策略产品AI转型指南：能力模型与实战策略

文章的核心内容可以拆成三块：第一块讲清楚策略产品的定义和能力模型，第二块剖析AI时代的几大趋势，第三块则是一线观察与思考。

策略产品的定义

策略产品简单来说，就是在各种限制条件下，通过推动项目、设定评估体系、全面评估收益这三板斧，去找到全局最优解的那个角色。 * 所谓**限制条件**，包括法律法规的边界（比如在国内，黄色内容肯定是不行的）、用户体验的天花板（比如客户端弹窗，三次体验就崩了，一般只给一次）、以及项目和资源的硬约束（设备、人力都有上限）。策略产品得在这些框框里想出最优解。 * 说到**推动项目**，这里面有几个关键动作：得做好项目里的“润滑剂”，理顺各种PRD细节——宏观上要定义清楚，微观上设计到位，最关键的是能拉到核心决策人拍板。 * **设定评估体系**指的是，得把一级指标、二级指标是什么都串起来。 * 关于**全面评估项目收益**，方法主要分两类：一类是主观的体验评估，另一类是客观的数据测量。 * 至于**全局最优解**，怎么理解呢？可以想象有一百条平行的世界线，我们的目标就是看看能跑到前多少名。衡量的方法通常是复盘项目，每一步用的信息够不够充分，哪些时间被白白浪费了。通过反复复盘、校准，慢慢把自己的动作变成标准动作。

产品经理的三个代际

产品经理的演进，大致可以分为三个代际：古典产品、策略产品、再到AI产品。 2010年之前是古典产品时代，那时候的核心能力是用户同理心、产品架构和项目管理。到了2014年到2023年间，策略产品兴起了，这个阶段最需要的是数据分析和模型理解能力。而2023年1月之后，一大批做AI原生（AI native）产品的PM开始涌现，这就是AI产品。 其实，所有产品经理需要的基本功可以抽象成四个模块：用户同理心与产品架构能力、数据分析能力、模型理解能力、项目管理能力。 用户同理心和产品架构是所有PM的必修课，多研究用户case，读点心理学、经济学和商业类书籍，都能有帮助。数据分析能力对于策略产品和AI产品来说，是重中之重，核心逻辑是“假设驱动”——先建一个假设，再通过实验去验证。模型理解这块，策略产品和AI产品的差异就出来了：策略产品需要吃透机器学习里的那些模型，比如推荐、搜索、广告里常见的模型；而AI产品，得深度理解大语言模型。搜索推荐模型大多是漏斗型，而大语言模型基本都基于Transformer，架构相对固定。最后是项目管理，核心就是怎么把OKR制定好并落地。

策略产品TD简化版

上图展示的TD简化版，可以作为自我提升的一张参考地图。表格里，每个能力维度分为4档，大多数都不满足就是0分，资深的话可以拿到3分。总分就是四项能力的加和。每个职级都有一个最低分要求。举个例子，如果是一位四级同学（相当于校招生水平），我们允许他的项目管理是0分，但总分不能低于4分。 这套体系不一定适合所有公司，但从实践效果看，团队的策略产品同学能很快看清自己的差距，找到职业成长的“加点路线”。

实际workflow

在项目中，实际的工作流可以分为三层：逻辑层、实现层、交互层。无论是策略产品还是AI产品，第一步都是理清项目的OKR和KA。不同的是，策略产品的重心在于优化漏斗模型，而AI产品的重点则放在数据生产与对齐的优化上。 下面，我们围绕六个大家最关心的问题，重点聊聊AI时代策略产品的发展趋势。

问题1：搜推策略产品会被AI产品经理取代吗？

结论很明确：不会。 现在的用户连接，靠的是个性化推荐和搜索，而推荐个性化，本质上是“人”的个性化。AI呢？它更像一个计算函数，y=f(x)。计算需要感知，也就是输入，靠的是外部的感知信息。搜推解决的是“连接”的问题，AI解决的是“计算”的问题，这两者并不冲突。举个例子，做搜索推荐，可以做网站、APP、内容的搜索推荐，也可以做AIGS（AI生成服务）的搜索推荐。而计算本身，无论是网页、APP还是AIGS，都逃不开马太效应。

问题2：现在的AI Chatbox模式和未来的理想态产品有什么区别？

现在的Chatbox模式，感觉还停留在DOS时代。突破的关键取决于产品自身的更新。 第一个突破点在于硬件更新带来的交互“大爆炸”。移动互联网之所以能质变，很大程度上得益于前后摄像头和GPS的普及。有了摄像头，才有了短视频；有了GPS，才有了美团、滴滴这类基于位置服务的公司。AI互联网的质变，大概率会依赖端侧模型的计算和可穿戴设备。具体形态是什么？现在谁也说不清，还需要大量用户教育。 未来的职业会分化成两大类：一类是创意家，一类是科学家。人类需要补强同理心、逻辑推理、表达同情和资源整合的能力。另外很重要的一点是，群聚需求依然是人类的本性，即便有大模型，连接的需求依然存在，无论什么时代，逛街的需求始终旺盛——这是人性，也是社交区的底色。

问题3：产品经理还有存在的必要吗？推荐策略的终局会是什么样？

有，绝对有。因为大多数用户根本意识不到自己的需求，也不会提问。 产品经理的价值，主要体现在解决商业逻辑、推动数据飞轮自我增强，以及实现需求的精准匹配。未来，很多人会拥有自己的AI助理。大模型出现后，人类更愿意对AI倾吐心声，所以情感陪伴类APP越来越受欢迎。大模型会比现在的推荐模型更懂用户，从而真正实现“千人千面”的个性化推荐。另外，00后是数字时代的原住民，他们比起80、90后，更容易接受“AI数字人具有意识”这个观点。

问题4：AI来了，产品经理需要立刻切换赛道做AI产品经理吗？

LLM技术的进步速度，明显快于产品进步的速度。基本上每个季度都能看到行业集体迈一大步。但是，大模型产品的落地严重依赖用户教育，也依赖硬件能力的升级和铺量，这个过程很像电力和蒸汽机的历史关系。 这里有几点值得留意：第一，搜推是中心化的，谁抢到第一张门票，谁就有先发优势。所以新人如果想做推荐，一定要去行业排名第一的厂子，接触最核心的技术。第二，AI是计算，是去中心化的，其核心养料是专有数据。但大模型的提供方，本身又是中心化的。新旧交替是一个长期、渐进的过程。新旧动力会长期并存，直到新技术在性能、成本、基础设施等方面全面超越旧技术。历史上，这种交接按长则100年，短则30年。但大模型行业生态可能5到10年就能完成一轮洗牌，毕竟现在的信息密度比过去高太多了。不过，对职业生涯选择而言，早半年或晚半年进入，其实差别并不大。

问题5：服务推荐和内容推荐有什么区别？AIGS的服务长什么样？

LBS服务推荐与内容推荐的区别，主要体现在四个方面：时空独占性、体验容忍度、外部环境和系统公平性。 AIGS（AI生成服务）是怎样的？从当前趋势看，智能体的概念可以归入AIGS的范畴。如果AIGS能满足“交互大爆炸”和“消除幻觉的数据库”这两个条件，那么在感知分析型的链条里，人类会更愿意默许AIGS去干扰物理世界，但这也意味着会催生更多“AI监督员”这类岗位。在GPTs这种商店式的生态里，我判断AIGS会是中心化的，好的网页符合马太效应，好的AIGS也更匹配用户需求——比如提供更易用的交互，更准确的输出。在那些行动即使错误也不会产生严重后果的领域，人类会更放心地使用AIGS服务，就像今天开车时，我们完全信任导航一样。

问题6：大模型有哪些地方需要提升？训练和调参有什么心得？

大模型主体的工作主要有三块：第一，上下文长度（context length）；第二，推理深度（reasoning depths）；第三，指令遵循（instruction compliance）。 大模型的伟大构想，源于“下一个词预测（next-token-prediction）”。通过预测下一个词是什么，让模型学会世界知识——语言本身就包含了世界知识。所以像word2vec、PNN、LSTM、Transformer这些模型，本质上都是在提升context length。推理深度的提升，现在的O1模型是通过增强思维链（COT）和推理时间来实现的，这也是近来常被提及的强化学习范式。指令遵循方面，实际项目中会遇到一些头疼的问题，比如给大模型下达指令，它却不听话。这通常是模型的基础能力不足、思考深度不够造成的。 有意思的是，人类和大模型不擅长的东西很接近，两者都是语言模型，不擅长计算——而计算机是浮点数模型，计算是它的强项。人类和大模型的优势在于会使用工具。因此，AI agent之间可以协同工作，并互相调用工具。未来，如何让AI更好地相互协作？首先需要为AI设计软件。这涉及到AI和人类使用工具的差异：人类只能异步处理问题，而大模型可以同时并发处理很多事情。 如何提升点击率和用户时长？主要有三个因素在起作用：质量因素、兴趣因素、场景因素。像音频这类少数内容，推荐强依赖于场景因素，是伴随式的，更多取决于用户是否进入一种“被动消费”状态。中短期兴趣决定短期留存，长期兴趣决定长期留存，这是一个重要的观察点。单次点击的时长越长，往往意味着内容决策成本越高。另外，我们发现，针对图片和文字类的运营优化，投入产出比（ROI）往往很高，比如在按钮文字中加入动词。用户天生更偏爱“动名词”而非“名词”，比如，“马车”是个名词，而“拉动马车”是动名词。只要出现动名词，用户的行为就会更积极。 提升点击率通常无法直接提升时长。提升时长的主要方式，还是要看兴趣匹配后，内容本身的时长承载能力上限在哪里。 在基础特征构建方面，从近几年的观察来看，模型越来越需要“粗粮特征”。因为模型自身能力越来越强了。但是，产品经理在做规则策略和函数策略时，依然需要“精粮特征”来支撑。 还有一个值得关注的趋势是，00后已经开始自主学习。关键在于，公司或团队如何打造一个学习型、面向未来的组织。未来，竞争会更激烈，公司和团队的规模会越来越小，但借助AI和工具的力量，组织可以爆发出巨大的能量。未来充满不确定性，所以团队必须是学习型的。 最后想说的是，方向选择和聚焦比什么都重要。作为一线员工，应该持续提升同理心、产品架构、数据分析、因果推断以及模型理解能力，这才是降低自己被AI替代概率的正解。焦虑的本质，很多时候源于精确性的缺失。要治疗焦虑，就要提升精确性。从工业革命以来，职业的诞生和消亡是常态，保持知识结构的更新，是对抗焦虑最有效的武器。多看书，多和同行交流。就像《纳瓦尔宝典》里说的那样，下一个时代，保持“构建”和“销售”的能力，把自己当作一家一人公司去运营，学会使用杠杆，构建属于自己的第二曲线。