AI 时代，产品经理的机遇和挑战

职人社 × 爱因互动联合主办的「 AI 时代的产品经理 」活动上，我们邀请了爱因互动创始人 CEO 王守崑，文因互联 CEO 鲍捷以及 S 先生创始人 Mingke 三位老师，分享交流了人工智能在怎样影响业态，真正的 AI 产品经理的角色与JD，产品的对话式交互（ CUI，Conversation UI ）特性以及产品经理在 AI 时代下技能边界在哪里等话题。

王守崑老师毕业于清华大学自动化系本硕，是中国最早的个性化推荐系统的研究者和实践者之一。在创立爱因互动之前，曾在豆瓣工作 8 年，担任首席科学家，负责了豆瓣的整体算法架构设计和实施。后来参与创立了在线教育公司微学明日，担任 CEO 兼 CTO。这次的分享内容涵盖了人工智能公司产品经理需要面对的挑战、对话机器人的困境与潜力、以及对话机器人的商业价值和商业场景等话题。以下为演讲正文：

新的 GPT —— 人工智能

经济历史学家 Gavin Wright 对于通用技术（ GPT General Purpose Technology ）下了一个定义：

「 Deep new ideas and techniques that have the potential for important impacts on many sectors of the economy」，定义了一门通用技术可以做到显著提升生产率，并被应用在各行各业。人工智能正是发生在 21 世纪的新的通用技术，但一门新通用技术的行业的成熟期是极其漫长的。不但需要基础设施的支持，还需要各种类型的人才积累。目前人工智能技术正处于这个漫长的行业积累当中，人工智能在学术、实验室的效果很好，各行各业都在关注他在业界中的实践表现，但是目前从事这个领域的绝大部分是技术专家，很少其他领域的专业人士参与。特别是交互领域的 AI 产品，很多时候还是只个「 人工智障 」。

通用技术年代表 via yusen

尽管新的通用技术可以在效率上带来极大的提升，但人工智能的兴起未必会一次性地代替固有的产品、模式，也未必会让过去的相关从业者直接下岗。它带来的会是一些新的产品服务、新的商业模式，甚至产生新的团队组织架构和工作范式，这里面也会衍生新的就业机会。

所以 AI 技术能做什么？

吴恩达 * Andrew Ng 有一个观点，虽然不是绝对通用，但不失为一种有效的判断方法，即一秒法则。一秒法则是说如果人的判断或者人做的事情能在一秒钟之内完成的话，这件事情就很有可能会被 AI 替代。

*编者注：吴恩达是人工智能和机器学习领域国际上最权威的学者之一，曾加入百度，担任百度公司首席科学家，负责百度研究院的领导工作。

他的经典例子就是自动驾驶。我们在开车过程中，需要做踩刹车、踩油门、左转、打灯等无数个判断，每个判断都是在一秒钟之内完成的，按照一秒法则的理论，驾驶这件事就是可以被 AI 替代的。这意味着，所有能用一秒法则去做的事情一定是大规模和重复性的，并且背后含义是这件事一定是在限定的、非常窄的领域。如果这个场景涉及到复杂领域，就没有办法用一秒法则去做。比如，计划暑假去哪里玩儿？这回涉及到很多领域的问题，比如目的地的情况，机票是不是订得到，预算是多少等等一系列问题。

另外一个场景特征就是，就是可以快速获得反馈。实际工作中的产品经理经常要考虑问题，就是能不能快速获得反馈。无论是不是用人工智能的技术，越快获得反馈的产品或场景，其实越适合用算法。原因在于它能够快速的去做优化调整，去调整参数、调整模型，它拥有足够多的训练数据，而且它会是足够快的。反过来说，有比较长的反馈周期的场景，是很难做优化的，因为中间可能会发生很多事情，要控制的变量太多，很难把这个周期中的因和果联系起来。

所以产品经理做是否可以借助 AI 技术做一定程度上的优化的判断依据就是，是否能获得大规模的重复性数据，领域足够垂直足够窄，并且事情做得好不好可以很快收到反馈。

AI 时代的产品经理日常挑战

互联网产品经理和 AI 公司的产品经理在基本能力模型上有一些细微的差异，AI 公司的产品经理一方面要具备产品经理的一些技能树，比如，沟通协调、领导力、同理心、组织谈判沟通、察言观色等等能力，而 AI 公司的产品经理会对细节掌控上做更多的要求，需要产品经理从细节上把握需要做的事情以及实现过程。同时还会考察到产品经理的在定义问题时的思考深度，以及大局观的决策力，把可能影响到结果的各种因素综合考虑。

挑战1 ：需求的不确定性

所有产品经理的日常工作可以分为四个环节。第一，做观察，观察用户、场景以及行业；第二，思考，思考需求、推演抽象，得出框架；第三，表达，表达方式可以文档、设计、产品原型等等，把观察思考的内容具象化，在团队内部展示沟通、协调资源；第四，实践，包括开发、上线、迭代、复盘等过程。四个环节步骤，形成工作闭环。

AI 公司一系列的行业和产品特性会给产品经理带来一些新的挑战：

• 需求不确定（比如，如何写测试用例）；

• 难以判断产品\项目效果（预期很难管理）；

• 缺乏数据（市场、用户、反馈）；

• 还未形成有效的产品开发迭代范式...

目前很大一部分人工智能公司的都是从 To B 切入的，为其他公司提供人工智能的解决方案。这就好比做外包，客户的需求是很难在一开始就界定清楚，在开发的过程中是不断在变化的，产品经理在这里需要发挥缓冲区的作用。

另外一方面你会从老板、客户、用户那里收集到繁杂不清的需求，有些需求可能是实现不了的，你需要对这些需求进行过滤，并对重要优先级进行排序。

除了需求以外，更顶层的挑战来自于落地场景的不确定，这里需要产品经理可以作为一个 Hunter 的角色，找到一个精准并且足够小的落地场景。这也是一部分互联网从业者暂时还看不清 AI 的原因，即缺乏明确的 to C 的场景需求。

挑战2：打不开的技术黑盒

AI 时代的产品经理需要面对的另外一个挑战就是 AI 的技术黑盒。在成熟的产品体系下，产品经理是不需要考虑技术黑盒的问题的。但是 AI 产品显然不属于这种情况。

技术黑盒，是有内涵和外延的。内涵是指这个东西到底是怎么回事，外延从外部输入控制信息，根据他的输出信息来判断他的功能和特性。

产品经理不要试图从从内涵的角度了解技术，你的最终目标不是技术专家。技术领域其实有一个说法，就是如果一个东西看起来是鸭子，叫起来也是鸭子，行动起来也是鸭子，那他就是鸭子。所谓面向对象编程，只是换个接口而已，放在产品经理的语境中同样适用。

那么如何从外延理解或者定义技术呢？

首先，可以从效果来定义技术，即它能达到什么样的效果。其次，从适用环境来定义技术，即这项技术适用于什么样的环境，环境变了会有什么样的变化。再其次，从产品消耗的资源来定义它，即如果要实现这样一项技术，要消耗什么样的资源，要多少数据；然后如果环境变了，或者说如果在资源不够的情况下，会产生什么样的问题。

此外还可以从团队配置来定义技术。产品经理很重要的一个能力，是 People Skill。所有的技术、产品最终都是由人来实现的，所以从人、团队的角度去定义技术，其实应该是产品经理重要职业技能之一。在 AI 时代里，我们不能保证某个技术黑盒一定能打开，或者对于某项技术的理解到什么程度，但是经过职业积累，产品经理需要能够把控实现某需求需要什么样的团队配置，以及对于工程量的估算。

挑战3：来自团队的挑战，端口更复杂

第三个挑战，就是团队的挑战。在一个成熟的行业中看到的情况是，在组织架构的设计上倾向于让这个团队之间的接口非常明确（守崑老师是技术背景）。同时，团队的交互是非常清晰的，大的公司在接口的人实际并不会很多。为什么这样设计？原因是这样才能让系统是可控的。

我们可以想象流水线的情况，对于流水线上的工人来说，他们的接口就是上一个 Stack 和下一个 Stack 这两个接口就够了，而且跟他发生交互的人，跟他的工作性质是类似的。

AI 是一个新兴的、不确定性很高的行业，团队的组织架构会跟成熟行业大公司在很多方面存在差异。对于产品经理来说可能面临的一个很严重的挑战就是，你的接口会变得特别多。产品经理需要跟公司里的每一个人打交道，并且还有一些新物种，刚刚已经被吐槽半天了，所谓的科学家和工程师。科学家这个物种目前还相对比较简单，做的事情都差不多，叫科学家就行了，工程师这个物种就复杂了，会有前端、后端、客户端，还有数据库一系列的工程师。

除此之外还需要跟老板打交道，看看老板到底想要什么。你要跟运营打交道，跟市场打交道，要跟 PR 打交道，最后你不能把用户忘了。有可能你还要和客户去打交道，因为你要做这个产品。

所以 跟所有的人都去打交道几乎就是产品经理的日常 。

所以回归产品经理最初的定义看这个问题，产品经理应该做什么，去重点发展的什么技能这个问题。不要被眼前你所从事的职业，或者从事的岗位，带给你的这样一个影响。需要产品经理自我审查，重新去看哪些东西是应该加强的，在技能树上哪些东西是应该补充的，然后在工作方式上哪些东西是你应该重新建立的，所以就是回到本质，回到原点。

对话机器人的困境与潜力

目前业界存在着几个很难回答的问题：

• 对话机器人是不是在拿着锤子找钉子？（也就是技术上已经足够成熟，Chatbot 需要找到合适的场景和需求）

• 对话是不是一种更高效的沟通方式？

• 对话机器人到底能提供什么样的用户价值？

从产品表象看起来，目前的对话机器人都缺乏「常识」跟「自学能力」。所谓的常识，就是人类都能回答的一些东西，比如，明天我要不要带伞？这个问题的隐含常识是，用户是在问明天是不是要下雨。

但是这种常识是没有办法在现在整体框架下，非常优雅的把它纳入进来。在一些场景下我们可以把问题拆分成足够小的，尝试用规则的方式把「常识」纳入进来，但这是不足够「优雅」的。而且难以规则复用。如果每个开发者总是以这样的规则做产品的话，最终结果一定是一个巨大规则库，也就是会遗留下一个史前的代码库，最后这个代码库没有人敢去碰，所有人只能往里面加东西，没人敢删东西。最后这个东西就变成一个巨大的无用的东西，成为某些人的政治遗产，成为一个历史包袱。

这种惨痛的教训，只有经历过的人才懂。

但无论如何就目前看起来的表现而言，对话机器人缺乏这种常识的能力，缺乏这种自学的能力，也就是缺乏自我，有些事你跟对话机器人说了，但它没接触过，或者说它根本不知道你要说的是什么事情，你下次问所有的问题还是得从头开始。

我尝试从技术的角度来去解释它的原因，根本问题就在于计算机的世界里，我们在技术上缺乏「语言」和「知识」的好的表示方式。

什么是好的表达方式？

在计算机里，声音和图像的表达方式，跟我们人脑是类似的。计算机上的图像的像素位置，跟我们眼睛看物体的表现方式是一样的，像素代表着颜色，像素之间的位置代表它们之间的组成形状。此外计算机还有一系列比人脑更厉害的手段去处理图像，做各种滤波，做各种 CNN 等一系列技术手段去解决它。但是人类语言的表达方式跟计算机是不一样的。计算机是用字符来表示的，每个字符在计算机里是没有意义的。而字符在人脑里中是有意义的，一系列字符联系起来会形成语境。计算机里的字符表达方式是没办法去表达语义的。

这让我们都很痛苦，很多同事以及历史上的科学家都在尝试用各种方式去解决这个问题。比如说用 Embedding的方式，把语句映射到低维的向量空间，然后用电脑中的各种运算去表达一种语义。但这还不能说是最好的方式。

这意味着对话机器人从业者的挑战是，在没有非常好的解决语言和知识表示的这个前提下，我们怎么去做产品跟市场的适配。这意味着产品经理的一个重要工作，要去找在当前技术水平下，找到合适的对话机器人应用场景。

CUI ：一种新的交互模式

说到 CUI 对话式交互和 GUI 图形式交互，首先明确一点，CUI 肯定不是去替代 GUI 的。两者互相之间不是替代关系，而是各有擅长的关系的。

从效率的角度来看，GUI 的一个界面上可以展示非常多的内容，所以更适合做广度展示。而 CUI 更适合做深度展示。对话本身就可以多轮次的。如果对话是理顺的，用户可以跟机器人进行 10、20 轮对话。但在 GUI 的情况下，完成一项任务需要点击十次二十次鼠标，需要十到二十个页面才能完成这项工作的话，你会觉得这个设计过于繁琐。顺着这个逻辑去预测两种交互方式的应用场景：如果是个浅的场景，需要广度的展示，那 GUI 是合适的；如果场景需要一个深度的、若干次的沟通，有可能 CUI 是更合适。

从用户体验上来讲，GUI 会更强调空间感，CUI 更强调时间感。展开来说就是，当用户在面对一个GUI界面的时候，用户更在意的是什么功能在什么位置，重要位置的功能会得到更多的感知，并且对某些固定的位置用户会有预期的，潜意识认定某个功能的 Button 应该放在什么位置。所以在做GUI设计的时候，设计空间感是最重要。

CUI 对话式交互并不是发生在一个空间的场景里的，它是发生在一个时间的场景里的。所以用户会对时间流失有感受，会对哪个内容在先，哪个内容在后上有感受。所以说在做 CUI 设计的时候，或者说你在寻找什么内容适合 CUI 场景的时候，需要找到那些对时间感非常敏感,或者说随着时间的流逝会发生变化的东西。

其次，从预期 (Anticipation) 的角度来看，人们对 GUI 的感受是公共的。我过去有八年时间，在 GUI 上做个性化推荐这件事，希望做到千人千面。但在 GUI 的界面下用户普遍预期还是，我看到的东西跟别人看到的东西是一样的。

其实 Google 在早些时间也做过千人千面的短暂尝试。但是做了一个简单的灰度测试，就被放弃了。因为用户对这个东西非常不理解，而且非常愤怒，说为什么我看到的东西跟别人看的东西不一样，你们中间是不是有什么阴谋？

但是对于对话这件事大家没有这个预期。几乎在每一个对话中，用户对这个对话的预期都是个性化的，认为对话机器人应该针对我说一些我所预期的东西，由此用户会有更强的参与感。我们做过的一些实验，比如这次活动采用了 GUI 和 CUI 的方式来去做活动报名，最后发现用对话机器人报名的完成度是非常高的，因为用户有很强的参与感。当用户进入这样一个产品，除参与感以外还会对机器人产生期待，希望能够学习和进化。

所以这是 CUI 和 GUI 在设计上，和用户场景上不一样的地方。硅谷所有的设计场景，我希望传达给大家的是，我们现在实际上是多了一种表达方式。过去由于技术条件的限制，我们只能做 GUI 的事情，所以专注做有信息广度的、空间感强的、公共页面的产品。但现在有一天，有这样的技术，让我们有机会去做信息深度的展示，去做时间感的设计、去做个性化的参与感的设计，做一些能够自我进化的设计。这就相当于每个产品经理手里都有更多的资料，更多的子弹来去帮你做事情。

对话机器人的商业价值、商用场景

最后我们聊聊对话机器人的商业价值，以及它的商用场景。 我们可以从一个粗糙的划分中理解商业价值这件事。

从技术成熟度、用户价值和稀缺性三个层面来定义一件事情。我们都希望做一个三者兼具的事情，也就是选一个用户价值很高，技术程度也很高，同时还特别稀缺的行业，但这一定是垄断企业会做的事情，不属于创新者的地盘。创新企业要做的事情，其实是拥有很高的用户价值，同时也具有相当程度的稀缺性的事情。这类事情的特点是，产品的技术成熟度一定不够高。如果技术成熟度高的话，这件事要么属于充分竞争的行业，要么就是可能已经慢慢被淘汰的一些夕阳产业。

硅谷创投教父 Peter Thiel *写的《从0到1》 这本书曾一再强调，创业公司不要进入充分竞争的行业，做企业的目标一定是做垄断。如果想要在足够细分领域中做到这一点的话，就一定要寻找用户价值高同时具备稀缺性的事情，同时也就意味着这件事的技术成熟度一定是低的。也就是说我们要主动去承担技术成熟度低的这样一个风险。

*编者注：Peter Thiel，美国知名连续创业者、投资人。PayPal的联合创始人之一，也是Palantir的联合创始人。曾经投资了 Facebook 等估值过 10 亿美金公司。

对话机器人的商用场景也同样需要从这几个层面去思考。为用户提供足够高的价值，需要产品可以真正解决用户需求，这样也可以获得价值足够高的用户；稀缺性的潜在含义是，要成为细分领域的关键业务环节。既然选择了细分领域，就不要再想周边那些「可有可无」的东西了。一定要在关键环节形成垄断，这样才能给你带来稀缺性；技术成熟度是我们需要承担的风险，反过来也意味着说我们要选择合适的技术，做产品/市场匹配的事情。

我们可以由此推演出来商用机器人的场景特征：

• 清晰的知识结构和边界

• 非标准化服务，信息不对称

• 能够通过数据积累提升服务质量

• 能够建立知识和技术壁垒

对话只是粘合剂

对话不是机器人的目的，我希望对话是作为一个粘合剂存在的。我认为真正提供价值的其实是它的特别属性带来的意义，比如他可以给用户做个性化推荐、推送定向广告、通过数据挖掘出来的 Patent 和领域知识与模型等等才是真正有价值的东西。

几个有趣的 Bot 场景

商用对话机器人的几个有趣的场景包括：智能投顾、保险理财等等的金融销售的转化；用对话式地引导发现、解释和推荐；用消息平台做 Landing Page。

对话式交互的 Landing Page 也是一个新的机会，因为手机界面比较小，更大的 Landing Page 未必效率更高，其次对于手机来说对话式的交互的接受程度会更高，所以可以尝试在微信里用对话代替 H5 的落地页。

这个是整个落地的时候我们要考虑的各种因素。其中的核心也是产品的服务，也就是说产品经理在整个商业对话机器人落地这件事情上，其实是一个相当核心的这样一个作用。

来源：职人社（ID:zhirent）