上一篇聊到，产品经理想转 AI，别一上来就死磕 Prompt。

Prompt 只是工具，不是岗位本身。很多人以为会几句咒语就算入了 AI 的门，其实真正的 AI 产品经理，是要把不稳定的 AI 能力，变成用户可用、可信、可付费的产品体验。

不是算法工程师，也不是普通 PM

AI PM 的核心工作，不是自己去训练模型，而是把模型能力放进真实业务场景里。算法关心的是准确率、召回率和评估指标，而 AI PM 关心的是：用户什么时候会问？哪些问题 AI 答？哪些必须转人工？答错了怎么办？用户怎么信？企业为什么买单？

普通 PM 设计的是确定性流程，AI PM 设计的是不确定能力的使用边界。普通 PM 关注功能跑通，AI PM 还要关注结果是否可信。

找对场景：不是所有地方都适合加 AI

AI PM 的第一项能力，是判断场景。不要一上来就说"做个 AI 助手"，而要问：帮谁？解决什么？用户每天重复做、信息量大、有明确输入输出、有一定容错空间的任务，才适合先做 AI。如果容错低、责任重、数据乱，模型再强也未必适合一上来就自动化。

定义 AI 怎么工作：从模糊到清晰

传统 PM 写需求是定义页面和流程，AI PM 还要定义 AI 的工作方式。不能只写"支持自动分析"，要往下拆：输入是什么？输出是什么？判断标准是什么？结果不准怎么办？用户能不能修改？哪些隐私不能碰？AI PM 要把模糊的"让 AI 分析一下"，变成一套能执行、能验收、能迭代的机制。

设计边界和兜底：学会设计"刹车"

AI 会出错，而且可能一本正经地胡说八道。所以 AI PM 必须设计边界：哪些能答？哪些不能答？什么时候转人工？什么时候提示"我不确定"？关键动作前是否要人确认？好的 AI 产品，不是一路自动到底，而是在关键节点让用户有控制感。

做评估和算成本：拒绝凭感觉

很多团队靠感觉判断 AI 效果，这很危险。AI PM 必须学会做 Eval（评估），把"感觉不错"变成有样本、有指标、有 bad case 的迭代方向。同时，AI PM 必须懂成本。模型调用是要钱的，上下文越长越贵，Agent 多步更贵。不懂成本的 PM，很容易做出"用户越喜欢，公司越亏钱"的产品。

做翻译器：跨团队协同

AI PM 是用户、业务、算法、工程、安全之间的翻译器。把用户的"更懂我"翻译成技术需求，把算法的"缺样本"翻译成数据标注计划，把安全的"高风险"翻译成审批流程。这依然是产品经理的老本行，只是协作对象更多，变量更多。

AI PM 真正在做的，是找场景、定义工作方式、设计边界、评估效果、控制成本、推动落地。这里面没有哪件事是单纯靠"会用 ChatGPT"就能解决的。它需要传统 PM 的基本功，也需要 AI 时代的新认知。