写不写代码不重要：AI产品经理必须回答的四个问题
叶小钗约 9 分钟手里有些AI岗位；想找工作的同学可联系，急缺高级产品经理
关注公众号，回复1，与我交个朋友吧
从去年做AI + 管理方面创业开始，订单来源问题就一直困扰着我，想了很多策略：靠关系、靠脸皮厚、靠钱等方式都用了，最后结果是：公众号的粉丝贡献了一半多的订单...
所以，在自媒体一块发力似乎变成了理所当然，过程中陆陆续续也接了很多咨询，如去年所述，10单里面有6单是职业生涯规划。
内容也很有意思：有问我要不要花10多万去读个MBA的；也有问我要不要花点钱去拿个PMP的证书的...
但今年情况变化很大，普遍的问题都与AI相关，比如：如何进行AI转型、学AI要不要懂代码、AI是不是会工作流就对了...
从人群来说，除了虚心求学想要转型的绝大多数同学（60%+），还包括了以下几类已经转型的人：
第一，想要避坑的
尤其是几个刚开始做AI创业的，他们特别关心我去年AI+管理创业做了些什么，怎么失败的。
因为，很多AI创业者方向都是2B的，那么会遭遇到的问题跟我别无二致，这里的惊艳教训对他们来说是很受用的，比如：
定制化类AI 2B的创业UE模型过不去，做一单亏一单，在规模化、标准化之前，全部是砸钱； 尾款收不到是所有2B创业者永远的痛； 最终困扰你的不是技术问题，而是乙方公司的管理问题； ...
其次，我的经历相对丰富，去年到今年参与了10多个AI项目，有助于他们打开不同AI类型项目的成本结构，其结果是他们可以提前做部署，少亏一些钱。
只不过，我的情况也未必完全适用于他们，因为我不会在AI技术路径侧出问题，这里才是最大的坑点，这也是第二类玩家了。
第二，已经被坑过的
这里包含几个已经AI创业过一段时间的玩家，以及几个做过AI项目的负责人，他们正在被AI的非对称性折磨，这批人的经历非常相似：
AI项目一个月就上线了，效率、效果拉满，全线叫好，信心满满； 上线后，项目问题开始暴露，产品技术各种救火，紧接着的做法是换底层模型或者底层技术，但效果就是提不上去； 几个关键人开始甩锅感叹：当前模型的能力不足以支撑项目，AI泡沫太大了；
除了项目表现一致外，他们遭遇的实际问题也出奇的一致：
AI客服准确率总在90%左右徘徊，怎么都上不去； 在偶发场景下，AI就是要胡言乱语，并且没什么规律，AI多数时间超神，但架不住他偶尔像个傻逼； 意图识别不准，答非所问（与第二条不一样）； ...
他们找到我目的就很清晰了，就是要解决具体问题，而后就是第三类玩家，也就一些半灌水响叮当的同学；
第三，半灌水
其实我是最怕遭遇这批同学的，他们虽然确实也付费做咨询，但言语间的质疑与“不自觉的挑衅”可就太多了，他们都有个特点，做过工作流类的AI项目，多数对Coze和Dify还挺熟练。
跟这批同学交流起来可有意思了，他们虽然知识不系统但零碎掌握的知识点还真不少，比如：
我前脚说一句：Manus类的AI所需的数据还不成熟，所以幻觉很难被解决； 他马上就能接一句：Manus不就是Computer Use吗？幻觉问题用MCP搞定就行了呗；
我这里还真不好否定他，我生怕他的MCP是一大坨牛逼知识库的服务，另一方面他确实也付费了...
又比如：
我前脚说一嘴：当前AI多轮问答的核心可能是CoT，而CoT的背后就是KnowHow了，我们应该如何去生成这个CoT； 他马上就能接一句：对啊，CoT不就是知识图谱吗？现在GraphRAG可强大了，你丢给他一段文档，他自己就给你解析完了；
我尼玛，这里就确实有些忍不住，然后嘴贱了一句：所以什么公司用GraphRAG做出了好的应用，我们怎么体验一下呢，然后你确定一个文档丢给他，他就完全解析好了吗，背后的技术是什么呢......
最终，我拿到了一个差评，并且再次没拿到尾款...
综上，就是我最近接触的想要了解AI的玩家，而这里可能需要回答一个问题：这批同学到底想要了解AI的什么呢？
答案是：他们（包括半灌水玩家）都对生产级别的AI项目如何实施这件事很好奇，包括在AI生产链条中不同的角色在完成什么任务。
如果想要回答这个问题，可以假设一个场景：一个传统互联网公司在AI项目过程中遭遇了上述的问题，并且已经到束手无策的情况了；
所以公司决定招聘一个人来解决这些问题，所以问题变成了：应该招什么人？多出来的这个角色叫什么？
先说答案：是AI产品经理...
AI产品经理
其实AI工程师更贴切，但是工程师这个词语容易被误解，让人以为这个角色必须写代码，所以AI产品经理这个名字更合适，因为这个角色80%的时间都在写文档，几乎可以不写代码，只不过其文档的难度颇高！
这里第二个问题也就随着出现：AI产品经理应该干什么工作？
如果按照时间线来说的话，他应该去查看团队AI应用的技术路径...
AI产品经理的核心工作是做整个AI产品的技术路径选择，并且需要小样本验证技术路径的正确性
这句话有点抽象，翻译翻译就是：
简单场景如做工作流类AI应用，AI产品经理需要跟各个业务方将全局SOP设计出来； 复杂场景如做多轮知识问答应用，AI产品经理需要整理所有项目所需数据，并且对其进行结构化，再用小样本量数据验证AI架构的合理性，这里的关键是模型可观测； 在解决了KnowHow与技术问题后，AI产品经理还需要解决调试工具问题、测试数据集问题、以及更宏观的通用竞品模型评测问题；
当然，在完成上述工作以后，如果能顺手写写PPT、见见客户吹吹牛，搞点产品PR是最好的...
其实大家也看出来了，所谓的AI产品经理跟原来的产品负责人其实差不多，只不过多了很多AI的认知，包括大家耳熟能详的：模型微调、Agent架构、提示词工程/上下文工程、RAG、A2A......
只不过，AI产品经理可不是花架子，他们并不是了解这些名词就算了，还得活学活用，比如他们需要回答：
什么时候要用到RAG，是不是RAG根本没用； 什么时候要用到微调，具体解决的项目中哪部分问题，如何评估解决效果，有没有替代方案，依次成本是什么； 市面上Agent架构的特点是什么，能解决什么问题，暂时还不能解决什么问题，如何做补足，可以补足到什么程度； ...
其实可以给上述能力要求或者完成的工作取个学名：《AI项目执行方法论》或者《AI项目最佳实践》。除此之外就是优秀产品本身的基本功了，优秀的文档水平与深入的行业认知...
至此，对于AI产品经理是什么、需要做什么，大家应该比较清晰了，接下来是第三个问题：如何成为AI产品经理？
实践是最好的老师
我如果这里告诉大家来报我的AI训练营肯定是会被喷的，所以真实的答案是：做一个深度的AI项目。
这里的深度并不是说这个项目有多难，而是三个点：
让自己可以将这个AI项目用起来； 让其他人也可以将这个AI项目用起来； 大家都爱用；
这里马上就会有同学开始反驳了：可是我不会写代码该怎么办？
其实简单的AI项目可能根本不用写代码，门槛最低的方式是直接使用Coze，如果想要私有化部署，后续换成Dify（FastGPT也行，随便撒...）就行。
这里的点是：遵循第一性原理，不要纠结于工具本身，去解决实际的问题，该用什么工具就用什么工具！
这里不得不以我一个学员为例，他本身就不会写代码，但他做出了一个生产级别的AI工作流HR项目，并且在公司推动运行！
下面是他整理的一套功能清单：
以及用Coze完成的实际落地：
然后是智能体设计：
和部分的数据表设计：
说实话，就连我这种AI老油条，看到这种程度的AI产出，其实都是由衷佩服的，因为我们更知道这件事情有多难！
而只要做一、两次深度AI项目，就再也不会半灌水响叮当了，只不过实操这种模式也有很多限制和瓶颈：
第一是公司是个看ROI的地方，不大会允许你去“自娱自乐”，除非你能说服他们； 第二是实践的方式只适用于简单AI场景，复杂AI项目这套策略行不通，因为数据工程这块就不是少数人能搞定的；
所以，这里就到了关于AI产品经理的第四个问题：AI产品经理的基本素养是什么？
能力边界
最基本的素养其实是知道AI项目乃至公司或者自身的一个能力边界，说人话就是知道团队可以做什么，不可以做什么！
所有这一切都会要求AI产品经理有自己一套完善的AI知识框架！
要对市面上乱花渐欲迷人眼的各种AI产品有自己独立的认知，切不可随波逐流！
比如今年非常流行的Agent，他的技术框架是：
大模型解决规划与调度问题，Manus能爆发的核心原因就是模型能力大幅增强； RAG解决幻觉问题（也可以不是RAG），当前模型的发展趋势来说，模型上下文破百万是早晚的事，如何让模型聊得像人，体验好的AI分身这类应用，将在这两年诞生； 工具链解决多模态问题，包括最近很火的MCP、Computer Use其实都算是AI多模态能力的延伸，要的就是解决AI各种“不行”的问题，这里包括了听觉、视觉、触觉等；
这里马上就出现了一个模型能力清单预警了：多模态相关的东西做不得！
包括，语音相关、视频相关、什么图生文、文生图，视频语音什么的，如果公司真的做了，接下来要死一大半！
且不论现在很多公司记忆模块是不是用的RAG，但这个能力大概率会被模型内置，现在大家还熟知的向量库什么的，在接下来1、2年都有可能成为历史；模型会留出合适的接口，让我们可以更好的注入领域知识，毕竟现在模型上下文已经轻易过6万了，更有百万上下文在路上。
所以，接下来我们对AI应用的设计，要更多的从工具实现的视野转向创意与应用的视野，工具这块模型厂商不提供，大厂也会补足，比如：
AI知识库这里，腾讯的IMA、飞书的知识问答系统已经慢慢走向成熟了，更不论大家都在竞逐的AI表格了，想做这个方向的产品，必定会死得很惨...
这里再举个实际案例，今年Google I/O大会，视频体系Flow + Veo3 + imagen4套餐十分抢眼，他几乎标志着未来一两年，我们人人可以制作电影了...
如果，公司这个时候还在搞这个领域的产品，会很被动，而这个视野认知的提供者应该是AI产品经理，这不仅是基本素养，也是公司燃烧的经费...
结语
相信大家也看出来了，最初我其实是想聊聊家里AI训练营的事来着，写着写着结果变成了AI产品经理的入门指南了...
AI产品经理之于团队，他需要解决AI项目的三个问题：卡在哪里、靠什么数据能解决、技术架构如何与数据匹配。
在生产级 AI 项目里，决定咖位的肯定不是各种“专业名词堆砌”，而是把技术路径走通并用指标闭环的那个人，我们给这个人取了一个名字，叫做：AI 产品经理。
作为一个成熟的AI老油条，要谨记：
工具会变，但场景—数据—模型—流程—指标这条链不会变； 盲目换模型是无能的表现，先做到小样本验证 + 可观测，才能做进一步优化； AI 产品经理的价值 = 能把正确路径变成可复现的交付物与指标提升；
真正的AI产品经理，本质上是一个用系统思维对抗技术不确定性的角色。
他们不盲目追随技术热点，而是冷静判断什么该做、什么不该做；他们不回避失败，但坚持用数据和闭环验证说话；他们或许不写代码，但必须懂数据、懂场景、懂模型行为的本质。
最后，大家也别被这些噱头吓着，觉得转型AI产品经理是多大的事情，都是纸老虎，为之则难者亦易也！
点击上方卡片关注叶小钗公众号，查看下方二维码，添加我个人微信：