在大模型时代下，AI产品要怎么做？AI应用需要什么样的产品经理？做好AI产品需要具备哪些能力以及准备？本文从八个维度的重点内容展开，希望能带给你一些启发。
大模型时代的产品要怎么做？AI应用需要什么样的产品经理。
今天可能没有多少创业机会了，但还有很多做生意的好机会。时代在呼唤更多的全栈技术全栈产品，属于个体开发者的好时代终于又回来了。
本文内容，重点关注以下问题：
通过搭一个乞丐版产品理解用户意图，然后把过去几年客户的最佳实践和成功手册、交付案例、客服知识库……给到AI训练，看能否给到用户运营方案的建议。
总结下来大概是这 6 个能力：理解用户意图、提供用户运营方案建议、生成营销创意、自动化执行、自动化监督、自动化归因。
最开始构建 AI 产品的时候是从用户视角出发，提供解决具体问题的场景功能；
其次是能够看到用户在各种各样场景下沉淀的数据，比如看过的视频、文章、问过的问题，这些都是 LLM 不会有的用户的私有数据。
从过去的经验看，数据肯定不是壁垒，但有了数据后，把它作为 context 传给LLM，让这个 LLM 更懂你，这个差异化体验是壁垒。
比如，让 LLM 帮你起个标题是在编，但把商品信息一起给到 LLM，效果就不一样了。
所有不甘于只做 AI 工具的应用，都需要考虑数据沉淀下来的 AI 资产，让产品能够基于资产，更个性化地服务用户。
需要沉淀的数据不是什么交易额，而是用户在解决某个场景问题在最近某段时间（如一个月内）有多少最佳实践的问答对，比如在小红书上怎么设置店铺的优惠券 —— 需要足够多的最佳实践整理成的问答对。
所以最终我可能不是一个卖软件系统的公司，可能是一个智能运营系统的运营商，通过无数最佳实践和最佳实践的总结，去不断录入、运营这个系统，让它变得越来越智能。
大厂的数据很多，但不是真的强。很多数据不是结构化的，并不能直接拿来给大模型用，那么，今天做 AI 产品的问题是，怎么通过你的产品设计，让用户生产模型能用的数据？怎样依托数据的循环、和独有数据的积累完成产品设计？
一是通用大模型，用户的使用数据对通用大模型来说目前没有太大的提升，还是通用大模型自己的能力；这部分主要用来理解用户意图，满足60分的基础就可以。
二是行业领域通识，在这层做微调（投喂），可以让这个 AI 产品在特定行业领域里理解用户意图、对话与交互的能力会更强；
三是加入对用户场景的业务理解（比如写prompt、界面优化）。
在现阶段，做 AI 应用就主要在二和三不断优化。
不要去搞独立的东西，比如电商客服的应用、写文案的应用，独立的东西大模型很可能最后会把它覆盖了。
B端场景的优势在于能交付一个工作流并给到用户结果，有闭环的、活的、每天都在发生的数据。
需要对用户现在要解决的工作流程的理解，比如用户要造一把椅子，他是怎么搞的？他要去运营消费者，他是怎么搞的？要对他内部作业流程有理解。
这么多年 toB 领域的皇冠是谁？做一些ERP的！这不就是企业的工作流吗？
所以飞书、钉钉和企业微信，大家最后的组织能力谁强？
强的肯定是对他服务的客户组织协作流和工作流的理解。
所以第一拼的是你对作业流程的理解，如果你能把这个理解通过AI交付一个工作过程，然后这个工作过程还是能直接给你结果的，你这个是个好产品。
如果你只是给人家生成某个东西，你最后就不是一个好产品。
ToC 产品更多是关注单点的价值创造和体验的优化。
现在的模型厂商其实特别像芯片厂商，AI 应用公司就像消费电子公司。
我们思考组织问题的时候，会想我应该花大钱去招一个算法工程师、还是招一个很会做增长的同学？
后来我们想到这个问题的背后，是你到底要学什么公司？我们不应该学高通、不应该学英伟达，我们应该学小米、学大疆、学苹果。
本质上 toC 的公司更像是消费电子公司，要关注供应链，上半年买不到GPT-4，因为就 OpenAI 不卖，或者限量卖的，但是微软卖，微软说你充20万我就卖给你，这个就像典型的供应链管理问题。
我们要关注定价，OpenAI的成本，LLM 降价了，开完发布会降到三分之一了，我们是跟着变吗？好像不对，你应该是价格不变，但是给更多东西。
新一代的小米手机，高通变牛逼了它还是应该卖这样的价位。
我们要关注品牌，让大家想到应用的时候就想到你。
要关注渠道，关注毛利率，有规模化了之后，可以维持好毛利率，才能有钱去投研发、投广告，让更多人用起来，形成正向循环。
是不是非得有 LLM 能力才能做出超级应用来？换个问法，有了LLM能力就能做出超级应用吗？也不是。超级应用本来就很难，消费电子也是全方位竞争，不如关注我们能关注的事。
苹果的 Day1 也没有造芯片，它先用的Intel，然后花了20年的时间才把那个芯片换成自己的MC芯片。所以消费电子是一个全方位的竞争，不要觉得 LLM 牛逼才是一切。
私有数据很重要，给LLM足够多的上下文特别重要，浏览器插件是个好形态，看用户过去说过什么东西、查过什么东西、存了什么东西……（当然即便这样可能还是不能赢）。
Perplexity 底层搜索用的是 Bing 的API，结果处理用的是 GPT 的API，是一个纯粹的套壳。他的用户是Google的万分之一，但是在这个品类里他会经常被提起，这证明了他作为产品设计维度上是有一定想象空间的。
一、它的搜索框是一个text area，它是多行的，而Google是单行的。
背后的暗示是，Google搜索可能需要用户输入一个短语、或者简短的一句话；而perplexity是可以输入很长一段话，它帮你拆解这件事，帮你做好检索，它更符合人类对于问题的想象。
二、它很AI Native，没什么负担。
Google搜索出来的结果，会带有大量的链接，即使有生成式的答案，链接永远在主要的位置。Perplexity的设计是先出很长一段的答案，链接的形态是一个个附注小标，答案来自这些地方，你可以自行去溯源。
从产品设计的角度，它没有传统搜索竞价排名的负担、或者卖广告的负担，他可以重新定义自己的产品设计，背后的商业逻辑是它的搜索可以直接面向用户收费。
四五年前出现了一个新公司 Figma，专门只面对用户界面设计，他做了几件事：
所以 Adobe 慌了。整个 IT 行业越来越重视用户界面，越来越重视用户体验，Figma 占据了它的 30%，而且可能会越来越多，所以两年前，当 Figma 只有 1 亿美元收入的时候，Adobe 拿了 200 亿美元要买它。
这是一个在增长的市场，而且功能占 Adobe 很大比例，这个收购价格在商业上是合理的。
但两周前 Adobe 反悔了，说监管不同意，不买了，可以交10亿美金的罚款。
为什么呢？
体验设计最主要的几个环节，一是有想法，有人给你设计风格；二是有想法，设计完风格后需要不断加功能，这时候需要做重复性的界面设计；三是产品成熟后不需要什么体验设计，顶多在某个功能里加个小icon。
今天，全球互联网的投资人不怎么投钱了，不怎么搞增长了，大家都说我不在快速增长期，在相对成熟期，整个行业的需求没这么多了。
第二个原因是，AI 出现后大家发现直接聊天给指令就能生成结果了，可能未来界面交互就不太需要了。核心还是人机交互发生了变化。
开源的模型能够实现私有化部署了，应用场景会更广泛。
如果大模型幻觉可控，PMF会进一步上升。
Context Window 的突破，如果能够支持更多的上下文，也能发送更长的 prompt，RAG也会更好做一些，可以不用类似 embedding 的方式。
产品经理最早是宝洁定义的一个职位，是非常经典的传统商业定义的职位，当时解决的问题是，我需要一个人同时去负责从品牌到渠道到定价到供应链的所有问题 —— 所以有了个职位叫产品经理。
在过去20年互联网浪潮里，互联网产品经理已经被高度分工化和职能化了，有了交互设计师、UI……各种精细化的岗位，一个人的活拆成了20个人干。
但在今天，做AI应用的产品经理，可能需要回到Day1去思考。
一、他需要很懂（写prompt谁都能干），他需要知道技术的边界在哪、理解现在的模型哪些能干哪些不能干，需要对技术有理解。
二、他需要对成本有理解，卡很贵、算力很贵、LLM很贵、推理很贵……传统互联网可以免费，但做AI应用，他可能在很早阶段就要去想成本问题、想供应链问题。
三、他还需要懂市场，从市场的角度，要定义比如「逆光也清晰」这个市场需求，要怎么实现？拉动底层驱动的工程师说我们要调出这样的效果，逆光也清晰的效果。
总的来说，这也解释了为什么独立开发这么厉害，他们是复合型人才，他们能搞明白所有的问题，然后把东西快速理出来。这是AI时代下对产品经理的要求 —— 其实又回到了宝洁当时的定义。
就像二十年前一个人写出 foxmail 的张小龙。
有赞创始人白鸦和Monica创始人肖弘对本文亦有贡献。
作者：潘乱；公众号：乱翻书（ID：luanbooks）
本文由 @潘乱 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。