我承认，这个观点有个严重的漏洞。对OpenAI、英伟达这样的公司，以及刚拿诺贝尔奖的辛顿等顶级 AI 科学家， 技术人员当然是最关键的。

但是，为什么他们已经如此成功，我们却看不到多少 AI 产品的成功落地呢？曾经因 AI 而失业的恐慌，也都烟消云散了呢？

固然，一方面原因是当前的 AI 还不足够强大，还需要若干年时间才能实现超越人类智慧的所谓 AGI 或 ASI，才能做好更多事情。

但当前 AI 的能力，其实已经能完成很多工作， 成功落地的案例已经不少了。

那为什么我们看到的不多，体感不强呢？

因为成功的定义变了。

以前一个产品成功，是能产生很大的影响力，收获众多的用户、大笔的融资，最后上市。所以，我们都看得到。

而现在成功的 AI 产品，是解决了非常细分场景的需求，为精准用户/客户（包括内部用户）创造了价值，很快就有成功的商业模式（或者内部实现了 降本增效），但市场体量比较小，影响力也就有限。 团队常常也会选择低调，避免吸引竞争。

比如我的 跟课助手 和 AI 师傅两个项目，都属于此列。

最近一年多，我接触了大量在 AI 领域探索的人。在营销、写作、质检、客服、销售、辅助决策等方向，在教育、医疗、金融、娱乐、文化、工业等领域，都着实见到了真实落地的 AI 项目。当然，也看到了更多失败的项目。

再结合 C 端有影响力的产品，了解它们的起伏，进行综合分析，我不得不得出一个结论：

AI 落地必须由业务主导。而技术在里面并没想象的重要。

为什么 AI 落地，技术不重要？

不是不需要技术了，而是不像传统 IT 项目那么重要了。

这很违反多数人的直觉。 AI 既然是当前最高级的技术，为什么技术反倒不重要了呢？

因为 AI 太高级了，高级到屏蔽了大量的技术细节， 所以极大地降低了对使用者的技术要求。

是的，每一个学习了大模型应用技术的程序员，都会感慨，这技术的门槛真的太低了，低到不需要懂技术也能做。

AI 落地的产品，和 AI 相关的工作主要包括：

1. 拆分工作流

2. 调试提示词

3. 构建知识库

4. 建立测试集

这几件事，是决定 AI 到底能不能满足需求的关键。剩下的都是传统的前后端技术活儿，没难度，也没多少工作量。

就这几件关键的事，不懂编程也能做。而且， 事实证明，业务人员能比程序员做得更好。

为什么 AI 落地

不具备业务领域的知识，不可能建出好的知识库。

不熟悉业务的质量标准，不可能做出有效的测试集。

从未实操过业务的程序员，是不可能做好这些工作的。

当然，懂业务的人如果不懂 AI 大模型，也做不好这些工作。但问题是， 学 AI 的门槛可是比学业务要低太多了。

所以当下，在程序员还没能成功卷入业务领域的时候，业务应该抢先学会 AI，成为 AI 落地的主导。

更重要的是，AI 落地，降本增效，必然改变利益分配的格局。 如果不熟悉这里的弯弯绕，AI 再厉害也不可能落地。

重新分蛋糕这事，只有手握业务实权的才做得了（老板都未必有这个实权）。那不是业务主导，谁还能导？

其实，在业务不懂 AI，技术不懂业务的情境下， 我们可以期望比技术更懂业务的产品经理，能扛起主导的大旗。

然而，没实操过业务的产品经理，那也不能叫真懂。

而且没有业务实权，大旗难扛啊。

更扎心的是，多数产品经理也不懂 AI 啊！认知也没升级，也以为那是技术的事儿呢。

所以，产品经理如果想成为 AI 产品经理， 首先必须学会 AI，然后要想方设法挤进业务圈里，让自己成为真正的业务专家， 甚至去负责业务。这就无敌了。

那业务人员怎么办？

学业务的门槛是最高的， 而业务人员早就摸爬滚打成业务专家了。

只要再学会 AI，就是事实上的 AI 产品经理。操练起 AI，重构业务，降本增效，开辟新市场，主导 AI 驱动的业务发展，不亦乐乎。

拆好了工作流，调通了提示词，在 Dify、扣子等零代码平台跑通了 AI，执行层面的开发工作交给产研团队就行了。 核心价值，还是业务掌控。

千万不要花重金去找技术专家、算法专家。