AI 产品经理和 AIGC 产品经理有什么区别，怎么选择？

目前很火的 AI 和 AIGC 行业，也带动了产品经理能力的升级和迭代。我们可以从各大招聘平台看到，AI 产品经理和 AIGC 产品经理的招聘需求，也变得多了起来。

因为整个市场，不管是什么行业，都在面对 AI 的转型和升级，老板们都会问一句话：

对于企业来说，大家都不想在这次 AI 的大浪潮下被淘汰，被时代无情地甩在后面。

那么企业想要跟着 AI 的潮流，同时还能应用 AI，实现降本增效，则需要招聘相关 AI 岗位的人来实现目标。

一、市场招聘需求变化

随着人工智能的普及和应用，各行各业都在经历着巨大的转型和变化。AI在不同领域的应用已经不再是新鲜事物，而是成为了一种普遍存在的工具和技术。这种普及性的应用使得各行各业对于人才的需求也发生了翻天覆地的改变。

在过去，人们在各自的职业领域中所需要的技能和知识可能与人工智能并不直接相关。然而，随着AIGC等人工智能工具的广泛使用，如今几乎所有的职业领域都需要适应并利用人工智能的能力。从医疗到金融，从教育到制造业，人工智能已经成为了推动行业发展和创新的关键要素。

也正因如此，AIGC的出现为人们提供了一个宝贵的机会，不仅可以学习和了解人工智能的基础知识，还可以探索各行各业在 AI 转型中的实际应用。通过 AIGC，人们能够更好地理解 AI 对于不同行业的影响，从而更好地适应和应对职业岗位需求的变化。

近期麦肯锡近期发布了一篇调研报告，数据来自他们 2023 年 4 月份的调查。总结为以下几点：

1. 招聘 AI 相关人员仍然很难

研究发现：招聘与人工智能相关的角色仍然是一个挑战，但在过去的一年中已经变得相对容易一些。这可能反映了从2022年底到2023年上半年，科技公司大量裁员的情况。与之前的调查相比，回应者中报告招聘诸如 AI 数据科学家、数据工程师和数据可视化专家等角色困难的比例有所减少。尽管如此，回应者表示，招聘机器学习工程师和AI产品负责人的难度与去年相比依然很大。

2. AI 对不同职能影响

具体来看，对于通用 AI 的预测影响，服务运营是唯一一个大多数回应者预期其组织的劳动力规模将减少的职能。对于产品和开发来说，回应者反馈减少的比例是非常低的。这一发现与我们最近的研究结果大体一致：虽然通用 AI 的出现增加了我们对可自动化工作活动比例的估计（从 50% 增加到 60% 至 70%），但这并不一定意味着整个角色的自动化。

3. 职业再培训

展望未来三年，回应者预测人工智能的应用将重塑劳动力市场中的许多角色。总体上，他们预计将有更多员工接受再培训，而不是被裁减。

38% 采用 AI 的回应者预计，他们公司的劳动力中将有超过20% 的人将接受再培训，而 8% 的回应者表示他们的劳动力规模将减少超过 20%。

二、产品经理自身选择和迭代

那么对于产品经理来说，我们怎么把握住这次浪潮？如何升级转型成为 AI 或者 AIGC 产品经理？那这里就少不了聊一个话题：

首先说结论，个人建议（如有偏颇，仅供参考）是：

1. 对于之前完全没有 AI 相关经验的朋友，可以先考虑转型做 AIGC 产品经理，挑选对行业经验有一定要求，并且可以快速应用 AIGC 能力的企业
2. 对于之前有一定 AI 经验的朋友，AI 产品经理更复杂，对技术的要求也更高，可以结合自己的定位和长远目标，针对性选择。

三、什么是 AI 产品经理

当你求职 AI 产品经理的时候，企业可能会有如下的要求：

1. 已经有 AI 从业经验，比如 2-3年，甚至 5 年
2. 了解 AI 模型，能力偏技术，比如了解 AI，机器学习，自然语言处理，计算机视觉等相关技术
3. 能落地完成基于大模型的产品应用，和后台系统的产品实施
4. 对产品进行效果跟踪，数据分析，用户分析，以及及时反馈到产品迭代中

1. AI 产品经理到底做什么

上图是 AI 的技术链条

整个 AI 环节包括了：数据收集、标注、训练、模型开发上线、部署、评估验证、维护、安全。整条 AI 链路其实非常长，你可能会涉及合作的团队有：

1. 数据团队：收集数据，标注数据，评估数据。在有些公司，这些都是产品经理的工作
2. 算法团队
3. 其他常见的软件研发团队，如前后端，测试，运维等
4. 销售，客服，交付等更面向客户团队
5. 法务，商标，安全等部门

除了这些合作方，作为 AI 的公司，还需要内部有较为完整 AI 工具产品，如：标注平台，人工审核平台等。根据每家公司规模不一样，会开发迭代不同规模的内部 AI 工具。

AI 产品经理工作内容方面。都会经历收集训练数据、验证数据，测试数据几个部分。不同的公司，数据采集工作分配会有差异。在一些 AI 公司，会将数据收集、异常发现、迭代优化方向、模型效果评估都放在产品组。所以你会查看大量的数据集。这些数据常见地会以 Excel 或者在软件界面上地形式展示。

对于 AI 产品经理需要了解数据集的特征，和算法团队沟通，建议以什么特征进行训练，从而迭代模型。此外，还需要对大量的数据集进行标注，这往往会专门有个人工标注团队进行标注。有了标注，才能知道模型判断的正确与否。每一个版本模型出结果后，你还需要进行效果评估，查看问题类型，进行归纳总结，和算法团队沟通如何进一步迭代模型优化。

总结一下就是：AI 产品经理的工作，有很多是细致和重复的部分，你需要看大量的数据，浏览器可能开满了不同数据集的窗口，基于数据集去发现问题，找到可能解决问题的方向。

这是 AI 产品经理与内部研发部门配合的工作。对销售客服端的时候，因为 AI 的不完美，模型的结果往往和最终的交付物品会有差别。比如客户要求整体准确率要 95%，若当下你的模型无法达到，只有 88%。这里还会涉及人工校验的工作，进行人工优化。业界有句玩笑话，“人工智能人工智能，先人工，后智能”。所以此时你需要和销售、客服团队沟通，首先确保客户对 95% 需求的真实性，然后基于进行一定程度的人工验证，以及定义交付形式。

大家可以看到这个 AI 的流程和链路非常长，且用户不可见的内部工具的建设工作也不少。比如标注平台，质量评估平台。还涉及人工标注和验证，这些都是冰山下的沉没成本。正如吴恩达说的，对于企业来说，从0-1 构建 AI 成本是非常高的。

三、AI 企业的场景与生存问题

除了作为 AI 产品经理的工作更加复杂外， To B 的 AI 公司本身也存在一定的生存问题。AI 企业很容易陷入有技术而无法落地的怪圈中，变成一个 AI 人头外包公司，或者不停在做各种创新项目，但是都无法规模化。整体风险较大。

在这样的环境下，对产品经理个体而言，你会发现落地 AI 创新是非常难的。你会发现：

• 企业缺少业务视角和规划，项目定制化居多
• 因为 AI 改变了行业习惯和“生存方式”，用新的、更加透明的方式运营，客户方难以推进和落地
• AI 构建成本高，对自己企业和客户来说，是一笔亏的账（不绝对）
• 因为难以产品化，项目定制化居多。产品经理很容易成为文档仔，原型仔，和项目仔
• 若 AI 项目长期落不了地，挣不到钱，而 AI 构建成本又巨大。那么企业就会大量裁员进行瘦身，产品经理也容易被裁掉

那有没有一种比较稳妥的 AI 转型之路？推荐大家在转型找工作的时候，优先看 AIGC 产品经理。

1. 什么是 AIGC 产品经理

从 AI 的发展方向上来说，大模型是完全反着上面 AI 整套复杂 Pipeline 链路走的，大模型的目标（如OpenAI ）的商业化理念，是让更多的企业和个体，能够基于大模型直接调用 AI 能力，而无需去构建冰山下的那么多基础性工作。

吴恩达建议创新企业从 AIGC 应用层（Application) 切入

那么对于企业来说:

1. 可以快速调用 AI 能力，验证业务场景价值
2. 验证成本极低。低到传统 AI 公司可能要花 3-4年搭建整套 pipeline，你可能只需要几周到一个月就能验证完成。
3. 招聘人数极低且精简。AI 产品 owner 1个，后台1个，算法1个，测试运维1个，设计师1个，前端1个。就可以基于大模型，构建一个不太复杂的产品了。

大家可以看到，企业急着转型，但是最终完成 AI 转型目标的时候，并不需要那么多人。所以从大逻辑上，想要转型 AI 的朋友，若之前没有 AI 产品经理的经验，可以先学 AIGC 的落地应用方法，而不是学传统 AI 整套流程。先转型做 AIGC 产品经理，利用自己的行业知识，加一定的大模型使用经验，先把业务做出价值来。对产品经理个体来说，这么转型的优势有：

1. 大模型应用入手快，见效快
2. 中后台搭建成本低，企业无需化大量成本去构建无法产出业务营收的中后台
3. 企业有行业知识和经验，做产品化的成功概率高（AI 真正落地，脱离不了对业务的理解）
4. 对于产品经理个体来说，升级的能力不仅仅是 AIGC 这一个方向上的升级，而是 AI + 行业 + 创新应用落地三个维度的加持，对自己能力升级是 a*b*c 的乘法效应
5. 对企业来说 AIGC 成功率更高（快速验证，快速将产品推向市场）。那么对于团队来说，基本也不会存在做了3-5年发现不行，全组裁员的情况（参考字节 Picon，AI 硬件长链路产品风险更高）

具体怎么做？大家可以参考这篇文章：揭秘：如何寻找、设计大模型产品并落地发布？

此外，做 AIGC 产品经理，这个话题不仅适合产品经理，也适合行业里面各位专家。职业道路还有几十年，可以再拼一把。

因为这转型背后的逻辑是，怎么让每个人每个企业，都能用普世的 AI 获得商业上的价值。所以并不是只有产品经理可以升级。相反，如果你对某个行业非常了解，属于行业专家，那么你的转型和升级会更加难能可贵，更加稀缺。

最终，大家在 AIGC 方向上的转型和升级，考验的是人们将行业知识与 AIGC 结合应用、落地的能力。