今天刷到一期特别好的播客，嘉宾叫 Jyothi Nookula，在 AI PM 这个领域干了 13 年半，拿过 12 项 AI 专利，先后在 Meta、Amazon、Netflix 担任 AI 产品负责人。
这期节目聊到了 AI 产品经理和传统产品经理的区别，AI PM 的分类，以及怎么一步步走进这个领域。
内容足够具体。不是那种泛泛的趋势分析，而是实打实的认知框架和决策方法。我把核心内容整理成三个部分，从认知到落地逐步展开。希望对大家有启发。
同样，这期内容也送给我的好朋友阿蚁。他最近正在焦灼的准备 AI 产品经理的面试。我想这篇文章，应该能给他带来一些新的视角。
1
AI 产品经理这个岗位，在不同的公司，工作内容差异特别大。所以大家在选择的时候，一定要看清楚。
整体来看，AI 产品经理可以分成两类。
第一类，其实还是传统 PM，只是产品里加了 AI 功能。比如给客服系统加个聊天机器人，给文档工具加个摘要功能。这类岗位占大头，大概 80%。产品本身原来就存在，AI 更像一个增强层，一个外挂。
第二类，才是真正的 AI 原生 PM。这类岗位大概只占 20%。这里的产品从底层就是 AI，AI 不是功能点，而是产品本体。像 ChatGPT、Claude、Copilot、Cursor、Perplexity 这种，都属于这个范畴。它们的共同点是，离开 AI，这个产品根本没法成立。
这两类岗位的能力要求完全不同。前者更像是在已有产品上做增量，后者要从零理解 AI 的边界和可能性。很多人冲着第二类去投简历，但绝大多数机会其实在第一类。
同时，按照技术栈来划分，又可以大致分为三类：
最上面是应用层 PM，占 60%。这群人关注的是用户怎么跟 AI 交互，怎么建立信任，怎么让 AI 在日常场景里好用。这一层是传统 PM 转型最容易切入的地方，因为它需要的技能组合跟原来最接近：用户洞察、体验设计、需求优先级。
中间是平台层 PM，占 30%。做的是给其他团队用的工具和系统，比如模型编排平台、评估框架、可观测性工具。需要懂技术架构，也要懂开发者体验。
最底下是基础设施层 PM，只有 10%。向量数据库、GPU 调度、模型推理优化，都是这群人的地盘。技术门槛最高，岗位也最少。
越往底层走，技术要求越高。转型最现实的路径是从应用层开始，不是因为它简单，而是因为它最接近原有的技能基础，学习曲线平滑一些。在这一层站稳了，再决定要不要往下探。
2
我一个朋友前两天跟我聊，他想转型做 AI 产品经理，因为 AI 是明确的趋势，如果自己做的事跟 AI 不沾边，就没办法赶上这一波红利。而所以他的思路是尽快转到 AI 相关的产品经理岗位上。
想法没问题，但紧接着就有一个很现实的问题：怎么让别人相信自己能胜任这份工作？
这期播客里提到一个特别实在的思路：做产品，别做项目。
这两个词听起来差不多，区别其实很大。项目是完成就结束了，做完打个勾，写进简历。产品是要有人用的，要上线，要面对真实用户的反馈。
很多人学 AI PM 的方式是看课程、做练习、拿证书。这些都有用，但不够。因为面试的时候能说的只有概念和流程，没有体感和判断。
更好的方式是找一个自己真实的痛点，用 AI 来解决它。做出来之后，让朋友和家人用起来。这时候突然就有了真实用户，开始处理真实的反馈，要做真实的迭代决策。这些经历才是面试时有底气的来源。
一个不错的入门 portfolio 是三样东西：一个解决真实痛点的 AI 应用，一个 Agent，一个 RAG 系统。不用很复杂，用 Vibe Coding 的方式，结合云平台的能力。关键是完整走一遍从想法到上线的过程。
很多人觉得先学完、准备好了，再去做东西。顺序应该反过来。在做的过程中学，遇到不懂的再去补。这样学到的东西是长在骨头里的，不是飘在空中的概念。
而且做产品有一个额外的好处：它会逼着人思考真正重要的问题。这个场景真的需要 AI 吗？用什么技术方案？怎么评估效果？这些问题在课程里是习题，在真实产品里是必须回答的。
3
接下来说说 AI PM 这个角色最核心的思维转变。
传统产品是确定性的，AI 产品是概率性的。这是根本区别。
确定性的意思是，一个按钮点下去，每次都打开同一个页面。一个表单提交之后，每次都走同一个流程。输入和输出之间有稳定的映射关系，可以预测，可以复现。
AI 产品不是这样。同样的问题问两遍，答案可能不一样。同样的图片识别两次，置信度可能有波动。这不是 bug，这是大模型的本质特征。
对产品经理来说，这意味着不能再用对错二元来思考问题了。传统产品里，一个功能要么 work 要么不 work。AI 产品里，要开始想质量分布：大多数情况下表现怎么样，极端情况下会出什么问题，用户能接受的错误率是多少。
举个例子。一个客服机器人，90%的时候能正确回答问题，10%的时候会犯错。这个表现能不能上线？取决于那 10%的错误会带来什么后果。如果只是回答不够完美，用户可能会宽容。如果错误会导致财务损失或者安全问题，10%就太高了。
AI PM 需要建立一套新的评估框架。不是问这个功能行不行，而是问这个功能的表现分布是什么样的，哪些情况下表现好，哪些情况下会退化，退化的时候怎么兜底。
还有一个变化：数据变成了一等公民。
传统产品里，数据更多是用来做分析的，帮助理解用户行为、优化转化漏斗。AI 产品里，数据直接就是产品体验的一部分。模型是用数据训练出来的，数据质量差，模型表现就差。Garbage in, garbage out.
AI PM 必须关心数据从哪里来、质量怎么样、有没有偏差、够不够用。数据策略不是工程师的事情，这是产品设计的一部分。在动手做任何 AI 项目之前，得先把数据问题想清楚。
4
思维转变之后，最后说说具体怎么做决策。
第一个要判断的：这个问题应该用 AI 解决，还是用规则就够了？
现在有一种风气，好像什么问题都要往 AI 上靠。但知道什么时候对 AI 说 No，是 AI PM 很重要的能力。
适合用 AI 的情况：复杂数据里有模式，但人很难手动定义规则；有几年的历史数据，想预测未来趋势；需要给成千上万的用户提供个性化体验，靠人根本做不过来。
适合用规则的情况：可解释性是刚需，必须说清楚为什么做这个决定；业务逻辑很明确，写成 if-then 就能搞定；数据量太小，不够训练一个靠谱的模型；开发速度是第一优先级，没时间折腾。
第二个要判断的：如果要用 AI，选哪种技术？
AI 技术可以分成三个桶。
传统机器学习，包括回归、随机森林、XGBoost 这些。成熟稳定，现在依然支撑着大量 AI 应用。适合结构化数据，能放进电子表格那种，想预测一个数字或者一个类别。欺诈检测、用户流失预测，都是它的强项。
深度学习，包括神经网络、计算机视觉、语音识别。适合感知类任务，输入是图像、视频、音频。一个判断标准是：人类做这个任务很容易，但写规则很难。比如认出一张脸是谁，人眼一看就知道，但让工程师写代码描述什么特征构成这张脸，几乎不可能。
生成式 AI，包括大语言模型、图像生成模型。适合理解或生成自然语言，跨多个信息源做推理和综合，用户要用对话方式跟产品交互。
这三类技术不是竞争关系，是工具箱里的不同工具。最好的 AI 产品往往会混合使用。
第三个要判断的：要不要做 Fine-tuning？
Fine-tuning 永远不应该是第一选择，甚至不应该是第二选择。
正确的顺序是这样的。先优化 Prompt，设计好系统提示词，提供几个好的示例。然后做 Context Engineering，搞清楚该往模型里塞什么信息、什么时候塞。再然后是 RAG，从知识库里动态检索相关内容，让模型基于企业自己的数据来回答。
这三步走完，80%的用例都能解决。只有这些都不够用的时候，才考虑 Fine-tuning。因为 Fine-tuning 成本高、周期长，而且一不小心就会把模型调坏。性价比非常低。所以，非必要，非老板拍板，别轻易做微调。
5
AI 产品经理其实是个新行当。有点像十多年前移动互联网刚起来的时候，大家都在招客户端产品经理、移动端产品经理。那时候这个岗位也很新，大家对它的理解差异也很大，技术栈也在快速变化。
几点建议。
第一，紧跟技术前沿。要知道当下最新的趋势是什么，硅谷有哪些有意思的产品。这个边界每隔几个月就会移动一次，得跟上。
第二，尝试用 AI Native 的方式去解决问题。同样是做一个数据分析，以前的习惯是打开 Excel 自己算。现在能不能让 AI 来算？同样是写一份报告，以前是从空白文档开始敲字。现在能不能先让 AI 出个初稿，再在上面改？这个思维方式的切换，比学任何具体工具都重要。
第三，Build Something。看再多文章、听再多播客，不如自己动手做一个东西出来。做出来的东西就是作品，作品会替人说话。
早点建立作品思维。如果我们做成的那些事情中，其中有一件的产出是一个可以称为“作品”的东西，能够持续、深度影响到很多人，那这件事就会成为我们人生的杠杆、思想的放大器。
这期节目聊到了 AI 产品经理和传统产品经理的区别，AI PM 的分类，以及怎么一步步走进这个领域。
内容足够具体。不是那种泛泛的趋势分析，而是实打实的认知框架和决策方法。我把核心内容整理成三个部分，从认知到落地逐步展开。希望对大家有启发。
同样，这期内容也送给我的好朋友阿蚁。他最近正在焦灼的准备 AI 产品经理的面试。我想这篇文章，应该能给他带来一些新的视角。
1
AI 产品经理这个岗位，在不同的公司，工作内容差异特别大。所以大家在选择的时候，一定要看清楚。
整体来看，AI 产品经理可以分成两类。
第一类，其实还是传统 PM，只是产品里加了 AI 功能。比如给客服系统加个聊天机器人，给文档工具加个摘要功能。这类岗位占大头，大概 80%。产品本身原来就存在，AI 更像一个增强层，一个外挂。
第二类，才是真正的 AI 原生 PM。这类岗位大概只占 20%。这里的产品从底层就是 AI，AI 不是功能点，而是产品本体。像 ChatGPT、Claude、Copilot、Cursor、Perplexity 这种，都属于这个范畴。它们的共同点是，离开 AI，这个产品根本没法成立。
这两类岗位的能力要求完全不同。前者更像是在已有产品上做增量，后者要从零理解 AI 的边界和可能性。很多人冲着第二类去投简历，但绝大多数机会其实在第一类。
同时，按照技术栈来划分，又可以大致分为三类：
最上面是应用层 PM，占 60%。这群人关注的是用户怎么跟 AI 交互，怎么建立信任，怎么让 AI 在日常场景里好用。这一层是传统 PM 转型最容易切入的地方，因为它需要的技能组合跟原来最接近：用户洞察、体验设计、需求优先级。
中间是平台层 PM，占 30%。做的是给其他团队用的工具和系统，比如模型编排平台、评估框架、可观测性工具。需要懂技术架构，也要懂开发者体验。
最底下是基础设施层 PM，只有 10%。向量数据库、GPU 调度、模型推理优化，都是这群人的地盘。技术门槛最高，岗位也最少。
越往底层走，技术要求越高。转型最现实的路径是从应用层开始，不是因为它简单，而是因为它最接近原有的技能基础，学习曲线平滑一些。在这一层站稳了，再决定要不要往下探。
2
我一个朋友前两天跟我聊，他想转型做 AI 产品经理，因为 AI 是明确的趋势，如果自己做的事跟 AI 不沾边，就没办法赶上这一波红利。而所以他的思路是尽快转到 AI 相关的产品经理岗位上。
想法没问题，但紧接着就有一个很现实的问题：怎么让别人相信自己能胜任这份工作？
这期播客里提到一个特别实在的思路：做产品，别做项目。
这两个词听起来差不多，区别其实很大。项目是完成就结束了，做完打个勾，写进简历。产品是要有人用的，要上线，要面对真实用户的反馈。
很多人学 AI PM 的方式是看课程、做练习、拿证书。这些都有用，但不够。因为面试的时候能说的只有概念和流程，没有体感和判断。
更好的方式是找一个自己真实的痛点，用 AI 来解决它。做出来之后，让朋友和家人用起来。这时候突然就有了真实用户，开始处理真实的反馈，要做真实的迭代决策。这些经历才是面试时有底气的来源。
一个不错的入门 portfolio 是三样东西：一个解决真实痛点的 AI 应用，一个 Agent，一个 RAG 系统。不用很复杂，用 Vibe Coding 的方式，结合云平台的能力。关键是完整走一遍从想法到上线的过程。
很多人觉得先学完、准备好了，再去做东西。顺序应该反过来。在做的过程中学，遇到不懂的再去补。这样学到的东西是长在骨头里的，不是飘在空中的概念。
而且做产品有一个额外的好处：它会逼着人思考真正重要的问题。这个场景真的需要 AI 吗？用什么技术方案？怎么评估效果？这些问题在课程里是习题，在真实产品里是必须回答的。
3
接下来说说 AI PM 这个角色最核心的思维转变。
传统产品是确定性的，AI 产品是概率性的。这是根本区别。
确定性的意思是，一个按钮点下去，每次都打开同一个页面。一个表单提交之后，每次都走同一个流程。输入和输出之间有稳定的映射关系，可以预测，可以复现。
AI 产品不是这样。同样的问题问两遍，答案可能不一样。同样的图片识别两次，置信度可能有波动。这不是 bug，这是大模型的本质特征。
对产品经理来说，这意味着不能再用对错二元来思考问题了。传统产品里，一个功能要么 work 要么不 work。AI 产品里，要开始想质量分布：大多数情况下表现怎么样，极端情况下会出什么问题，用户能接受的错误率是多少。
举个例子。一个客服机器人，90%的时候能正确回答问题，10%的时候会犯错。这个表现能不能上线？取决于那 10%的错误会带来什么后果。如果只是回答不够完美，用户可能会宽容。如果错误会导致财务损失或者安全问题，10%就太高了。
AI PM 需要建立一套新的评估框架。不是问这个功能行不行，而是问这个功能的表现分布是什么样的，哪些情况下表现好，哪些情况下会退化，退化的时候怎么兜底。
还有一个变化：数据变成了一等公民。
传统产品里，数据更多是用来做分析的，帮助理解用户行为、优化转化漏斗。AI 产品里，数据直接就是产品体验的一部分。模型是用数据训练出来的，数据质量差，模型表现就差。Garbage in, garbage out.
AI PM 必须关心数据从哪里来、质量怎么样、有没有偏差、够不够用。数据策略不是工程师的事情，这是产品设计的一部分。在动手做任何 AI 项目之前，得先把数据问题想清楚。
4
思维转变之后，最后说说具体怎么做决策。
第一个要判断的：这个问题应该用 AI 解决，还是用规则就够了？
现在有一种风气，好像什么问题都要往 AI 上靠。但知道什么时候对 AI 说 No，是 AI PM 很重要的能力。
适合用 AI 的情况：复杂数据里有模式，但人很难手动定义规则；有几年的历史数据，想预测未来趋势；需要给成千上万的用户提供个性化体验，靠人根本做不过来。
适合用规则的情况：可解释性是刚需，必须说清楚为什么做这个决定；业务逻辑很明确，写成 if-then 就能搞定；数据量太小，不够训练一个靠谱的模型；开发速度是第一优先级，没时间折腾。
第二个要判断的：如果要用 AI，选哪种技术？
AI 技术可以分成三个桶。
传统机器学习，包括回归、随机森林、XGBoost 这些。成熟稳定，现在依然支撑着大量 AI 应用。适合结构化数据，能放进电子表格那种，想预测一个数字或者一个类别。欺诈检测、用户流失预测，都是它的强项。
深度学习，包括神经网络、计算机视觉、语音识别。适合感知类任务，输入是图像、视频、音频。一个判断标准是：人类做这个任务很容易，但写规则很难。比如认出一张脸是谁，人眼一看就知道，但让工程师写代码描述什么特征构成这张脸，几乎不可能。
生成式 AI，包括大语言模型、图像生成模型。适合理解或生成自然语言，跨多个信息源做推理和综合，用户要用对话方式跟产品交互。
这三类技术不是竞争关系，是工具箱里的不同工具。最好的 AI 产品往往会混合使用。
第三个要判断的：要不要做 Fine-tuning？
Fine-tuning 永远不应该是第一选择，甚至不应该是第二选择。
正确的顺序是这样的。先优化 Prompt，设计好系统提示词，提供几个好的示例。然后做 Context Engineering，搞清楚该往模型里塞什么信息、什么时候塞。再然后是 RAG，从知识库里动态检索相关内容，让模型基于企业自己的数据来回答。
这三步走完，80%的用例都能解决。只有这些都不够用的时候，才考虑 Fine-tuning。因为 Fine-tuning 成本高、周期长，而且一不小心就会把模型调坏。性价比非常低。所以，非必要，非老板拍板，别轻易做微调。
5
AI 产品经理其实是个新行当。有点像十多年前移动互联网刚起来的时候，大家都在招客户端产品经理、移动端产品经理。那时候这个岗位也很新，大家对它的理解差异也很大，技术栈也在快速变化。
几点建议。
第一，紧跟技术前沿。要知道当下最新的趋势是什么，硅谷有哪些有意思的产品。这个边界每隔几个月就会移动一次，得跟上。
第二，尝试用 AI Native 的方式去解决问题。同样是做一个数据分析，以前的习惯是打开 Excel 自己算。现在能不能让 AI 来算？同样是写一份报告，以前是从空白文档开始敲字。现在能不能先让 AI 出个初稿，再在上面改？这个思维方式的切换，比学任何具体工具都重要。
第三，Build Something。看再多文章、听再多播客，不如自己动手做一个东西出来。做出来的东西就是作品，作品会替人说话。
早点建立作品思维。如果我们做成的那些事情中，其中有一件的产出是一个可以称为“作品”的东西，能够持续、深度影响到很多人，那这件事就会成为我们人生的杠杆、思想的放大器。
