AI 时代生存指南第 6 篇：策划人员/PM 如何进化为 AI 产品经理

一位创业公司的 PM 曾经跟我讲过这样一个故事：「最近团队里都是用 GPT-4 起草 PRD(产品需求文档)的初稿。只要我把方向定好，30 分钟就能完成。可是我突然冒出一个念头：那我的角色到底是什么?」

这个问题一直在无数 PM 和策划人员的脑海里打转。在竞品分析、用户故事撰写、规格文档草拟都交给 AI 完成的世界里，策划人员和 PM 的角色应该如何改变?

先把结论说在前面。PM 的角色不会消失，而是 PM 需要处理的复杂性会彻底改变。能够驾驭这种新复杂性的 AI 产品经理，如今正成为全球身价最高的职业之一。

1. AI 时代 PM 与策划人员的角色变化

过去 PM 的工作构成

老实分析一下传统 PM 的工作：

40%：文档撰写(PRD、规格、政策文档、会议纪要)
20%：数据分析与报告(仪表盘解读、报告撰写)
15%：竞品分析与市场调研
15%：利益相关方沟通
10%：实际的产品战略与方向决策

AI 可以把其中文档撰写、数据报告、竞品分析的相当一部分自动化。也就是说，传统 PM 工作的 50-60% 正在被 AI 辅助或自动化。

AI 时代 PM 的新工作构成

那么，把 AI 能代劳的部分去掉之后，还剩下什么?又新增了哪些工作?

人类 PM 仍然需要做的事：

发现真正的用户问题(共情与观察)
战略性的优先级决策(决定不做什么)
组织内部的政治博弈与利益相关方协调
在模糊性中设定方向
守护产品的灵魂与方向

AI PM 新增的角色：

定义 AI 功能的准确性与可靠性
管理 AI 模型的失败案例
AI UX 设计(非确定性系统的 UX)
管理 AI 偏见(Bias)与公平性
在 LLM 成本与性能之间做权衡决策

2. AI 取代的策划工作 vs 得到强化的领域

AI 正在快速取代的工作

竞品分析报告撰写

过去需要顾问或资深 PM 花上好几天才能完成的竞品分析报告，现在只要对 Perplexity、ChatGPT、Claude 说一句「帮我比较分析一下这个市场里的主要玩家」，就能拿到一份不错的初稿。

用户故事与需求文档草稿

把「用户应该能够登录」这样的需求，转化为几十条 Given-When-Then 格式的用户故事——这类工作 AI 处理得快得多。

A/B 测试结果解读报告

把实验结果连同数据一起输入，就能自动生成包含统计显著性解读和建议的报告。

AI 强化的 PM 能力

用户访谈与定性调研

AI 能帮助分析大量定性数据。把 100 场用户访谈的文字记录输入进去，它就能总结出主要模式和痛点。但在访谈现场从细微的表情、语气、沉默中捕捉真正的洞察，依然是人类 PM 的工作。

# 用于 AI 访谈分析的提示词示例
# (因为是提示词内容，所以按代码块处理)

以下是 10 位用户访谈的转录记录。
针对每场访谈：
1. 提取主要痛点(Pain Points)
2. 识别现有解决方案及替代方案
3. 识别关键引用语句
4. 区分共性模式与例外案例
格式：以结构化 JSON 输出

[访谈内容]

战略优先级决策

AI 可以生成想法，并按评估标准打分。但「这件事为什么对我们公司现在来说最重要」这种基于情境的判断，以及说服组织认同这一决策的领导力，依然属于人类 PM 的领域。

3. AI 产品 PM 的特殊角色

企划 AI 产品与企划一般软件产品有本质上的不同。我们来看看 AI PM 必须理解的这些特殊领域。

AI 模型质量评估能力

定义 AI 功能的「完成度」，与定义普通功能不同。

普通的登录功能可以被清晰定义为：「输入正确的 ID/密码即可登录」。但 AI 聊天机器人的「完成度」该如何定义?

AI PM 必须能够定义以下内容：

评估标准设计：准确性(Accuracy)、一致性(Consistency)、安全性(Safety)、有用性(Helpfulness)
评估数据集定义：需要测试哪些情形
可接受的错误率：区分「10 次里错 1 次也可以接受的功能」与「绝对不能出错的功能」
回归防范：模型更新之后，原有质量是否依然保持

# AI 功能质量定义示例(应包含在 PRD 中的内容)
# ---
# 功能：AI 商品推荐
# ---
# 成功标准：
#   - 推荐商品点击率 >= 相较当前基于规则的推荐提升 15%
#   - 用户满意度评分 >= 4.0/5.0(事后问卷)
#   - 不当推荐发生率 < 0.1%
# 失败标准：
#   - 缺货商品推荐 > 5%
#   - 重新推荐用户明确点过"不喜欢"的商品
# 监控周期：每周三 09:00 自动生成报告

理解提示词工程

AI PM 不需要亲自编写所有提示词，但必须理解提示词会对产品行为产生怎样的影响。

# 优秀的 AI PM 应该理解的提示词概念：
# - 系统提示词(System Prompt)与用户提示词(User Prompt)的角色区分
# - 提示词注入(Prompt Injection)攻击的风险
# - 少样本示例(Few-shot examples)的效果
# - 思维链(Chain of Thought)对准确性的影响
# - 温度(Temperature)参数与创造性-一致性之间的权衡

在实际工作中会遇到这样的情况：当开发团队提出「把提示词这样改一下应该会更好」时，PM 需要判断这项改动会给整体产品体验带来什么影响。要做到这一点，就必须理解提示词的基本概念。

AI UX 设计的特殊性

AI 界面所需要的 UX 原则，与普通 UI 不同。

处理非确定性输出

与相同输入永远产生相同输出的普通软件不同，AI 每次可能给出不同的结果。这一点该如何传达给用户?

「AI 生成」标签的展示策略
重新生成(Regenerate)功能的设计
收集用户对 AI 输出反馈的界面

不确定性的可视化

当 AI 表示「不太确定」时，该如何呈现?要不要显示置信度分数?以什么形式呈现?

渐进式呈现(Progressive Disclosure)

当 AI 生成复杂结果时，是一次性全部展示比较好，还是先展示核心结果、把详细内容折叠起来更好?流式响应又会带来怎样的心理效应?

错误体验设计

AI 给出错误答案时的 UX。「这个回答对你有帮助吗?」这类反馈回路该如何设计?

伦理型 AI 产品设计

AI PM 需要理解技术伦理，并不仅仅因为这是「一件好事」。设计不当的 AI 会带来法律风险、品牌风险，以及对用户的实际伤害。

偏见(Bias)管理

招聘 AI、贷款 AI、医疗 AI 等支持重要决策的 AI，必须验证其对特定群体是否存在偏见。设计相应的测试用例、定义可接受的标准，是 AI PM 的职责。

隐私与数据使用边界

「这份数据可以用来训练模型吗?」即便法律上允许，也需要判断这是否在用户预期的范围之内。

防止 AI 滥用

必须提前设想恶意用户可能如何滥用 AI 功能，并设计相应的防护机制(guardrail)。

理解 LLM 成本/性能权衡

AI PM 扮演着业务与技术之间的桥梁角色。LLM 成本直接影响产品的经济性。

# LLM 成本计算示例(用于理解概念的数值)
# ---
# GPT-4o 基准(2026 年估算)：
#   - 输入：约 5 美元/百万 token
#   - 输出：约 15 美元/百万 token
#
# 服务设计时需要考虑的因素：
#   - 每位用户的平均消息长度：200 token
#   - 系统提示词长度：500 token
#   - 回复长度：300 token
#   - 预计日活跃用户数：10,000 人
#   - 平均每个会话的消息数：5 次
#
# 每日成本 = 10,000 * 5 * (700/百万 * 5 美元 + 300/百万 * 15 美元)
#         = 约 62.5 美元/天
#         = 约 1,875 美元/月

AI PM 必须能够亲自完成这类计算，并参与决策：何时切换到更便宜的模型、如何应用缓存策略。

4. 技术 PM 与非技术 PM 之间边界的模糊化

传统上，PM 分为两类：有开发经验的「技术 PM」，以及具有商业、企划、市场营销背景的「非技术 PM」。

在 AI 时代，这条边界正在瓦解。与此同时，所有 PM 都被要求具备最低限度的技术素养。

AI 时代 PM 所需的技术素养

即便是非技术 PM，也需要理解以下概念。

理解 API

# API 调用示例 - PM 需要理解的概念
# 目的是理解 AI 功能的"输入"和"输出"是什么，
# 以及哪些参数会影响其行为

POST /v1/chat/completions
{
  "model": "gpt-4o",
  "messages": [{"role": "user", "content": "..."}],
  "temperature": 0.7,
  "max_tokens": 500
}

理解这次调用中 temperature 意味着什么、为什么要限制 max_tokens 的 PM，与不理解这些的 PM，决策质量是不一样的。

数据基础知识

不需要亲自编写 SQL，但应该对数据是如何结构化的、能从用户行为日志中提取出哪些信息有基本概念。

系统架构理解

如果不了解微服务、API 网关、数据管道这类概念，与技术团队沟通时就会不断碰壁。

5. AI PM 应具备的最低限度技术知识

用无代码工具亲自搭建 AI 功能

即使不懂后端编程，现在也可以亲自搭建 AI 功能的原型。

Bubble + OpenAI API 集成

把无代码工具 Bubble 与 OpenAI API 连接起来，不写代码也能搭建基于 AI 的网页应用。当 PM 亲自做出原型展示给利益相关方时，沟通效果会好得多。

用 n8n 或 Make.com 实现 AI 工作流自动化

用这些工具，可以在不写代码的情况下搭建出「用户提交表单 → AI 生成摘要 → 发送 Slack 通知」这样的工作流。

用 Streamlit 制作简单的 AI 演示

只要具备基础的 Python 能力，几天内就能用 Streamlit 做出一个 AI 功能演示。

# Streamlit + AI API 简单演示示例
import streamlit as st
from openai import OpenAI

client = OpenAI()

st.title("AI 客服咨询分类器演示")
user_input = st.text_area("请输入客户咨询内容：")

if st.button("分类") and user_input:
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "请将客户咨询分类为：配送/付款/退货/其他 中的一种。"},
            {"role": "user", "content": user_input}
        ]
    )
    st.success(f"分类结果：{response.choices[0].message.content}")

能亲自做出这类演示的 PM，在团队里能发挥远比想象中更强大的作用。

掌握数据分析基础

学一点基础 SQL 会很有帮助。只要掌握基本的 SELECT、WHERE、GROUP BY、JOIN，就能直接回答很多分析类问题。

-- PM 应该了解的基础 SQL 示例
-- 「查看引入 AI 推荐功能后的转化率变化」
SELECT
    experiment_group,
    COUNT(DISTINCT user_id) AS users,
    SUM(converted) AS conversions,
    ROUND(SUM(converted) * 100.0 / COUNT(DISTINCT user_id), 2) AS cvr
FROM experiment_results
WHERE experiment_name = 'ai_recommendation_v1'
  AND date >= '2026-02-01'
GROUP BY experiment_group

6. 12 个月 AI PM 转型路线图

第 1-2 个月：理解 AI 产品与打基础

需要学习的内容：

尝试使用 OpenAI API Playground(亲自调整提示词，理解模型的行为方式)
学习 Google 的免费课程「Introduction to Generative AI」
观看 Andrej Karpathy 的「Intro to Large Language Models」视频
密集使用目前正在运营中的 AI 产品(ChatGPT、Perplexity、Notion AI 等)并分析其 UX

目标：

能够用非技术的语言解释 LLM 是什么、如何运作
能够初步草拟如何定义 AI 功能的成功标准

第 3-4 个月：理解 AI PM 实务

需要学习的内容：

「Building AI Products」相关内容(a16z、Sequoia 等博客上的 AI 产品案例研究)
亲自制作 AI 产品原型(Bubble+OpenAI 或 Streamlit)
对 AI 偏见与伦理有基本了解(AI Now Institute 报告等)
收听真实 AI 创业公司 PM 的访谈或播客

目标：

能够撰写一份简单的 AI 功能 PRD
能够识别 AI 产品的风险要素并提出缓解方案

第 5-7 个月：积累实战经验

如果你目前在职：

主导一个为现有产品新增一项 AI 功能的项目
在团队内提出并搭建 AI 功能评估流程
企划一个 LLM 成本监控仪表盘

如果你正准备跳槽：

积极争取 AI 创业公司的实习或合同工经验
以副业项目的形式企划并发布一款 AI 产品

第 8-10 个月：强化个人定位

在 Medium/Substack 上发布 AI 产品企划相关的洞察文章(每月 2 篇)
参与 AI PM 社群(Product Hunt Discord、LLM Builders Korea 等)
对目标企业的 AI 产品进行深入分析，撰写改进方案(用作作品集)

第 11-12 个月：执行转型

联系猎头，强化人脉网络
准备面试：准备 10 个 AI 产品案例研究
强化谈判筹码：调研 AI PM 的薪资区间

7. 打造 AI 产品企划作品集

PM 作品集的特性

PM 无法展示代码。作品集展示的是「这个人是如何思考的」。

作品集的构成要素

要素 1：AI 产品案例研究

深入分析现有的 AI 产品(ChatGPT、Notion AI、GitHub Copilot 等)。

# 案例研究结构模板：
#
# 1. 产品概述与目标用户
# 2. 所解决的核心问题
# 3. AI 功能的设计方式分析(UX + 推测的技术实现)
# 4. 做得好的地方与可改进之处
# 5. 如果我是 PM，接下来会构建什么
# 6. 如何定义成功指标

要素 2：亲自企划的 AI 产品 PRD

为一款实际并不存在的 AI 产品撰写 PRD。但不能只停留在想法层面，而要包含：

市场调研与用户调研摘要
具体的 AI 功能规格(含评估标准)
风险分析(技术层面与伦理层面)
Go-to-Market 战略概述

要素 3：真实的 AI 功能发布经验

如果可能的话，放入一个你实际做出来的 AI 功能或产品。哪怕规模很小，只要有真实用户使用，就是最有力的证明。

用无代码工具做出的 AI 产品也没问题。「我用 Bubble 和 OpenAI API 企划并发布了 Y 服务，现在有 X 位用户在使用」这样的故事很有吸引力。

结语：AI PM 是一名翻译者

如果要用一句话定义 AI 产品经理的本质，那就是：「把 AI 的可能性与局限翻译成商业语言，同时把商业的需求翻译成 AI 可能性语言的人」。

AI 开发者关注的是模型有多准确、有多快。商业利益相关方关注的是营收、成本、用户满意度。而 AI PM，就处在两者之间的某个位置。

这种翻译能力，既不需要完全精通技术，也不需要成为商业专家。只要能充分理解双方、维系对话、提出正确的问题，就足够了。

而这样的人，是 AI 极难取代的。

从今天开始，不要只是单纯地使用你手边的 AI 工具，而是带着「这个功能是怎么设计出来的?下一步会是什么?如果我是 PM，会怎么改进它?」这样的思考去使用它们。这就是迈向 AI PM 的第一步。