策略产品AI转型指南：能力模型与实战策略

DataFunTalk · 科技自媒体互联网短视频 · 昨天

导读本次分享将围绕 AI 时代的推荐策略、策略产品的 TD 和成长路径进行介绍。

主要内容包括以下三大部分：

1. 策略产品的定义和能力模型

2. AI 时代的策略产品趋势

3. 2024 年观察与总结

分享嘉宾｜韩瞳前知乎推荐产品团队负责人

编辑整理｜王甜甜

内容校对｜李瑶

出品社区｜DataFun

策略产品的定义和能力模型

1. 策略产品的定义

策略产品，即在限制条件内，通过推动项目、设定评估体系和全面评估项目收益三种手段，达到全局最优解的产品岗位。

限制条件：法律法规限制（如黄色内容在国内是禁止的），用户体验设计（如客户端弹窗三次是体验规范不允许的，一般只弹窗一次），项目资源设计（设备、人力等资源都是有限的），策略产品必须在这些边界条件内去求解。
推动项目：包括三个关键点，首先，项目润滑工作必不可少；第二，要厘清 PRD 细节，包括宏观上的定义和微观上的设计；第三是要拉到关键决策人推动项目。
设定评估体系：一级指标、二级指标是什么。
全面评估项目收益：评估方式包括主观评估体验测量和数据测量。
全局最优解：可以理解为 100 条平行世界线里边我们能做到 top 多少，测量方式主要是看项目复盘时，每一步的信息量，看浪费的时间占比，逐步复盘逐步校准自己的标准动作。

2. 产品经理的三个代际

产品经理有三个代际，从古典产品到策略产品，再到 AI 产品。2010 年之前是古典产品，当时古典产品主体的能力体现在用户的同理心和产品架构的能力，以及项目管理的能力。在 2014～2023 年间出现了策略产品，策略产品需要的能力是数据分析和模型理解。2023 年 1 月之后市面上出来了很多做 AI native 的原生产品的 PM，即 AI 产品。

所有产品经理需要具备的能力可以抽象为四个模块，即用户同理心和产品架构能力、数据分析能力、模型理解能力和项目管理能力。其中用户同理心和产品架构能力是所有产品经理都必须具备的基本能力，可以通过学习用户 case，以及阅读心理、经济和商业类书籍来提升相关能力。数据分析能力对应策略产品和 AI 产品来说也是至关重要的，需要以假设驱动，先建立假设，再去用实验验证。模型理解能力方面，策略产品和 AI 产品的区别主要在于，策略产品需要学习的是机器学习中的一些模型，比如说推荐搜索广告模型里边的一些常见模型，而 AI 产品需要去理解大语言模型，搜推模型大多是漏斗模型，而大语言模型大多基于 Transformer，改动不大。最后是项目管理的能力，主要是如何制定 OKR。

3. 策略产品 TD 简化版

上图展示的 TD 简化版可以作为一个自我提升的参考。在图中的职业体系表格中，每个维度档位分成四个分值，大多数不满足就是 0 分，比较资深的满足就是 3 分。总分是四项能力得分的加和。每个职级设定了一个最低分，假设一位四级的同学，一般是校招生同学的水平，我们会允许其项目管理是 0 分，但总分不能低于 4 分。

这套职级体系不一定适用于所有企业的情况，但实践下来的结果是团队的策略产品同学能很快明确差距，找到自己职业成长的“加点路线”。

4. 实际 workflow

项目中实际的工作流包括三层，即逻辑层、实现层和交互层。策略产品和 AI 产品在项目中首先要做的都是理清项目 OKR 和 KA，接下来策略产品的重点在于漏斗模型的优化，而AI 产品的重点在于数据生产与数据对齐的优化。

下面将围绕六个问题，重点分享 AI 时代策略产品的发展趋势。

AI 时代的策略产品趋势

问题 1：搜推策略产品是否会被 AI 产品经理取代？

观点：搜推策略产品不会被 AI 产品经理取代。现在的连接是通过个性化的推荐和搜索，推荐个性化主体在于人的个性化。而 AI 是一种计算，类似于 y=f（x）的一个函数。计算需要的是感知，感知就是输入，需要感知外界信息。搜推解决的是连接问题，而 AI 解决的是计算问题，这两件事情其实并不冲突。比如说做搜索推荐，既可以做网站的搜索推荐，又可以做 APP 的搜索推荐，还可以做内容搜索推荐，也可以做 AIGS 搜索推荐，而计算本身像网页、APP、AIGS 一定是马太效应。

问题 2：现在的 AI chatBox 模式和未来的理想态产品有什么区别？

观点：当前的 checkbox 模式仍处于 Dos 时代，突破点取决于产品更新。第一个突破点在于硬件更新带来的 big bang 的交互。移动互联网质变也是源于前后摄像头的变化和 GPS。因为有摄像头才有了短视频，因为有了 GPS 才有了 local base 的美团、滴滴这样的公司。AI 互联网的质变会依赖端侧模型的计算和可穿戴设备，但具体是什么，其实现在没有人说得清，这可能还需要很多用户教育。未来的职业会有两大类，一类是创意家，一类是科学家。人类需要补强同理心，逻辑推理、表达同情和资源整合的相关能力。群聚需求还仍然是人类的本性，就算是有大模型，还是需要连接解决。无论什么时代，逛街的需求还是很旺盛的。这是人类的本性，或者一些交友区的本性。

问题 3：产品经理是否有继续存在的必要？未来推荐策略的终局是怎样的？

观点：大多数用户认识不到自己的需求且不会提问。产品经理的作用主要是解决商业逻辑、数据飞轮的自我增强以及需求的匹配。未来很多人会有 AI 助理，大模型出现之后，人类会更愿意把自己的心里话交给大模型，所以情感陪伴类的 APP 越来越受欢迎。大模型会比现在的推荐模型更了解用户，从而真正做到个性化推荐。00 后是数字时代的原住民，会比 80、90 后更接受 AI 数字人具备意识的观点。

问题 4：AI 来了，产品经理从业者是否需要立即切换赛道成为 AI 产品经理？

观点：LLM 技术进步速度大于产品进步速度，我们基本上每个季度都能看到进步，行业会集体往上迈一大步。但是大模型产品，其实依赖用户教育，也依赖硬件能力的升级和铺量，这个过程就很类似于电力和蒸汽机的这种历史关系。这其中有几个分论点，第一个论点是搜推是中心化的，谁拿到第一张门票，谁就能积累先发优势，所以要是新人做推荐，一定要在行业第一的厂子里面接触最核心的技术。第二，AI 是计算，是去中心化的，其核心养料其实是专有数据，而大模型的提供方其实是中心化的。

技术更替是一个长期的渐进的过程。新旧动力会长期并存，直到新技术在性能、成本、基础设施等方面全面超过旧技术。历史上新旧交接的过程按长则 100 年，短则 30 年，但是大模型行业生态的变化可能是 5 到 10 年就可以完成，因为现在的信息比之前密集。但是作为我们的职业生涯选择来说，早半年进入和晚半年进入其实差异不算特别大。

问题 5：服务推荐和内容推荐有什么区别？AIGS 的服务是怎样的？

观点：LBS 服务推荐与内容推荐的区别主要是在时空独占性、体验容忍度，外部环境和系统公平性四个方面。AIGS（AI Generate Service）的服务是怎样的？我认为当下的智能体的概念其实属于 AIGS 的范畴，AIGS 如果满足了 big bang UI 以及消除幻觉的 database，在感知分析型的链条里，人类会更加默许 AIGS 对物理世界的干扰，但会创造更多的 AI 监督公务员岗位。AIGS 在 GPTs 中是一种类似商店的生态，我判断应该是中心化的，好的网页也是符合马太效应的，好的 AIGS 更 Match 用户需求的场景，比如提供更易用的交互以及更准确的输出。在行动即使错误也不太会产生严重后果的领域，人类会更加默许 AIGS 服务，就像今天开车基本上完全相信导航一样。

问题 6：大模型有哪些需要提升的？当前大模型训练与调参有哪些心得？

观点：大模型主体有三部分工作，首先是 context length 上下文的长度，第二是 reasoning depths 推理深度，第三是 instruction compliance 指令遵循。

大模型的伟大构想其实来自于 next-token-prediction，通过预测下一个词是什么，让模型本身学会世界知识，而语言就包含着世界知识，所以像 word2vec/PNN/LSTM/transformer 都是提升了 context length。推理深度的提升，现在 O1 模型是通过提升思维链 COT 和推理时间来提升推理能力，所以第二个范式就是最近大家总提到强化学习的范式。指令遵循方面，其实我们在项目中也会遇到一些问题，比如给大模型提了一条指令，但是大模型不听话，这其实是它的基础模型能力不足，思考深度不够造成的。

人类和大模型不擅长的东西很接近，大模型和人类都是语言模型，不擅长计算，而计算机是浮点数模型，更擅长计算。人类和大模型的优势是擅长使用工具，所以 AI agent 之间可以协同并调用工具。如何在未来让 AI 之间能更好地相互协作？首先需要给 AI 设计软件，这就涉及 AI 和人类使用工具的差异，人类只能异步处理问题，而大模型则可以同时并发做很多事情。

2024 年观察与思考

如何提升点击率时长，主要有三个因素：质量因素，兴趣因素和场景因素。音频这种少数内容的推荐强依赖于场景因素，是种伴随式的推荐，更多的是取决于用户是否进入到一种被动消费。中短期兴趣决定短期留存，长期兴趣决定长期留存，这也是一个比较重要的观察。单 click 的时长越长，一般意味着决策成本越高的内容。我们发现图片和文字类运营优化往往 ROI 很高，比如按钮文字加入动词。用户喜欢动名词，而不喜欢名词，比如马车是名词，但是拉动马车是动名词，只要有动名词，用户的动作就会变多。

提升点击一般不能提升时长，提升时长的主要方式还是提升兴趣匹配下内容的时长承载量。

基础特征构建方面，就最近的几年的观察来看，模型越来越需要“粗粮特征”，因为模型的能力越来越强，但是所有的策略产品相关的规则策略和函数策略还是需要“精粮特征”来做。

00 后的同学已经开始自主学习，关键在于如何打造学习型的面向未来的组织。未来的时代竞争，公司以及团队规模会越来越小，但借助 AI 和工具力量可以实现很大的能量。未来存在着非常多的不确定性，所以团队必须是学习型的团队。

方向选择和聚焦的重要性：作为一线员工来说，应该提升的是同理心产品架构、数据分析、因果推断的能力以及模型理解能力来降低自己被 AI 取代的概率。

焦虑的本质来源于精确性的缺失，治疗焦虑需要提升精确性。从工业革命以来，多个职业产生与消失是很常见的现象，所以保持知识结构的更新是对抗焦虑的最佳方式。日常多看书，多与行业中其他人进行交流。正如《纳瓦尔宝典》里面的观点，在下个时代中，保持构建的能力和销售的能力，把自己当做一人公司去运营，擅长使用杠杆，构建自己的第二曲线。

以上就是本次分享的内容，谢谢大家。