菊厂新人AI设计工具PM、交互设计师，持续分享一些大厂AI产品的经验。
刚入职半年，攒了一肚子槽点，第一篇文章开喷！
遇到的坑
1. 提着锤子找钉子🔨
别把锤子当饭吃，有时候，我们需要的只是一把螺丝刀。
35Kr报道讲到，“一个明显的趋势是，随着应用落地的加速，不少中小模型厂商开始“瞄准钉子挥锤子”，先找到能落地的细分场景，再针对性地训练模型。” 实际上领导往往低估了人力、买卡、模型部署、硬件以及端侧部署的成本。最后发现干的那点事回报远低于投入，然后迎接裁员。而AI不是万能药，想当然地认为通过AI就能轻松让业务起飞的假设太过天真，实际上是hype期非常naive的想法，成功的AI实现需要对业务价值、复杂性和成本进行深思熟虑，能轻而易举就落地，大概率说明你的业务机械、简单、价值不高。比起提着锤子找钉子，熟悉业务、培养对行业的认知，能够执行良好的产品决策才是PM的核心竞争力，用AI从业务环节中寻找机会点进行提效当然是很好的，但AI作为一种技术，并不决定你的产品在市场上的成败，我们不能仅仅把某种技术作为竞争力的衡量标准。
2. 饼大，缺人，难自证价值
设计师们需要的是效率，而不是“魔法”，我们却在忙着给工具界面里塞满了“魔法棒”和“魔法键”。
我们部门主要在做一款面向内部设计平台（类似figma）的AI插件，内置了“魔法框、魔法棒、魔法键”三种交互方式，简单来说就是根据框选、选中对象，判断设计师意图，触发AI能力面板，提供组件推荐、生成、复杂组件编辑等一系列功能，帮助设计师实现快速原型。我们的最终目标是生成整个UI页面，能力构建围绕“感知-推理-生成”，基于规则、知识图谱、大模型做了看起来非常丰满的计划，铺开了一张宏大的人机结合、AI辅助设计的愿景蓝图。然而，我们团队加上所有角色加起来不到四十人，还有部分异地办公、一大堆外包；并且我司不能用openai的api，得自己训练开源模型；除此以外我们部门产品线还不止一条，领导有指标压力，整个版本节奏又要“敏捷”，不断紧逼去提需求、画原型、show能力、上版本，实在是低估了设计场景的复杂度和功能实现的难度，硬碰瓷AI、画大饼，最后产品形态、交互框架、规则逻辑混杂到一起… 对于设计师来说，包装AI能力与否并不关心，但是工作面板内被硬揉了一堆fancy、实际没啥用的功能反而会影响设计体验，因为炒作概念诞生的产品，最后发现很难证明价值，还折磨产品、设计和开发。
3. 外行指导内行
Model As Product，模型即服务，模型能力成为影响用户体验的主要因素
有些领导对AI、大模型能力边界就是凭借刷刷微信，看下第三方报告建立的，理想很丰满、现实很骨感，对实际AI应用能解决到什么程度把握蛮不靠谱，而且盲目追求智能感，会瞎提、主推一些实际无关紧要的“前沿”方案，技术路线不清晰、实现效果也没保证，导致陷入“拍脑袋提需求 → 赶工设计 → 开发加班加点 → 实际没啥价值（不好用、没人用） → 数据不好看 → 领导焦虑 → 拍脑袋需求”的死循环，结果就是层层push，折腾人。
拿我们部门做过的文生图平台举例，主要微调了“扁平人物插画、3D插图和2.5D图标”几个Lora。稍微有点扩散模型知识的人都知道生图干不好高可控性、精准度、位置等细节要求高的生成。按领导的想法训练难度肯定是2.5D＜3D，但实际上更为抽象的2.5D图标由于有一些图形的特殊布局、不同元素主体大小、颜色的规律差异，对于大型模型来说往往难以理解，生成好的难度极大，3D isometric的反而因为底模训练得多，风格固定更容易生成好。然而，领导不信、偏偏要重点做最难的一个，尽管尝试了各种方法优化，非要测评看到惨淡的可用率才能迷途知返。
4. 指标导向，而不是体验导向
大模型的商业化落地模式不清晰，用户为中心越离越远
以增长为首要目标是现在绝大多数公司的战略导向，但是当用户数、使用量、付费率等作为业务驱动的首要指标时，产品决策的出发点往往会变味。很难保证产品的迭代是出于用户的真正需求和体验，往往只是被迫应付上面给的阶段目标所寻求的妥协。大模型怎么融入产品带来价值，很难能真正说得清楚。作为产品设计师，既有绩效指标压力，又有“以模型为中心”造成的设计约束，导致与以用户为中心的出发点渐行渐远，难以取得平衡，最后买个教训。
一些工作方法
1. 判断某个功能特性是否适合AI来做
- 业务价值：首要考虑使用者对完成业务KPI的影响；其次是效率、质量的提升。
- 技术价值：评估可用数据集、开发复杂性以及可接受的误差范围。
Conor Woods，Figma 的产品经理提出了三个问题来确定某个功能是否受益于人工智能。
- 是否拥有可以利用的大数据集去解决问题？像 GPT-4 这样的大型语言模型 (LLM) 非常适合组织已有的信息（例如生成摘要），但很难让它们提出全新的体验，这本质上是一个提示词工程的挑战。
- 是否能够接受一定的误差范围？AI应用于法律领域时，不完美（有时甚至是完全错误）的结果是不可避免的，人工智能无法充分解决需要 100% 准确率的问题。
- 是否使用人工智能来掩盖糟糕的用户体验？添加AI不应该用来掩盖产品生态系统的缺陷，这就好比在本身臃肿的移动应用程序去新增智能助手来找到所需内容，添加人工智能也无法修复考虑不周的生态系统。
2. AI产品经理需要的技能
除了通用的竞品分析、需求洞察、原型设计、沟通交流等技能，其实最最本质区别PM和设计、研发的，是能够洞察人性、抓住核心需求、提出爆点idea并推动落地的能力，即洞察、决策和执行力，这是不管什么行业的PM都要磨练的核心属性点。除此之外，AI产品经理则需要了解不同模型的特点、使用场景和训练方法，以及对应需要的数据集应该怎么准备、清洗、标注，围绕用户的需求，撰写能力构建和测评方案。
3. 我要做AI产品经理，如何选择方向？
一般可以分为三种类型：做模型的（OpenAI，Midjounrey）、做基建的（算力平台、服务器、系统）、做应用的（自研的、套壳的），但一般前两个都不招PM和设计，招科学家和工程师。
所以对于后者应用层，我们尽量选业务为主，AI为辅的公司；选“自由市场”项目，别选“计划经济”项目。为什么这样说呢？
AI只是现阶段热门的一种技术趋势，不同阶段都有一些热点技术和概念的出现，但往往是先经过炒作期-衰退期-成熟期，浪潮退后，好的成熟的东西才会留下来，比如区块链，现在基本已经没声响了。把AI当作一个工具，作为PM，你的目标长远是成为解决方案专家，核心竞争力是对业务的理解，现阶段是用好AI工具帮助业务降本增效，而不是本末倒置用AI去寻找业务，前者是进化、后者是炒作。除了AI，你在这个职位项目中积累的每份经验都可以成为你跳槽的资本才是你的价值所在，所以最佳方案应该是找一个需求量用户量大的，业务赚钱但系统又传统、有很多重复工作，需要更新迭代的行业作为发展方向，但说着好听这种宝藏公司我也想知道 T^T
总结就是：
- 选择“自由市场”项目而非“计划经济”项目（内部工具/炒作诞生的）
- 选择业务本身就赚钱，用了AI更赚钱，而不是仅以AI作为增长驱动
最后，献给各位处在挣扎期的AI产品一句美好祝愿：希望我们不用追逐技术热点，而是在用技术解决问题。