ITPub博客

首页 > 人工智能 > 人工智能 > 从固态到液态:AI产品经理跃迁

从固态到液态:AI产品经理跃迁

原创 人工智能 作者:英湃科技 时间:2026-11-12 10:37:17 0 删除 编辑

杨珊,Inspire (原Thoughtworks) 专家级业务咨询师,深耕产品与数字化领域,聚焦企业级产品的方案设计与交付实践。

齐格蒙特・鲍曼曾用 “液态现代性”(Liquid Modernity) 定义我们所处的时代:与过去稳定、坚固、可预测的 “固态” 现代性不同,如今的商业与社会世界正在经历一场彻底的 “液化”——  曾经稳固的边界在消融,固定的规则在流动,不确定性成为了唯一的确定性。

当技术的时钟以振聋发聩之鸣响跃进 AI 时代,IT 行业无疑正在经历着这般固态到液态的变革:过去数十年的数字化经验在仿佛在一夜之间过时;从公司顶层战略到个人职业规划,大家争先恐后地为自己贴上 AI 的标签。当行业变迁的浪潮比以往任何时刻都风头正劲地卷向每一位从业者,当 AI 技术重构了产品开发的底层逻辑和交互方式,传统的工作模式被一一瓦解,产品经理,这个产品的定义者,又将何去何从? AI 产品经理与传统产品经理究竟有着怎样的差异与共通内核,我们如何在这个流动的时代,继续定义产品的价值?

方案阶段:从流程固化到场景流动

在固态的传统项目时代,产品工作的核心逻辑是 流程驱动 。就像固态现代性中的社会结构,我们默认业务流程是稳定的,用户的行为路径是可预测的。因此,在方案阶段,传统产品经理的工作往往从梳理用户旅程、拆解业务流程开始:只要把这些固定的流程理清楚,需求就清晰了,剩下的工作就是将流程转化为功能设计,再拆分成可被评估的工作项给到交付团队。

在这一模式下, 传统产品经理对技术的要求相对较低 :我们只需要理解业务逻辑,明确痛点,把需求范围和设计定义清楚,就足以支撑项目推进。需求明确之后,实现方式的讨论空间有限,很少会出现颠覆性的返工,因为流程的边界是清晰的,功能的目标是明确的。

进入 AI 时代,了解用户的需求和痛点必不可少,但然后呢?熟悉的旅程梳理、心情地图似乎已无用武之地,难以帮助我们继续推进方案设计。这一类产品的核心,不再是固定的流程,而是 流动的场景 。用户的行为不再沿着预设的路径前进,他们的意图是多变的,不同场景之间的边界也变得模糊 —— 一个提问,可能横跨业务咨询、售后支持、产品使用多个场景,我们无法用固定的用户动线或旅程框住潜在的场景可能。

因此, 对 AI 产品经理而言,用户旅程和业务流程不再是必须的工作项,场景的深度定义才是方案阶段的关键 :什么是用户的应用场景,什么是企业的业务场景,明确不同场景的边界在哪里,每个场景对应的用户意图是什么,要做怎样的二级、三级分类,才能把这些流动的、零散的用户意图,梳理成可被模型理解的逻辑框架。

这也意味着,方案阶段的 现状摸排 ,变得前所未有的重要,维度也更加多元。在传统项目里,我们只需要搞清楚业务流程的卡点就足够了; 但在 AI 项目里,则要同时完成四个维度的现状诊断:

  • 业务现状: 当前这些场景里的用户问题,是被谁解决的?解决的过程有没有留痕?用户的真实痛点到底是什么?
  • 数据现状: 我们有哪些可用的数据?这些数据的完整度怎么样?数据本身能不能反映真实的业务分布?
  • 知识现状: 这些场景对应的领域知识有没有沉淀?这些知识存在哪里?谁在负责维护它们?能不能被模型所调用?
  • 运营现状: 当前业务的运营状况如何?产品上线后,谁来做对用户的运营?如何收集和处理线上问答的反馈?

更关键的是,我们需要判断高优先级场景与现状之间的矛盾:比如某个场景业务上非常紧急,但我们既没有足够的数据积累,也没有沉淀好的领域知识,甚至历史数据指向的结论,和业务方的经验判断完全不同 —— 这种矛盾是 AI 项目最常见的卡点,必须在方案阶段就提前识别并解决。

也正因为如此, AI 项目的方案阶段,需要对业务、数据、知识、运营四个模块的工作流做更清晰的设计,责任划分也要更加明确。 因为任何一个环节的缺位,都将导致整个项目的停滞。而方案阶段的缺漏,在交付阶段要用成倍的时间、token 和机会成本来偿还。

这决定了  AI 产品经理 可以不是技术专家,但 必须掌握基础的技术能力:了解大模型的基本原理,熟悉数据处理的逻辑,理解知识沉淀的方法  —— 否则你根本无法判断数据的完整度,也无法评估知识能不能被模型有效使用,更不能把项目从概念构想落到具体方案。这也是 AI 产品经理与传统产品经理最基础的能力差异:传统产品经理可以只做行业和用户的专家,而 AI 产品经理必须同时成为业务与技术的通才。

交付阶段:从确定功能到实验迭代

如果说方案阶段的变化是“液化”的开始,那么交付阶段的变化,就是这种流动性最形象的体现。

在传统的固态项目里,交付的核心是 确定性 。需求是清晰的,项目范围是明确的,验收标准是固定的,测试数据集是稳定的,敏捷是相对的:只要需求锁定,我们就可以把它拆成固定周期的迭代,按照计划稳步推进;每个阶段的优先级是稳定的,只需要按部就班把功能一个个做出来;验收的时候,检查功能是否完整、流程是否顺畅、边界是否清晰、边缘场景是否覆盖,就足够了。本质上,这是做“确定对的事情”: 因为需求是确定的,我们只要把它执行到位就够了。

但在 AI 项目里,这种确定性几乎消失了。一切都在流动和在变化:

  • 用户的路径和意图难以预测: 可能昨天还无人问津的问题,今天突然因为某个热点事件,成为了用户咨询的焦点,我们的产品有没有对应的能力?有没有足够的语料支撑?类似的场景必然导致产品需求优先级的迅速变化,且还会随着数据表现而持续变更,传统以迭代为周期的管理难以应对这种变化 —— 没有人会接受不断变化的迭代范围;更没有人可以提前两周就确定好接下来的需求,因为我们永远不知道明天的数据表现会带来怎样的答案。
  • 模型本身的不确定性: 模型的表现是动态变化的,昨天还能准确回答的问题,今天给出了错误的结果。可能是模型本身的底层权重变了,也可能是某个改动牵一发动全身。AI 产品长期的相对稳定性只能是不断调整优化的结果。
  • 多部门的深度耦合: AI 项目涉及业务、数据、知识、运营多个部门,每个部门都有自己的节奏,企业架构上的老问题在这里愈演愈烈,每一个问题都可能成为无法准时交付上线的风险。
  • 行业与政策的快速变化: AI 行业的迭代速度远超传统软件,法律法规也在不断完善,我们共同面对的,是一个仍在建立之中的行业底线和标准。

这样的不确定性,也进一步增加了需求准备和验收的复杂度。以用户故事卡这一需求管理工具为例,在传统项目里,一个故事卡对应一个独立的功能,做完就结束了,验收标准清晰明确。但在 AI 项目里,一个故事卡对应的可能是一个场景优化、一个模型替换,它从功能单元变成了实验假设单元。既然没有标准答案,故事卡的准备就很难 INVEST,这时候,我们更需要关注的是 4P :

  • Root Cause  Probing: 根因探查在传统项目中更多是开发的工作,但在 AI 项目中,这是往往是产品经理接到一个用户需求或者问题反馈的首要工作,搞清楚这个问题到底出在哪里:是数据的问题?是模型的问题?还是知识的缺失?它会影响到哪些其他的场景?这决定了我们故事卡的类型和方向。
  • Knowledge  Preprocessing: 在企业级 AI 项目中,知识运营的工作通常由独立团队进行负责,也会是产品经理最多打交道的团队之一。在理想层面,我们收到的知识准确、清晰、时效性高、结构完整,而在现实世界,往往需要多轮的理解 - 对齐 - 调整 - 审核,最终形成可被投入到开发阶段的知识。
  • Test set  Preparation: 测试数据集的准备在传统项目中更多由质量工程师在承接开发完毕的功能时进行主导。而在 AI 项目中,面对新的优化需求,因为不确定的用户路径和意图,比起明确和固定的验收标准,产品经理更多是利用现有数据去还原或者预测用户的场景来准备相应的测试数据集,以便在验收阶段验证开发的改动是否真实有效。
  • Paced exploration: 传统的需求开发是先验的,团队一开始就对功能的完成度很高的共识度和信心度。但 AI 产品的优化是后验的,与其说是在笃定地「做」,不如说在「试」:优化方式也许有所预期,但改动之后团队必须通过数据的反馈来了解优化效果,并极有可能需要不断再「试」,并衍生出更多的故事卡来完善优化。这种需求的实现是渐进而探索的。因此,在 AI 项目中,我们不再组织团队进行估算,而是通过 timebox 的方式来安排开发工作,把握这种「试」的节奏。

这也意味着,在 AI 项目的交付阶段, 方案设计和数据分析必须始终并行 。AI 很难像传统软件一样做 100% 的回归测试,如何定义“模型可上线的安全边界”?如何用 LLM-as-a-judge(大模型作为裁判)来做自动化评估?AI 产品经理要做高频的周度甚至每日数据分析,持续追踪相关指标,由不确定性之中唯一确定的「数据」来牵引决策,并持续关注和优化评估指标(如准确率、幻觉率、对齐度)定义。同时,我们还要做持续的技术标注,把生产环境里那些千奇百怪的用户问题都标注归档,才能拨云见日,找到下一步的优化方向。我们交付的不只是功能本身,更是持续优化系统和效果的能力,本质是在不确定性中定义问题、探索最优解。

角色进化:从执行者到探路人

所有工作模式的变化,最终都指向了角色本身的进化。

传统的产品经理,在产品设计和交付中更像是 业务的翻译和技术的监理,是执行者 :把用户要的东西,转成开发能懂的功能描述,然后保障这些功能被正确实现。角色的边界是明确的,工作的内容是固定的。如同鲍曼所描述的固态现代性:钢铁般稳定、持久,有清晰的边界与秩序。

但在「液态」的 AI 时代,理解业务和用户的真实痛点仅仅只是开始:我们需要把模糊的需求拆解成可量化、可验证的技术问题,推动团队在充满不确定性的场景、模型、限制之中一步步找到最优解,把握项目的整体节奏。产品经理已然成为了项目的 探路人 。

不变的内核:产品价值的本质

我始终认为,工具和范式的进化,不意味着传统的产品经理失去了价值,更不意味着过去数十年行业所积累的数字化经验一文不值。

不管是 AI 产品经理还是传统产品经理,不管是流程驱动还是数据驱动,不管是确定性的交付还是实验迭代,我们核心目标始终一致: 以用户为中心,解决甚至解构真实的业务问题,为用户和企业创造价值 。

我们也始终是业务与技术之间的桥梁:传统的产品经理,把业务需求转成技术可实现的功能;AI 产品经理,把业务的模糊目标,转成技术可验证的实验与指标。本质上,我们都是在连接业务与技术,让技术真正服务于业务。

因此,对业务的深刻理解、对用户的共情洞察,对团队的敏捷管理仍是产品经理最根本的能力,它没有过时,也不会过时。

结语:在流动中寻找方向

传统软件增加一个功能,边际成本近乎为零,而 AI 产品,每一个流动的场景、每一轮多轮对话,背后都是真金白银的 Token 消耗和动辄数秒、足以失去用户的等待。本文篇幅有限,AI 产品经理的课题远远不止于此,这些权衡与博弈,始终相伴我们左右。

在鲍曼的理论中,液态现代性的核心,是 “持续的运动”,是没有终点的变化。新的技术必然带来新的能力和新的角色,我们共同目睹了传统产品经理到 AI 产品经理的升级,也势必将迎来更多变化和机遇。

“在液态的现代性中,成功的秘诀则是避免过度保守,不让自己习惯任何一种固定框架,而是保持流动性,随时准备迎接新的挑战。随时响应召唤,随时准备重新开始。” - 齐格蒙特·鲍曼


英湃科技 (Inspire )

英湃科技(Inspire) 是一家拥有顶级高瓴资本(Hillhouse) 背景的新一代科技服务商。作为高瓴资本数智化赋能生态的重要核心企业,我们致力于将前沿 AI 技术与顶尖工程能力深度融合,帮助企业全面跃迁至数智化新高度。

公司源于 Thoughtworks 中国核心团队,于 2025 年 9 月获得高瓴资本的并购投资。我们不仅传承了软件架构设计与敏捷交付底蕴,更依托高瓴资本深厚的产业投资版图与全局洞察,拥有行业领先的生态协同优势。Inspire 能够深度链接高瓴庞大的被投企业生态与全球产业资源,在战略、技术、业务及供应链等多个维度实现强强联合与资源赋能。

围绕企业核心价值链,Inspire 聚焦研发、供应链、销售与服务等关键领域,全面重塑企业的核心能力与组织模式。迄今为止,我们已赋能银行金融、消费电子、具身智能、智能汽车、高精制造、医疗制药、消费零售等行业的 130+ 家全球 500 强及龙头企业。Inspire 业务中心遍布新加坡、香港、上海、北京、深圳、成都、西安及武汉,结合高瓴资本的全球化视角与本地化工程精细度,持续为全球客户创造突破性的商业价值。

更多行业洞察、项目实践与最新动态,欢迎关注英湃科技、智湃研究院官方微信公众号以及Inspire Group Linkedin官网。



来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70050278/viewspace-3188657/ ,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2026-05-28

  • 博文量
    5
  • 访问量
    4064