地重新评估项目价值。很多 AI 项目做到一半,市场环境变了、竞对免费方案出来了,这时候继续要资源是错的。我会先算一笔账:剩余投入还要多少、预期收益还剩多少、机会成本是什么。算完如果结论是不值,主动跟老板提议降级或砍掉——这需要勇气,但一个敢砍自己项目的 PM,下次要资源时信用是满的。
确认项目值得做之后,才进入正题:怎么用半个编制干一个编制的活。
砍范围:保一个打透的场景,放弃全面开花
AI 项目资源不足时最常见的死法是摊大饼:五个场景同时做,每个都做到 60 分,上线后没一个能用,项目被砍。正确姿势是狠下心来只保一个场景——选 query 量最大、容错率最高、数据最容易拿到的那个,把其余四个明确挂起。
比如做企业知识库问答,别想着「全公司文档都能问」,先只做「HR 政策问答」这一个场景:文档就几十篇、问题高频且结构化、答错了代价小。一个场景做到 90 分,用户会说「这玩意真好用」;五个场景都 60 分,用户只会说「这玩意是个智障」。而且单点打透之后,方案、评测集、工程框架全是现成的,复制到第二、三个场景的边际成本会骤降。砍范围时和业务方的沟通技巧是:不说「做不了」,说「分两期,第一期先做你们最高频的场景,一个月见效」——用时间换共识。
缺人缺算力缺数据,各自的绕行方案
缺算法工程师:今天这已经不是死穴了。调 API 加一套好 prompt 加 RAG,能覆盖大部分应用层需求,工程师会写 Python 就能搭起来。LangChain、Dify、Coze 这些平台把编排做成了低代码,PM 自己都能拖出一个 demo。真正需要算法的地方收缩到微调和深度优化,那是有量之后才需要的事。
缺算力:别想着买卡,先租。AutoDL、各大云厂商的按量 GPU,微调一个 7B 模型几百块钱就能跑一轮。推理侧用量化后的开源模型加 vLLM,一张消费级显卡也能扛住内部工具的流量。
缺数据:这是最难绕的,但也有路子。先用公开数据集和合成数据冷启动——让 GPT-4o 根据你的业务文档批量生成问答对,人工抽检修一轮,成本是纯人工标注的十分之一。再设计上线的数据飞轮:产品里埋「这个回答有用吗」的点踩点赞,让用户帮你免费标注,客服场景让人工客服的修正动作自动回流成训练数据。冷启动靠合成,持续迭代靠飞轮,这是小团队的标准打法。
用小胜利换大资源
向上要不到资源,通常是因为你要的太多、给的证据太少。把「给我五个人做半年」拆成「给我一个人一个月,验证这个场景解决率能不能到 70%」——这么小的赌注,老板通常愿意下。一个月后拿着真实数据回来:解决率 68%、用户反馈截图、测算出来的全面推广收益,这时候再要三个人的编制,通过率天差地别。
这本质上是把融资的思路用在内部项目上:每一轮拿最小的资源,做出超预期的里程碑,用里程碑兑换下一轮资源。Kimi、豆包这些产品的功能迭代其实也是这个逻辑——先小流量验证,数据好再加投入。产品经理在内部推项目,干的就是内部创业。
也要知道什么时候该停
最后说点反面的。有些资源困境是信号不是挑战:连续要三个月资源都要不到,说明这个项目的优先级在老板心里就是不高,与其耗着做半吊子,不如把当前状态文档化、把资产(评测集、prompt、数据)封存,跟老板明确挂起,自己转去优先级更高的战场。PM 的时间和信用也是资源,沉没成本不该绑架你的下一步。能在「再扛一扛」和「体面撤退」之间做清醒判断,是资深和资浅的分水岭。