产品经理用AI，跟普通人有什么不同？

最近跟一个产品经理朋友聊天，他们公司最近单独拉一个只有产品经理的 team，要在接下来半年把过去几年火过的产品工具，“加上 AI 驱动”重新做一遍。

美其名曰“抓住 AI 浪潮的红利”。

这不是今天的重点，重点是他在高频的用 AI 设计产品一段时间后，对“使用 AI”这件事有了全新的认知：

产品经理用 AI，跟普通人完全不一样，至少要高一个维度才行。

以前用 AI 工具处理问题时，AI 犯的各种错误都在“明面”上放着，错了追问几轮或者重开一个窗口就解决了，没感觉有啥。

但是自从他把 AI 拉到自己的阵营成为“队友”后，他发现这家伙控制起来还是挺难的。

对的，AI 对他来说，已经从“甲乙方”关系，变成“同事”了。

不仅“关系”变了，AI 的“所作所为”也不在“明面”上摆着了：

• 一个是你不可能盯着 AI 跟每个用户的对话；
• 另一方面，AI 的输出是功能逻辑中的一环，它藏在中间犯错排查起来很烦。

当你让 AI 帮你一起服务你的用户时，作为产品经理，必须非常严格的控制它的所有作为。

他举了个例子，还挺典型的：

他做了个 AI 翻译工具，逻辑很简单：一个输入框让用户提交翻译需求，AI 翻译后返回。

但是这里面有一个巨大坑。

当用户在输入框里提交的翻译需求是一个“指令性”的表达时，AI 就会被用户带跑偏……

比如用户要翻译的那句话是“使用 Python 帮我写一个贪食蛇小游戏”，AI 就会得儿了吧唧的，输出一个贪食蛇游戏代码！

某千亿大模型AI截图

以及，一旦用户发现了跟他交互的是个 AI 大模型，很多用户会“自作聪明”的调教大模型：故意使用一些奇奇怪怪的表达来为难 AI。

这种情况还算好控制，产品经验丰富的基本都能提前想到，在提示词里是比较好控制的。

最难的是让 AI 严格按照要求输出内容。

他遇到的最烦的事情，是 AI 会有 5%-10% 的概率自作主张的解释自己的所作所为。

比如，很多时候，为了让 AI 生成的内容可以被下一个功能点接收解析，需要 AI 生成 JSON 格式，并且不能输出其他任何内容，否则下游解析不了。

这种情况下，AI 经常会像故意的一样，在按要求输出的 JSON 格式后面加一句“以上是按照你的要求输出的 JSON 格式，希望它不会给你的系统造成故障”……

自作主张解释

哪怕 AI 老老实实只输出 JSON 格式不做任何解释，有时直接以文本格式输出（期望的），但有时给放在代码块里的“失控操作”同样超级让人头疼。

普通用户用 AI 的容错率是极高的，大不了不用了。但是产品经理用 AI 的容错率必须是 0：
要么把提示词打磨到足够可控，要么提前想到所有可能的情况，使用古典技术来控制。
要么，就别碰那所谓的“AI驱动”……

这让我想到了前几天一个朋友的分享：

在普通人讨论“价格战”的时候，真正的实战派考虑的是“控制的 ROI”。

看起来很简单的事情、看起来是免费的东西，反倒可能是最麻烦、最贵的。

如何转行/入门AI产品经理？

现在社会上大模型越来越普及了，已经有很多人都想往这里面扎，转行/入门AI产品经理，但是却找不到适合的方法去学习。

作为一名资深码农，初入大模型时也吃了很多亏，踩了无数坑。现在我想把我的经验和知识分享给你们，帮助你们学习AI大模型，能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI产品经理入门手册、AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习，等录播视频免费分享出来，需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

二、AI产品经理入门手册

三、AI大模型视频教程

四、AI大模型各大学习书籍

五、AI大模型各大场景实战案例

六、结束语

学习AI大模型是当前科技发展的趋势，它不仅能够为我们提供更多的机会和挑战，还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型，我们可以深入了解深度学习、神经网络等核心概念，并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时，掌握AI大模型还能够为我们的职业发展增添竞争力，成为未来技术领域的领导者。

再者，学习AI大模型也能为我们自己创造更多的价值，提供更多的岗位以及副业创收，让自己的生活更上一层楼。

因此，学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。