一、AI PM 的上下限要求

过去做互联网产品，我们考虑PMF（Product-Market Fit，产品市场匹配），找对需求就成功了一半。

现在，不仅要考虑PMF，还需要考虑PTF（Product-Technology Fit, 产品技术匹配）。

什么叫产品经理懂技术？并不需要你去手撕大模型调参，而是要深度理解技术边界：

知上限：行业当前最佳 AI 能力天花板在哪？这决定了产品体验的极致能做到什么程度。
知下限：AI 技术的局限性在哪？知道哪里会坑，才能针对性地扬长避短，用工程化手段去兜底。

既懂业务又懂技术，是大模型时代对AI产品经理的两项基本要求。

那么在做产品规划时，切记技术服务于业务，切忌为了AI而AI。

所以不妨先问自己这几个问题：

生死局：如果当前业务不接入AI的话，是否会被淘汰？算账局：如果接入AI的话，是否能提升利润和生产力？最优解：借助AI是否能够找到更有效的解决方案？新杠杆：借助AI是否能撬动新价值？

想清楚这些问题，结合北极星指标，那么你的AI 产品规划才能既有灵魂又有价值。

二、理解AI与应用的关系

1. 不是所有的应用都一定需要使用AI。

很多人安装上小龙虾后用不起来，不是token的成本考量，而是根本没应用场景。

经过2023、2024两年的模型成熟期、2025年的Agent探索成型期，站在2026年，行业共识正在从“AI噱头”转向“需求优先”的务实思维。

避免拿着锤子找钉子，从业务视角来看，应用场景对AI的需求程度，大致可以分为三层：

第一层：不需要用AI——莫要杀鸡用牛刀

在一些规则明确、准确率要求高的场景，通常并不需要引入大模型。

比如财务对账、库存管理场景，算好ROI，否则盲目引入不仅增加了没必要的延迟和成本，还要承担模型幻觉代价。

第二层：有AI更好——突破瓶颈体验升维

在业务涉及大量非结构化数据处理，或者需要提供千人千面的个性化服务，且具有一定容错空间的场景。

在这些场景，借助AI赋能会更好，比如将原本昂贵的“1v1私教或客服”服务，边际成本降到极低。

产品经理的核心任务是：寻找业务链路中“人力耗时长、知识门槛高”的卡点，用AI去替换或辅助。

第三层：必须使用AI——无AI不成立，重塑品类

如果业务核心诉求是生成式创作、跨模态理解或复杂的开放式推理，比如早期的人脸识别、AI编程、图像与视频生成，以及基于自然语言的数据分析 Agent等。

这属于AI Native产品，如果没有大模型，这个产品不存在。

2. 好的 AI 设计，是“浑然天成”的隐身术。

AI可以作为产品介绍中的技术亮点，但在应用功能呈现上，没必要强刷AI的存在感。

用户根本不在乎背后是 if-else 逻辑判断还是千亿参数大模型自主规划，他们只在乎“好不好用”。

举个例子：

最近我体验了Keep新增的AI陪跑功能，非常浑然天成的AI应用场景，在之前只会提醒“你已跑步xx公里，用时xx...”的基础上，借助AI能够让语音陪伴更有趣味、更个性化。

但是！上次户外跑使用的体感非常糟糕，中途我正动力十足地跑着，它突然跟我说：你跑得太快了，这不利于减脂。不仅干扰了我跑步的心流状态，而且我并没有减脂诉求，这种体验只会觉得：这个AI在强刷存在感，既不懂我，又很啰嗦。

很显然，这个功能在深入理解用户数据、做个性化陪跑这两个点上还需要迭代优化。

所以AI 应用想要真正打透用户心智，有两个维度必须投入足够精力做好：

一是数据：在底层大模型能力趋同的今天，数据是唯一的差异化护城河。尽管无法直接拿用户数据去微调模型，但用户填选的偏好、交互行为、痛点反馈，都是指导我们进行数据收集和产品迭代最宝贵的洞察。
二是记忆：为什么有的 AI 像个冰冷的机器，有的却像个老朋友？核心在于记忆管理。追踪历史信息，记住用户的偏好，才能赋予产品真正的“活人感”。

深度切入场景，真正懂得用户，才能让AI与功能浑然天成，而不会让用户觉得多余。

3. 产品规划必须与模型发展动态迭代更新。

模型发展速度极快。有时候我们做了很多prompt调优和工程化补齐出来的效果，下个月就被大模型的一次原生迭代给取代了，比如早期的长文本PDF解析。

所以在做AI产品迭代时，产品经理必须具备“双轨视角”：

一方面，要有前瞻性的需求洞察，通过工程提前布局那些模型暂时的短板；
另一方面，也要时刻跟踪模型的最新进展，及时调整策略，果断做减法。

可以借助自动化评测，监控模型更新后的效果，帮助判断是否还需要接入某个skill或工具，以及某部分提示词调优或工程兜底是否可以去掉。

三、评测驱动迭代才是唯一真理

由于大模型能力太强了，很多时候在产品预研阶段，套壳模型跑个demo就让人很惊艳，但这初步成功具有误导性。

从一个惊艳的 Demo，到一个能稳定交付商业价值的工业级产品，这中间横亘着巨大的鸿沟。

AI时代的产品60%的时间都花费在评测驱动的产品优化上，克服最难的“最后一公里”挑战。

特别是在构建严谨的企业级应用时，我们可以借助自动化评测体系，持续监控模型版本、skills、提示词等更新后的实际效果。

关于评测的重要性再强调也不为过，不过这里就不赘述了，可以参考之前的文章。

另外，我正在系统性地梳理「AI评测指南手册」，如果感兴趣的小伙伴可以添加我好友，整理成册后优先发给你。

AI 时代，我们不再只是画原型的“需求搬运工”，而是连接前沿技术与真实业务的“超级架构师”。

你所在的业务线，目前处于“套壳阶段”还是“评测驱动阶段”呢？

欢迎在评论区和我聊聊你的困惑。