第5章

AI产品经理：连接技术与业务的桥梁

用数据和对用户的深入了解，把首席 AI 官（CAIO）定下的方向变成真正能交付、能衡量、且可以持续扩大的 AI 产品或应用场景。

例子：为在线客服推出一个机器人，自动回答 80 % 常见问题，并实时跟踪用户满意度。角色定位

需求发现

目标：找到最能挣钱或省钱的痛点，圈定目标用户。

例子：分析客服日志，发现 70 % 对话是重复问题，于是把“经常咨询的买家”设为核心用户。

典型产出：Pain Point Canvas，用户故事板。

价值评估

目标：用 RICE 或 ICE 模型给每个机会打分，并把分数同北极星指标的输入指标关联。

例子：智能 FAQ 项目的 RICE 得分最高，排在首位。

典型产出：机会评估报告。

产品规划

目标：规划从 MVP 到 Pilot 再到全面推广的路径。

例子：第 1 个月上线能回答前 10 个热门问题的 MVP；第 2 个月在一个业务部门做 Pilot；第 3 个月推广到所有客服渠道。

典型产出：AI PRD，拆分后的路线图。

实验管理

目标：设计并执行 A/B 测试，检查可解释性与安全性。

例子：一半用户使用 AI 客服，一半继续人工客服，比对满意度与误答率，同时监控敏感词。

典型产出：实验方案文档，实时指标仪表盘。

跨职能协同

目标：让业务、数据科学、MLOps、UX 等团队步调一致。

例子：每两周的 Sprint(小迭代周期) 评审会上，产品经理汇报进展，MLOps 确认上线窗口，UX 根据反馈优化对话设计。

典型产出：Sprint Review 纪要，更新后的 OKR。

核心流程（DIDCL）

Discover 发现

听用户怎么说、看日志里发生了什么，找出他们真正想完成的任务（JTBD）和最大的痛点。

例子：访谈 10 位客服代表并查看一周聊天记录，发现多数买家卡在“包裹在哪”这一问题。

Ideate 构思

针对痛点想办法，先画出几个雏形，再检查技术能不能做到。

例子：提出三种方案——关键字检索、智能聊天机器人、自动推送物流进度；快速用现有 API 验证哪种能实时获取物流信息。

Define 定义

把选中的方案写进 AI-PRD，列出需要的数据入口、成功指标以及必须守住的安全和合规红线。

例子：输入指标定为“命中率 ≥ 90%”，护栏指标定为“误导性回答 ≤ 1%”。

Create 开发

产品经理、数据科学家、MLOps 工程师一起做最小可行版本 MVP，每两周更新一次。

例子：第一个 Sprint 先接入物流 API 和基础问答模型；第二个 Sprint 加上用户反馈收集模块。

Launch & Learn 上线并学习

先灰度发布给 10% 用户，对照组继续用旧流程；用 A/B 测试看满意度、回复时间等差异，再根据数据快速改进。

例子：灰度期内机器人回答“包裹在哪”时平均用时 1.2 秒，满意度提升 15%；团队发现深夜误识别率稍高，立刻调整模型阈值。

整条流程是闭环：上线收集的数据会送回探索发现阶段，帮助我们重新发现问题并持续优化。

90 天落地蓝图

0–30 天

关键动作：

• 采访至少 6 位核心用户，抓取并分析历史日志。

• 用 RICE 模型给所有机会打分，选出最有潜力的 Top 3 场景。

里程碑：痛点画像（Pain Point Canvas）、机会评分表。

举例：通过与客服主管、仓储经理对话，发现“包裹查询”“退货指引”和“售后进度”是最常见痛点，RICE 得分最高。

30–60 天

关键动作：

• 写出完整的 AI 产品说明书（PRD）和指标监控仪表盘。

• 联合数据科学和 MLOps 做出最小可行版本 MVP，并在内部灰度测试。

里程碑：MVP 演示、指标基线。

举例：第一版机器人能回答 10 个高频问题，并实时记录回复时长与满意度，为后续对比建立基线。

60–90 天

关键动作：

• 在生产环境灰度上线，对一小部分用户运行 A/B 实验。

• 对照北极星输入指标，评估性能提升并制定扩张计划。

里程碑：A/B 测试报告、下一阶段 Pilot 扩展方案。

举例：10 % 流量的实验组平均回复时间降到 1.2 秒，满意度提升 15 %；团队决定在下季度扩展到全部客服渠道。

关键技能地图

用户洞察

要能听懂用户真正想完成的工作（JTBD）并画出他们的完整旅程。

例子：访谈几位线上买家，梳理从“下单”到“收货”每一步遇到的烦恼。

数据素养

要会写 SQL 把数据拉出来，也要懂得哪些字段能代表用户行为，并设计实验验证想法。

例子：用 SQL 查询一周内所有包裹查询的次数，然后设计 A/B 测试，看机器人回答是否能减少人工客服负荷。

AI 认知

需要懂基础的机器学习和大模型原理，并能写出让模型听话的提示词（Prompt）。

例子：给 GPT 写一个提示词，让它把退货原因分类成“质量问题”“尺寸不合”或“个人喜好”。

产品管理

能写清楚产品需求（PRD）、设定目标（OKR），并排好未来几个月的路线图。

例子：写一份“物流查询机器人”PRD，目标是把平均回复时间降到 2 秒，并在路线图里安排 MVP、Pilot、全面上线三个阶段。

协作沟通

要会主持跨职能工作坊，把想法画出来，让数据科学、工程和设计都能一目了然。

例子：开一场 2 小时的白板会议，快速画出机器人对话流程，现场确定每个人的下一步任务。

常见三大陷阱与应对办法

技术导向 PRD

本质问题：团队先决定要用某个算法或模型，再去找场景配合，结果产品脱离真实需求。

对策：先列出用户故事和要提升的业务指标，再反推该用哪种技术。

举例：客服团队想引入最新多模态模型，但冷静分析后发现买家关心的是“包裹到哪了”，只需用现有物流 API 加轻量文本模型即可解决，省时省钱。

只关注模型精度

本质问题：把精力放在提升 F1 或 AUC 等技术指标，却没有把结果接到业务闭环，模型再准也创造不了价值。

对策：把模型输出与北极星输入指标（如客户等待时间、转化率）直接绑定，同时设定误答率、回复延迟等护栏指标。

举例：语音质检模型的 F1 做到 98 分，但如果质检结果没人查看，呼叫中心依旧低效；因此必须把“发现违规后 24 小时内完成复训”设为流程要求，并监控执行率。

实验得不出结论

本质问题：样本量不够或拆分维度太多，导致 A/B 测试统计显著性不足，看不出方案优劣。

对策：上线前先做统计功效分析，确定最小检测效果，再限制对照维度，保证每组流量足够。

举例：灰度上线智能回复时，把用户分成十几个小组导致每组数据太少，满意度差异看似随机。调整后只分“新用户”“老用户”两组，三周就得出“老用户满意度提升 12 %”的清晰结论。

本章小结

AI 产品经理是战略和技术之间的“价值翻译器”。通过 DIDCL 流程、RICE 评估与指标对齐，把 AI 点子转化为可衡量的业务成果，为业务领航人提供“可插拔”的智能能力。

下一章将聚焦 数据科学家 & MLOps 工程师，解析如何让模型从实验室走向安全、可靠、可持续的生产环境。

工具箱

产品愿景板

用途：一句话扎实描述目标用户、痛点、AI 方案与核心价值

示例：核心痛点＝客服等待长；AI 方案＝LLM 智能分流；指标＝平均等待 ≤ 30 秒

可行性矩阵

用途：评估候选功能的技术可行性与商业价值

示例：语义搜索 | 5 | 全量日志 | 现成向量检索 | 50 万 | 中 | 高

数据需求表

用途：在功能设计阶段就锁定所需数据及合规要素

示例：用户聊天记录 | 训练意图模型 | 客服系统 | 100 万行 | 高 | 人工标注 | 数据团队

实验设计卡

用途：标准化 A/B 测试或离线评估的假设与指标

示例：AI 回复准确率 +5% | 85% | 90% | 10k 对话 | 2 周 | 偏倚数据 | PM

功能排期板

用途：跟踪功能从设想到上线的全流程状态

示例：情绪分析 | 高 | 开发中 | Sprint‑12 | 情感分类模型 | 王 PM