AI产品经理和传统产品经理，到底有什么区别？

最近，我在努力补 AI 方面的知识。

作为产品经理，面对这轮变化，我希望弄清楚它会怎样影响自己的工作。大模型、RAG、Agent，各种概念需要理解，各种工具也想试一试。但学着学着，我开始反复想一个问题：

用 AI 写需求、整理竞品、生成原型，和做好一个 AI 产品，之间还有多远？

前者可以帮助我们提高工作效率。后者则要求我们重新审视需求、方案、验收，以及上线后的产品表现。

这篇文章，想聊聊我在学习过程中逐渐理清的几个区别。

先用一个客服产品，看清变化在哪里

设计一套在线客服系统，我们需要考虑咨询入口、问题分类、工单流转、人工接待，以及如何衡量问题解决效率。

如果加入一个 AI 答复助手，让它读取企业资料、帮助客服组织答案，就会多出一系列问题：

• 它应该使用哪个版本的帮助文档？不同资料说法冲突怎么办？
• 找不到答案时，应该追问、说明无法回答，还是交给人工？
• 不同客服能访问的资料，是否需要区分权限？
• 生成的答复能否直接发送？哪些情况必须先由人工确认？
• 怎样判断答复达到了要求？一次有效答复的成本是多少？

用户依然希望问题得到解决，但产品经理需要管理的变量增加了。

为了方便讨论，我们把主要依靠明确规则和业务流程的产品工作称为“传统产品工作”。真实岗位之间有很多重叠，传统产品经理也会处理数据、风险和复杂系统，这些职责在 AI 产品中有了新的具体要求。

工作维度	以规则和流程为主的产品工作	引入 AI 后需要进一步考虑
需求定义	功能、流程、业务规则与异常处理	模型的目标行为、适用范围和失败处理
方案设计	页面交互、业务逻辑与系统协作	模型、知识检索、工具与控制机制的组合
数据与知识	业务运行、展示和分析所需的数据	知识来源、版本、权限及其对输出的影响
验收评估	功能、性能、体验与业务指标	代表性任务下的输出质量、行为边界和失败情况
上线迭代	根据使用反馈和业务数据持续改进	持续检查知识、模型、提示词等变化带来的影响

需求需要写到“什么情况下该怎么做”

用户研究、需求分析、优先级判断，这些基本功依然重要。

但在 AI 产品里，一句“回答要准确、体验要流畅”，很难直接指导开发和验收。

还是那个客服助手。什么叫准确？答案是否需要附上来源？资料没有覆盖用户的问题时，应该怎样回应？回答看起来合理，但引用的内容无法支持结论，算不算通过？

这些都需要进一步写清楚。例如，可以把“回答准确”拆成具体要求：答复应依据获准使用的资料；涉及不同产品版本时应核对适用范围；证据不足时请求补充信息，或者转交指定人员处理。

对 AI 产品经理来说，需求里需要写清 AI 的行为边界，以及发生异常后产品如何继续运作。至于权限等关键限制，还需要与工程团队确认实际执行和验证的位置。

理解系统，才能讨论解决方案

产品经理的技术要求会因岗位而异。对许多 AI 应用岗位来说，需要先理解模型、指令、检索知识、工具和权限控制怎样共同影响结果。

比如，客服助手答错了，原因可能是资料过期，也可能是检索没有找到正确内容，或者提供给模型的信息不完整。

如果没有区分原因，就很容易把问题都归结为“模型不够强”，然后换模型、改提示词，反复尝试。

我希望自己逐步具备的能力，是能够沿着一次请求的处理过程，判断问题可能出现在哪里，与工程、数据和业务同事讨论下一步该检查什么。

这种理解也会影响方案选择：这个任务用规则是否就能解决？需要检索企业知识吗？需要调用工具吗？增加自主执行能力，带来的收益是否值得额外的复杂度？

从一次演示，走向持续评测

传统产品同样需要测试和上线后的迭代。到了 AI 产品，这些工作还需要覆盖模型输出的变化。

一段演示很精彩，并不足以说明产品能稳定应对真实使用。

对于客服助手，我会希望看到不同类型的检查：正常提问能否完成任务，用户表达含糊时是否追问，资料冲突时如何处理，遇到越权请求或工具不可用时能否正确停止。

这些检查应该与需求对应起来，让每项结论有具体证据。

另外，平均表现不错，也可能掩盖某个不能接受的问题。多数问题回答正确，和能够阻止未经授权的信息访问，是两项需要分别验证的要求。

评测需要进入日常产品工作，参与需求、发布和迭代决策。 后续更换模型、修改提示词、更新知识，也要考虑哪些检查需要重新执行。

算价值时，要把完成任务的代价算进去

做产品始终要考虑投入产出。AI 产品增加了一些需要细算的成本。

一次模型调用很便宜，但如果生成的内容经常需要人工重写，或者反复检索、多次调用才能完成任务，实际成本可能与预期相差很远。

对客服助手而言，我更想知道：完成一次符合要求的答复，总共花了多少成本？

这里可能包含模型、检索、工具调用、人工审核，以及失败后的返工。比较方案时，需要保持任务范围、统计周期和成功标准一致，才能判断哪个方案更合适。

还要进一步观察：节省的时间，是否真正转化成了业务价值？使用次数增长是一个信号，但用户有没有更好地完成工作，仍然需要验证。

接下来，我想找一条更系统的学习路径

梳理这些区别后，我对自己的学习目标清楚了一些：把接触到的知识串起来，用在一次完整的产品实践中。

挑选课程时，我会比较它们的内容侧重点。工具课适合快速上手，但如果主要跟着操作，离开示例后能否自己设计方案，还需要额外练习；技术课能帮助理解原理，但也需要补上需求和业务决策；通用产品课程可以巩固基本功，我还想进一步学习 AI 产品中的评测、人机分工和异常处理。

因此，我比较关注课程能否围绕一个具体问题，把方案、原型、评测和上线后的工作联系起来。

最近了解到 APD.CN 的 AIPM AI 产品经理培训与认证，是我正在考虑的一个选择。具体来说，我关注的是 AIPM-1 的学习内容。

课程内容里，除了 AI 技术和产品基础，还涉及机会与价值判断、人机协同、企业知识、原型验证、评测，以及交付运营。这些与我前面提到的困惑比较契合。

我比较喜欢它围绕同一个客服答复助手案例展开的安排。从判断是否值得做，到设计工作流、修改原型、分析失败，再到判断是否适合推进，前面的选择会影响后面的工作。

原型修改、失败分析和评测练习，也是我关注的部分。我希望借此检验自己是否理解了方案，能不能解释判断依据，以及面对新情况时如何调整。

我目前还没有拿到认证，正在考虑后续的学习和报名。两天集中培训之外，课程也安排了课前准备和课后个人实践，正式认证评估另行安排。对我来说，这是一个阶段性的学习目标，真正掌握多少，还要通过练习和工作中的应用来检验。

如果你也在学习 AI、考虑往 AI 产品方向发展，欢迎交流学习心得。如果刚好也打算报名 AIPM，欢迎一起来做同学。

希望我们都能把学到的东西用进工作，成为更好的产品经理。