本文來自微信公眾號(hào)： 鑫卉正在理解 ，作者：鑫卉

AI進(jìn)入產(chǎn)品經(jīng)理的工作流，已經(jīng)不是“要不要跟”的選擇題，而是“怎么跟”的必答題。

在AI焦慮的裹挾下，組織焦慮，同樣工作開始被要求有AI濃度（即AI技術(shù)在產(chǎn)品和工作流中的滲透程度）。

組織對(duì)產(chǎn)品經(jīng)理提出AI能力要求，本質(zhì)不是"為難個(gè)人"，而是業(yè)務(wù)復(fù)雜度升級(jí)后的自然結(jié)果。就像以前的PM要懂?dāng)?shù)據(jù)庫、要懂前后端交互，現(xiàn)在需要理解概率和模型邊界。

問題是：個(gè)人怎么回應(yīng)這個(gè)要求？這是我最近思考的問題。

01 AI時(shí)代能力要求是升級(jí)，還是轉(zhuǎn)行？

傳統(tǒng)產(chǎn)品經(jīng)理和AI產(chǎn)品經(jīng)理最大的區(qū)別是什么？可以用廚子和司機(jī)的例子對(duì)比下。

把廚子對(duì)應(yīng)為傳統(tǒng)PM，對(duì)應(yīng)的是要執(zhí)行配方、掌握火候、出菜快。對(duì)應(yīng)能力是寫規(guī)則。把司機(jī)對(duì)應(yīng)為AI PM，對(duì)應(yīng)的是要看路況、選路線，安全到達(dá)還要油耗合理。對(duì)應(yīng)能力做不確定性管理，是管概率。

從寫規(guī)則到管概率，是傳統(tǒng)產(chǎn)品經(jīng)理和AI產(chǎn)品經(jīng)理工作能力表象上最大的區(qū)別。

但是產(chǎn)品經(jīng)理核心的決策能力要求始終沒變。

以前是和鉗工、火工打交道，決策火候，配方。現(xiàn)在要和路況評(píng)估工（算法工程師）打交道，查看路況，決策路線。前者是規(guī)則管理，后者是概率管理。

概率管理進(jìn)入產(chǎn)品工作流，意味著決策不再是A或B的二元判斷，而是”走這條路有90%概率準(zhǔn)時(shí)到達(dá)，但要承擔(dān)10%延誤風(fēng)險(xiǎn)“的權(quán)衡。這個(gè)決策本質(zhì)上，是在分配車上每個(gè)人的時(shí)間成本和風(fēng)險(xiǎn)成本。

相比較看，傳統(tǒng)產(chǎn)品還有純做功能實(shí)現(xiàn)，不用關(guān)心利益邏輯的空間，但AI產(chǎn)品經(jīng)理更要求算清楚閾值背后的賬才能決策。

所以在我看來，AI時(shí)代對(duì)產(chǎn)品經(jīng)理來說，不是一個(gè)割裂的行業(yè)崗位劃分，而是核心決策價(jià)值的升級(jí)。從"寫規(guī)則"到"管概率"，核心是把閾值背后的風(fēng)險(xiǎn)算清楚。

02不同領(lǐng)域的AI濃度長出速度不同

一個(gè)組織內(nèi)，要求所有人一下子長出具備AI的能力，無異于讓一個(gè)廚子立馬變成司機(jī)。會(huì)讓組織下的個(gè)人迷茫，懷疑自己為什么兢兢業(yè)業(yè)切菜，沒有去考駕駛證。

這個(gè)時(shí)候個(gè)人要意識(shí)到，處在變革時(shí)代，所處的領(lǐng)域長出的走向和速度不一樣的。

目前AI的濃度變化最快的應(yīng)用領(lǐng)域，往往是學(xué)習(xí)規(guī)則相對(duì)清晰，輸出風(fēng)險(xiǎn)相對(duì)可控，替代成本效益兼具的領(lǐng)域，比如，客服領(lǐng)域。知識(shí)庫的學(xué)習(xí)，從人工學(xué)習(xí)，開始到代理學(xué)習(xí)。市面上已經(jīng)開始出現(xiàn)明確的代理產(chǎn)品開始售賣了。

但是如果是核心交易鏈路，影響業(yè)務(wù)核心關(guān)鍵指標(biāo)的動(dòng)作，相對(duì)沒那么容易推動(dòng)，這不是AI素養(yǎng)高低的問題，而是一筆誤殺或漏放可能帶來的損失，是否有人敢簽字背鍋的問題。

對(duì)照自己負(fù)責(zé)內(nèi)容，如果是在交易的核心鏈路，往往求穩(wěn)大于創(chuàng)新，AI濃度要求次于對(duì)現(xiàn)有運(yùn)行的穩(wěn)定保障要求。

03 AI會(huì)最終改變組織協(xié)同的方式

我曾籌劃過一個(gè)大模型應(yīng)用項(xiàng)目，那個(gè)項(xiàng)目讓我第一次完整體驗(yàn)了'從規(guī)則到概率'的決策過程。

我們?cè)O(shè)計(jì)的不是一個(gè)”命中即攔截“的規(guī)則，而是一套分層概率決策：模型打分→閾值分層→不同概率區(qū)間對(duì)應(yīng)不同的處理動(dòng)作。這個(gè)過程中，我意識(shí)到概率管理最大的難點(diǎn)不是技術(shù)，而是組織是否準(zhǔn)備好接受概率性結(jié)果。

當(dāng)時(shí)是幾個(gè)組織部門都痛的點(diǎn)，比如組織A有大量數(shù)據(jù)，離業(yè)務(wù)太遠(yuǎn)，不知道怎么講故事；組織B有大量投訴，但是又沒有精力去解決；我屬于組織C且是直接對(duì)接業(yè)務(wù)的定位，位置剛好，離業(yè)務(wù)近，負(fù)責(zé)出整體方案，可以把數(shù)據(jù)換成數(shù)據(jù)價(jià)值。

我和研發(fā)同事都很興奮，想借這個(gè)項(xiàng)目驗(yàn)證AI在核心支付場景的真實(shí)邊界。我們挖掘和整理了盡可能多的數(shù)據(jù)，聊了模型選型，設(shè)計(jì)了概率決策方案及方案落地分層。

但項(xiàng)目最后交接了，在當(dāng)時(shí)被擱置了。

傳統(tǒng)產(chǎn)品中，每個(gè)部門負(fù)責(zé)一個(gè)領(lǐng)域，最好就是聚焦在自己講的故事中發(fā)力。但是AI本質(zhì)特點(diǎn)是基于大數(shù)據(jù)、模型作為橫縱坐標(biāo)發(fā)力的，這個(gè)特點(diǎn)決定了跨負(fù)責(zé)域的數(shù)據(jù)支持，加上模型的應(yīng)用才會(huì)發(fā)揮AI真正的效力。

當(dāng)AI還沒成為組織的優(yōu)先級(jí)時(shí)，一個(gè)大家都能講的故事，反而因?yàn)槿狈Κ?dú)占性而被擱置。

但這個(gè)項(xiàng)目因?yàn)閰f(xié)同部門同事都有驅(qū)動(dòng)力，協(xié)同過程非常絲滑，讓我體驗(yàn)到AI濃度生長該有的樣子是為了解決問題而自然發(fā)生。

如果你也被要求AI濃度，且發(fā)現(xiàn)自己的AI項(xiàng)目推進(jìn)的很難，可能不是你AI素養(yǎng)不夠，問題也可能是組織本身還沒適應(yīng)AI生產(chǎn)特點(diǎn)。這也可以參考作為自主探索AI濃度事情的選題思路。

回到最初的問題：

個(gè)人怎么回應(yīng)AI時(shí)代能力的要求？

我的思考是

——可以先做“副駕駛”：在核心鏈路不敢用AI時(shí)，先在非核心鏈路（如客服助手、運(yùn)營工具）練手，積累“駕駛經(jīng)驗(yàn)”。

——先攢“路費(fèi)”：即使項(xiàng)目沒上線，也要把問題定義、模型評(píng)估，監(jiān)督指標(biāo)這些“資產(chǎn)”學(xué)習(xí)沉淀下來。等項(xiàng)目時(shí)機(jī)到了，這些就是入場券。

——重點(diǎn)關(guān)注“風(fēng)險(xiǎn)賬”：以前立項(xiàng)更多是說投入產(chǎn)出比，以后要用“概率管理”的語言去說服，而不只是用“技術(shù)先進(jìn)性”。不為了炫技，為了把那5%的不確定性風(fēng)險(xiǎn)算清楚，會(huì)更有說服力。

從寫規(guī)則到管概率，并不是產(chǎn)品經(jīng)理的'轉(zhuǎn)行'，而是工具箱的擴(kuò)容。算法負(fù)責(zé)把概率算準(zhǔn)，產(chǎn)品經(jīng)理負(fù)責(zé)把概率背后的風(fēng)險(xiǎn)算清。在AI濃度越來越高的組織里，能把'閾值賬'算明白的產(chǎn)品經(jīng)理，會(huì)比只會(huì)寫規(guī)則的產(chǎn)品經(jīng)理走得更遠(yuǎn)。

因?yàn)樽罱K決定產(chǎn)品價(jià)值的，從來不是技術(shù)本身，而是技術(shù)影響下的收益風(fēng)險(xiǎn)分配決策方案。