人工智能产品经理手册（二）

绝不原创的飞龙

于 2025-07-17 15:23:21 发布

阅读量605

点赞数 8

CC 4.0 BY-SA版权

分类专栏：默认分类文章标签：默认分类

License CC BY-NC-SA 4.0 / 自豪地采用谷歌翻译

本文链接：https://blog.youkuaiyun.com/wizardforcel/article/details/149422858

默认分类专栏收录该内容

5214 篇文章

订阅专栏

原文：annas-archive.org/md5/6c663809fbe2805e7d06a40f27d45bbf

译者：飞龙

协议：CC BY-NC-SA 4.0

第十章：性能基准、增长黑客与成本

在本章中，我们将了解衡量产品成功所需的基准测试，而不是探索模型的性能，我们将从产品和增长的角度来看待性能，包括价值指标、北极星指标、关键绩效指标（KPIs）和目标与关键成果（OKRs），这些都是公司用来判断其产品战略是否成功并能实现增长黑客的早期信号。我们还将讨论公司如何准备好在与其他产品进行比较时为自己的产品进行辩护。

在我们深入讨论性能基准、定价和增长黑客的具体内容之前，让我们先设定一下背景。所有这些方面都是我们用来解读事情是否进展顺利的工具。然而，判断你的产品是否适合你想要服务的客户的最大标志，还是要先证明它能够正常工作，并且你在产品中部署的人工智能（AI）是完成这项工作的最佳选择。

当谈到产品的成功时，最终决定因素将是你能多有效地将其价值传达给潜在客户并进行测试。你在销售团队和客户对话之间的调度部分，将涉及确保你 AI 产品能为客户带来的实实在在的好处是销售过程中的一个重要部分。

当客户找上你并给你舞台时，你有一个可靠的演示可以展示给他们吗？你能否展示产品在多种数据集上的表现，还是它只在你自己数据上表现良好？你能否谈论你正在使用的算法或方法，而不必诉诸于专有配方，一个你无法讨论的安全领域？你能自信地将他们引导到可以与之交流并获取推荐的合作伙伴或客户吗？在开始为销售或投资推介追踪产品表现之前，你需要在你所处的生态系统中建立信任。当没有强大基础的支持时，成功的沟通将显得空洞无力。

随着我们继续讨论如何衡量和传达产品的成功，以及如何确定合适的成本结构时，我们必须记住一个基础真理：归根结底，成本并不重要。当然，保持在一个可以接受的范围内是重要的，而一些客户会比其他客户更加注重成本，但最终，客户不会因为价格标签而放弃强大的产品。如果产品有效，而且比市场上的其他产品更好，他们会找到办法为其拨出预算。

购买软件是复杂的。在概念验证、预算讨论、与每个你考虑的公司进行的无数会议、你自己技术资源花费的时间和精力来与每个潜在工具合作并查看它如何在你的环境中运作、功能比较、管理内部利益相关者，最后达成公司就其用例认为最适合的产品的共识时，整个过程可能会令人疲惫和沮丧。这为产品经理提供了一个巨大的机会，可以让他们的客户的生活变得更加轻松，同时使他们的产品从其他产品中脱颖而出。

既然如此，我们来深入探讨这一章。我们将在这里讨论以下主题：

价值指标 – 北极星指标、KPI 和 OKR 的指南
黑客攻击 – 产品驱动增长
技术栈 – 早期信号
成本和定价管理 – AI 很昂贵

价值指标 – 北极星指标、KPI 和 OKR 的指南

所有关系都建立在信任基础上，这包括公司/产品经理与客户和市场之间的关系。假设你已经找到了一种方法来围绕你的产品建立一个有信誉的信任圈，那么作为产品经理，现在你的任务是确保这种关系能够持续增长和发展，理想情况下是通过整合市场反馈来实现。一个很好的方法是传达你产品的价值，并不断构建和引用这种增长和发展。实现这一目标的方法是使用工具来跟踪和确认你的产品进展。关键问题是：你将选择跟踪哪些内容，并特别关注哪些指标？这是所有公司都在努力解决的问题，因为将所有追求与收入挂钩并将其作为最重要的价值指标很有诱惑力，但这往往不能给我们提供完整的视图。

我们在第八章中简要讨论了如何衡量和传达成功指标的概念，但在本节中，我们将通过什么是最好留在公司内部和什么最好向外部传达的视角，进一步扩展价值指标、KPI 和 OKR。选择指标，特别是北极星指标，是一项严格且细致的活动，最好在协作环境中完成。你希望在做出这些基础性决策时，有多种声音参与。因为在许多方面，这些规范的建立将会产生下游的涟漪效应，影响到几乎所有内部团队的方方面面。

我们在第八章中讨论的许多 KPI 与评估产品的 AI/ML 基准相关，但在本章中，我们将重点关注与你的通用产品的 KPI 相关的内容，以及这些 KPI 如何与整体产品战略相关。你的产品战略是产品愿景的延伸，它建立了 KPI 和指标，不仅反映了产品为用户设定的目标，也反映了用户认为产品最有价值的部分。

找到一种方式来阐明这一价值，并在内部和外部不断地传达它，可能是吸引市场的最重要方面，因为它会影响你如何看待和听到客户，并最终决定你如何与他们沟通。让我们深入探讨！

北极星指标

选择产品的北极星指标是将产品战略与实现关键目标对齐的重要部分。大多数产品通常会朝着一个公司用来跟踪进展的顶级指标来进行定位。选择错误的指标，或者根本不选择指标，可能会对团队的建设、引导和衡量产生混乱的影响。它还可能带来不幸的副作用，无法全面了解客户方面的情况。对于新兴的 AI/ML 本土产品而言，这一点尤其重要，因为你希望确保能尽早获得哪些方面有效，哪些方面无效的信号，从而更早改进你的产品。

这也可能会对你选择如何衡量产品整体成功产生颠覆性的影响。这是因为北极星指标作为你主要的 KPI，不仅能让公司围绕一个共同的目标团结起来，还能传达整个公司表现如何。使用它可以让内部和外部的人员知道事情是否在整体上顺利进行（或者不顺利）。如果做得对，你将有一个指标，优雅地反映收入、绩效和参与度。这种做法的好处是三方面的。

你不仅是让你的组织与产品团队保持一致，还为产品团队提供了一个标准，确保团队保持责任感并能进行衡量。这两个系统协同工作，形成了一个反馈循环，使得组织中的任何人都可以大致确定航船是否按照预期航行。这有助于市场营销、销售、物流、财务、产品和客户成功团队之间的讨论，以及团队内部的沟通。如果你是产品经理，尤其是领导创新 AI 产品的经理，我们强烈建议你推动建立一个北极星指标。

可能你会想采取放任自由的方式。毕竟，传统上产品通常是通过构建和发布了多少来衡量的。然而，建立一个北极星指标是一个战略性的选择，它有助于产品的功能性和在公司中的影响力。对于 AI 公司尤其如此，因为 AI 的创新性及其在今天市场上的战略重要性。建立北极星指标是一种向整个组织展示产品团队在根本上与业务成功保持一致的方式，它还强化了公司是以产品为主导，而非销售为主导的理念。

如果你从一开始就参与构建产品战略和制定产品愿景，你可能已经对你的北极星指标有所明确，因为它最紧密地与产品的最终价值相一致。如果你希望获得更多关于如何建立北极星指标的指导，我们建议参考增长学院(www.growth-academy.com/north-star-metric-checklist-and-common-pitfalls)，但现在，以下是一些可以帮助你开始的问题：

我的产品旨在做什么？
我如何知道我的产品是否完成了预定功能？
哪些活动能带来最佳的使用体验？
我的客户最看重我产品的什么？
我的客户旅程中是否有一个能够吸引他们的时刻？
除了注册或购买，还有哪些指标可以预测未来的收入？
我的目标是让客户提高生产力、吸引他们的注意力，还是促使他们购买某样东西？
我希望我的客户做出特定的行为，还是希望他们采取多种不同的行动？
成功是通过我的客户多频繁或多高效地依赖我的产品来衡量的吗？

每个公司在确定北极星指标时会有不同的方法论，因为它是围绕商业模式建立的，这也是为什么建立北极星指标是整体产品战略讨论的一部分。它还将基于你的理想客户旅程，因为你在优化一个能最大程度满足客户期望的时刻，并将该时刻与公司成功最重要的因素对齐。

注

如果你的商业模式和成功更适合多方面的衡量方式，你可能需要多个北极星指标。

以下是一些著名数字产品公司的北极星指标列表：

Airbnb专注于通过预订夜晚数来衡量数量。
Uber的最终目标是提高乘车量，因此他们专注于预订的乘车次数。
HubSpot希望整个团队都积极参与其平台，以确保他们的软件被定期依赖，因此他们使用每周活跃团队数。
Amazon不仅仅看总销售额——他们还寻找所有用户的行为模式，因此他们使用每位用户的月度购买量。
LinkedIn 可能不是你每天都会使用的社交媒体工具，但如果你是职场人士，你很可能会有理由每月回访，因此他们专注于月活跃用户。
BlueApron 是少数拥有两个北极星指标的公司之一，因此他们专注于每个客户的订单数以及收入。
Facebook 和 Instagram 希望在你注意力上创造日常依赖，因此他们专注于日活跃用户。
Netflix 最终旨在鼓励人们观看他们的所有电影和节目，并通过关注观看时间来保持简单。
Spotify 也有两个北极星指标，关注回归用户的月活跃用户，以及平台上音乐的消费时间。
Duolingo 有三个北极星指标——日活跃用户、学习时间和成功——强调他们希望活跃学习者经常回来，花费大量时间学习，并看到这种投入的积极成果。
Quora 通过专注于回答问题的数量来保持简单

还有许多现成的北极星指标类别可以供你在筛选选项时考虑，特别是如果你正在为产品套件中的新产品起步，或者你刚刚在建立公司。再次提醒，对这些指标要非常挑剔，并进行测试。与市场推广/销售/领导团队一起头脑风暴，并进行工作坊。假设这些指标已到位，尽量得出一个完整的目标。问问自己：如果我们将这些作为北极星，1 年、5 年或 10 年后，我们的业务会是什么样子？

以下是你可以涵盖的许多常见 KPI 和指标的列表及其描述：

年/月度经常性收入：衡量每月或每年可预测的收入
收入增长：与前期相比的收入增长百分比
付费用户：所有活跃订阅者/购买者的数量
每用户平均收入：总收入除以用户总数
客户终生价值（CLTV）：每个客户所产生的收入
客户获取成本（CAC）：为获取每个客户所付出的营销、销售和广告总成本
利润率：收入与成本的百分比（比例）
市场份额：公司总收入占行业总收入的比例（百分比）
月/日活跃用户：在一段时间内所有活跃订阅者/购买者的数量
净推荐值（NPS）：衡量客户忠诚度的指标
客户满意度（CSAT）：衡量客户情绪的指标
客户保持率：在一段时间内继续使用你服务的客户比例
客户流失率：在一段时间内停止购买或使用你服务的客户比例
发送的消息/预定的夜晚/预定的骑行：你可以在这里插入任何适用的操作，但这是你用来作为成功标志的特定操作，比如预定的夜晚或预定的骑行。
每个用户的会话次数：用户打开你的产品/应用的次数。
会话时长：每个用户在使用你的产品/应用时的时长。
每次会话的用户行为：用户在会话中的活跃程度。
平均支持解决时间：当客户遇到产品/应用问题时，等待获得支持的时间。

KPI 和其他度量指标

前一节关于北极星指标的内容已经给出了我们可以跟踪的各种度量指标的好例子。这是分组你将要跟踪的各项 KPI 的绝佳方式，除了你为北极星指标确定的那个，因为度量指标的目标是快速为我们提供关于产品强度和成功的洞察。然而，这些数字并不是独立存在的。如果你的收入很高，但仅来自两位客户，那又有什么用呢？如果你的客户安装了你的产品，却从未积极使用，那又有什么用呢？

拥有一套全面的 KPI 是负责任的表现。通过尽职调查，探索客户和用户与产品互动的多种方式，不仅有助于产品成功地为客户提供价值，还能教育你的产品团队在产品功能方面潜在的改进与扩展领域。对于 AI 产品而言，这一点尤其重要，因为它可能存在传统软件产品所没有的断层。利用 KPI 跟踪多个行为和性能基准，是保持客户和产品之间反馈循环的一种方式。

我们在本章中将 KPI 和度量指标互换使用，但它们有一个关键的区别。度量指标是一个更为广泛的术语，适用于可以量化衡量的事物。而 KPI 则与某个特定事物相关，能够与关键的商业目标进行跟踪和衡量。并非所有度量指标都与顶线的商业目标相关，但所有的 KPI 都是度量指标。使用这些指标的目的是发现产品推广过程中需要新增长的领域。也许你的北极星指标表现良好，但其他 KPI 存在下滑。这表明可能有新的产品领域需要关注。

KPI 和其他度量指标的使用旨在作为产品经理和领导者的早期预警信号，帮助他们了解产品的强度、成功与可用性，但除此之外，它们还应该帮助讲述为什么某些事情进展不顺利。这就是为什么 KPI 和度量指标的组织如此需要深思熟虑的原因。

你希望使用指标来帮助解决当前发生的问题，比如 bug 或页面问题，但你同样希望利用它们来发现产品体验中的不足之处。你需要了解产品的基础构建是否存在问题，而不是临时部署过程中出现的问题。使用多种指标来全面衡量产品体验是产品经理的最佳实践。

你可能也听说过“虚荣指标”这一术语，这是领导者和产品经理必须小心的地方。虚荣指标是那些看起来对公司有利，但实际上没有实际依据来传达真正的成功或业绩的指标。它们也不能告诉你需要改进的地方。确保你使用的任何指标，无论是北极星指标还是其他，都能为公司提供重要的洞察。

建立具体且可衡量的指标是理所当然的，但它们也必须具有高度相关性才能得到合理化。拥有大量独立访客、会话次数或社交媒体粉丝，可能在一段时间内看起来不错，但这些指标实际上对长期发展没有帮助，因为它们无法付诸行动。如果这些独立访客是偶然到访，或因为某些问题而离开；如果会话是偶然发生的或是点击诱饵；或者如果社交媒体粉丝实际上是机器人，这些数据也无法提供有效支持。

在建立指标和关键绩效指标（KPI）时，请记住以下问题：

这个指标如何影响我们的业务/产品决策？
这个指标实际上告诉我们关于产品/客户行为的什么信息？
这个指标的数据是否真正反映了现实？
这个指标是否与我们可以通过开始衡量后改进的特定流程部分相关联？

OKRs 和产品策略

随时参考第八章中的 OKRs 介绍。为了提醒你，OKRs的核心思想是将某些结果与公司或团队的总体目标相联系。通常，OKRs 是组织层级的，但单个团队甚至个人也可以拥有 OKRs。它们来源于明确的、定义清晰的目标，并与一系列成功标准匹配，以构成该目标的完成。你会查看你希望实现的目标，然后设定标准，以判断何时达成。

所有关于建立北极星指标并将其与其他组织指标和 KPI 关联的工作，服务于你最重要的 OKRs，最终也服务于你的整体产品策略。所有这些协调工作都是为了将组织的增长与产品的成功对齐。这样做不仅加强了产品团队对公司战略的影响力和输入，也使整个组织朝着更高层次的焦点和一致性对齐。

让所有团队承诺并朝着某些全公司范围的目标前进，并追踪支持这些目标的指标，使公司能够以数据为驱动，并且让产品团队能够基于数据做出有关其产品使用情况的决策，以及这种使用如何影响整体盈利状况。OKR 旨在具有挑战性，并且旨在推动组织或团队的能力极限。

创建一个可衡量、以指标驱动的产品战略是最佳选择，尤其对于 AI 产品而言，因为你需要尽可能多地了解客户使用你产品的体验，从而知道需要改进和优化的地方。到目前为止我们讨论的所有内容——你的产品愿景、北极星指标、支持性 KPI 和指标，以及 OKR——都应该支持你总体的产品战略。

我们喜欢 ProductPlan 提供的图表（www.productplan.com/glossary/product-strategy/），因为它突出了产品愿景和战略之间的关系，以及这种战略如何应用于推动产品前进的各个支持团队中。与本章所涵盖的所有指标对齐的产品战略，影响着产品与客户和内部团队的互动、与竞争产品的相对构建方式以及它如何与宏观趋势相关联，目的是建立产品路线图。

根据 ProductPlan 发布的产品战略博客（www.productplan.com/glossary/product-strategy/），“产品战略是一个高层次的计划，描述了一个企业希望通过其产品实现的目标以及如何实现这些目标。该战略应回答一些关键问题，例如产品将服务于谁（用户画像）、如何使这些用户受益，以及公司在产品整个生命周期中的目标是什么。” 你可以将产品战略视为整体计划，而我们讨论的指标和 OKR 的跟踪、衡量和改进则是你实施该计划的具体、可操作的方式。

在本节中，我们已经讨论了构建产品战略的一些关键要素以及如何衡量该战略的进展。公司可以采取几种不同的方案，所选择的方向高度依赖于组织的具体目标、商业模式、市场战略、竞争环境以及整体市场条件。

接下来，我们将讨论一些增长黑客的元素，以便新兴的 AI/ML 本土公司或产品可以提前获得信号，了解其产品是否符合客户期望，这将有助于实现产品市场契合和商业成功。

黑客——以产品为主导的增长

在关于北极星指标的部分中，我们简要讨论了产品主导增长，并在业务中培养支持这一目标的环境。对于一个 AI/ML 产品经理来说，这一点的重要性不容低估。制定产品战略、选择最佳指标和 KPI，并获得领导团队和主要利益相关者的一致意见，最终的目标是使你的产品成功——换句话说，就是最终实现产品市场契合。产品主导增长如何与此相关？

目前，关于公司是否应该以市场营销主导、销售主导还是产品主导的哲学讨论正在进行。根据你在公司生态系统中的位置，你可能会倾向于支持自己的观点。作为产品经理，我们可能也会有这种偏见，但如果我们将市场营销主导或销售主导的增长推向它的自然结局，我们可能会面临困境。市场营销制定的信息可能会与受众产生共鸣，但可能与正在构建的内容并不匹配。销售可能会为公司争取到理想的重点客户，但他们将被迫根据少数客户的偏好反应性地决定应该构建什么产品。这两者都没有聚焦于现实。

产品经理的角色是多面的、跨学科的，他们与市场营销和销售的合作是他们自己工作的延伸。一个产品不能单独存在。如果一个产品被构建出来，却没有人听说或购买它，它还算存在吗？必须进行大量的研究、市场分析，了解竞争环境和市场的真实需求，才能构思并构建出有机会成功的产品。

通常，产品管理处于这些活动的交汇点，并且从一开始就参与其中。这并不是说市场营销和销售没有花大量时间来理解市场。它们有这样的工作，但产品团队以一种方式对所有内容进行背景化，使其优先考虑什么应该被构建，并且将其物理化，以便通过市场营销和销售来推广和销售。

最佳的组合是，产品功能从组织中的市场营销和销售功能（以及其他多个反馈来源）中获取反馈，消化这些信息，并将其应用于正在构建的内容。然后，一旦经历了这一波，产品功能就会发送新的沟通信息，更新如何改善和优化信息传递和产品。理想情况下，这个过程将基于产品本身的体验进行。

在 Epsilon 的最新研究中 (www.epsilon.com/us/about-us/pressroom/new-epsilon-research-indicates-80-of-consumers-are-more-likely-to-make-a-purchase-when-brands-offer-personalized-experiences)，我们可以看到，80%的消费者更有可能坚持选择一个品牌，如果它提供个性化体验。根据 Forrester 的研究 (www.forrester.com/what-it-means/ep12-death-b2b-salesman/)，“68%的 B2B 买家更倾向于在线与销售人员而非面对面交易，而且当他们与销售人员互动时，他们希望这种体验是以更具问题解决性和咨询性的方式进行的。” 越来越数字化的市场趋势正在导致我们在构建和交付产品的方式上发生根本性的变化，因为我们构建产品的方式必须改变，以适应 B2B 和 B2C 领域这一趋势。

这不仅仅是内部政治问题，而是响应影响所有企业的宏观经济趋势的问题。无论产品是否是 AI/ML 产品，产品都必须以高度的技术优化来构建。

我们将在接下来的部分中探讨的技术栈，甚至不一定是偏好的问题；它正逐渐成为产品团队的要求。如果我们在黑暗中摸索着做决策，依赖直觉和过时的商业智慧，我们就无法构建和优化一个产品。我们不是完全自动化决策的支持者。我们热衷于支持一种协作的方法，其中产品经理、技术人员和领导者利用他们的批判性思维和长期规划能力做出有数据支持的决策。

这也不是关于不必要地监控用户和客户的问题。如果他们需要个性化体验，那么没有一定程度的数据收集、分析和推荐，他们无法获得这种体验。如果客户和用户希望得到一种定制化、引导式的体验，使得他们能够在产品一出现时就看到其价值和相关性，那么产品团队就需要对后台发生的事情有深入的了解。归根结底，产品团队在很大程度上承担了这些数据的所有权，因为这些数据与他们需要做的工作——构建和交付产品——直接相关。

产品驱动增长的基石在于价值的概念。如果你已经构建了一个能立即向用户传达它将让他们的生活变得更加轻松的产品，而且用户知道这一点，因为他们可以立刻开始使用，那么你就已经理解了任务。你如何到达这个目标是一种选择你自己的冒险故事。要从公司杂乱无章的数据堆中筛选出有用信息，将涉及大量的各类平台和工具。你最终采用多少产品来帮助你完成这场冒险，取决于你对产品驱动增长黑客之旅的投入程度。

接下来，让我们仔细看看产品经理在以下部分中依赖哪些工具来引领他们的航程。

技术栈——早期信号

如果你没有做好准备以获取早期信号，理解你的产品是否对客户和用户有效可能会很困难或者延迟。并非所有公司都有直接向客户和用户征求足够全面反馈的奢侈，而这些反馈足以为决策提供参考。这就是为什么如果你试图了解你的产品是否与受众产生共鸣，特别是如果它是一个 AI/ML 产品，投资于增长黑客技术栈是有帮助的。

如你所记得，我们在第二章和第三章中讨论了构建 AI/ML 程序相关的成本。鉴于运营成本高，你会希望尽快确保你的产品能够满足市场和客户的需求。

请记住，当你在管理一个 AI/ML 程序时，成本可能会很高，但它们也取决于你在产品中构建了多少 AI 功能，尤其是当驱动你整个产品的基础逻辑是由 AI/ML 驱动时。你在黑暗中运营的时间越长，你在产品上的资源消耗就越大。这意味着，你将比别人晚些时候才能知道你的产品是否与客户产生共鸣。

如果你的组织没有充分利用现有数据的能力，你将不得不依赖临时的渠道。这些可能是来自客户的直接反馈，或者是销售明显下降，然而这两者都不是可靠的衡量标准，因为它们可能无法真实地为你揭示为什么。我们将在以下小节中讨论的工具类别，视为你可以建立的基础性构建模块，帮助你为你的产品和公司创造成功的条件，无论你的产品是为其他企业（B2B）还是直接消费者（B2C）构建的。

我们不能强调这一点：投资于能够为你提供早期信号、让你自信构建的技术基础设施，从长远来看会为你节省时间和金钱。你不必涉及以下清单中的所有内容，但如果你想让自己可持续地发展，建议还是采取这些措施。

客户数据平台（CDPs）

CDP 是一个平台，它收集并将来自多个来源的客户数据集中到每个客户的单一视图中，以便你了解他们是谁、他们如何找到你、他们在与你的产品互动时是什么驱动他们的行为、他们的交易数据以及人口统计数据。它们使你能够利用已有的内部数据来创建客户档案，从而更好地了解你正在服务的客户类型，并有证据证明这一点。你可能已经有渠道来维护一些客户数据，比如使用 Salesforce 和 HubSpot 等系统，但一般来说，CDP 也会将这些来源的数据集中在一起。

它们的目的是收集、统一和管理你的客户数据，以便你能够据此采取行动。作为一名 AI/ML 产品经理，营销、销售和市场推广团队将是你重要的合作伙伴，因此通过使用 CDP 在这些团队之间建立强有力的关系将是确保你的客户群朝着正确方向发展的重要一步。如果没有，CDP 将允许你与业务发展团队合作，推出新的营销活动，确保你的产品价值得到充分传达。

再次提醒，由于 AI/ML 产品的高运营成本，你需要与这些面向外部的团队建立牢固的关系。这样做的一个重要原因是确保你的产品语言能够与未来和当前的客户产生共鸣，从而确保你最初和持续地看到你所构建的产品所带来的价值。这是建立 AI/ML 原生产品的重要部分，因为这些产品是新进入市场的。

你还没有建立起有效的基准，来了解什么最有效，什么最能引起潜在/当前用户的共鸣。预计你需要花一些时间与销售、营销和市场推广团队进行反复试验，以确保正确无误，这样一旦有了足够稳固的基础，你就可以继续进行并充满信心地构建。你可以探索的知名 CDP 包括 Segment、Klaviyo、Hightouch、Insider 和 Census。

客户互动平台（CEPs）

CEP 是一个广泛的类别。它们基本上是任何允许你的客户与你联系并允许你联系客户的平台。它们使你能够做所有事情，无论是为你的新客户或用户提供入职培训，当他们首次开始使用你的产品时，发送个性化的应用内消息或欢迎消息，为你的用户和客户设置交互式引导，让他们了解你的产品，促使他们在使用你的产品时达到某些行为或里程碑，向客户和用户宣布新功能或新用例，或者发送链接并引导流量到你整体产品体验的某些部分。

无论你是 B2B SaaS 还是 B2C 公司，你都应该找到一种方式，直接与客户建立联系，而不仅仅是依赖邮件列表。说实话，大多数人并不像公司希望的那样频繁查看这些邮件。它们缺乏相关性，而且很可能如果客户或用户已经处在你的产品环境中，无论是在应用还是平台中，他们都愿意待在那里并且想要了解与他们旅程相关的信息。作为产品经理，你应该关注用户体验（UX）、用户旅程以及产品的采纳情况。CEP 是一种与客户建立亲密关系并引导他们的好方法。

CEP 也是减少客户因为不了解你的产品如何运作或能做什么而联系支持团队的好方法。它们还帮助推动收入增长，因为如果有机会向客户出售高级功能或进行升级，CEP 能让这些选项对客户更为显眼。

作为一名产品经理，你应该了解哪些功能最能让你的客户满意，因此使用 CEP（客户体验平台）是一种有效的管理客户在应用内行为的方式，它能为客户提供最佳的使用体验。这些平台也是通过应用内调查收集反馈的好方法，你可以在整个产品中部署这些调查。知名的 CEP 包括 UserPilot、AppCues、WalkMe 和 Intercom。

产品分析工具

与客户沟通并听取他们的反馈对保持开放对话并维持反馈循环至关重要，这样你可以继续构建并推出客户需要的功能，同时改进那些客户难以互动或难以理解价值的功能。然而，假设你不想告诉客户该去哪里，假设你希望他们告诉你他们去哪儿，做什么，以及他们做多久。这时，产品分析就派上用场了。

产品分析工具可以帮助你追踪各种行为，并创建用户漏斗，以更好地理解他们在使用产品过程中的实际操作。你可以在应用或平台中追踪客户和用户的特定事件，批量分析这些事件，设置触发器以便在特定用户执行某些操作时提醒你，并对这些用户进行分段，从而进一步简化和个性化与你的客户沟通的方式，并创建他们旅程的漏斗。

通常，产品分析工具带有一些内置的 KPI 跟踪和仪表板，允许你可视化某些流程和漏斗。然而，如果你已经有了数据仓库，你也可以将这些数据发送到仓库中，并使用 BI 工具进一步分析，或将其与其他你可能已经存储在仓库中的数据集进行配对。

一个典型的 AI/ML 产品经理可能会定期使用这些工具，因为这些工具可以帮助你保持对产品的敏感度，并获得足够的早期信号，至少确认你的客户是否直观地与产品互动，并按照最初设计的方式在系统中流转。即使你不使用 CEP，产品分析工具仍然可以为你提供大量洞察，帮助你发现是否从一开始就存在明显的问题。随着产品的持续成熟和发展，它还应当向你展示你的客户和用户群体是否随着产品的发展而不断变化。知名的产品分析工具包括 Amplitude、Pendo、Mixpanel、Matomo 和 Heap。

A/B 测试工具

在这些章节中，我们已经详细讨论了优化的概念，以及对于一个正在成长的 AI/ML 驱动的产品组织来说，最适合的实验精神。这一点或许可以通过 A/B 测试最为生动地体现出来。在构建带有 AI/ML 功能的产品时，关于你可能采用的模型类型，有相当多的对比讨论，你也需要测试产品的不同版本，以对不同的用户群体进行实验。你可能会进行各种事物的 A/B 测试——比如产品的外观和感觉、你放置功能的位置、你如何引导用户、你如何追踪指标，以及你实际跟踪哪些指标，来激发产品的使用，从而让你的观众在你的代言下为你推广。

在设计产品时，尤其是推出市场的全新 AI/ML 产品时，做出关于什么最能吸引用户群体的具体决策可能很困难。A/B 测试让你可以收集数据，了解哪些版本比其他版本更成功。你可以通过多种途径来优化产品的使用方式、个性化程度，并最终决定哪些版本最能促进转化和进一步的收入。投资 A/B 测试工具不仅能加强实验文化，还能帮助你追踪无数次测试，并为你存储那些测试的洞察。

你可以再次选择将这些数据发送到你的数据仓库，并进一步挖掘洞察，或将其与前面提到的其他工具中的实验方法结合，或者将其存储在你选择的工具的仪表盘上。无论哪种方式，A/B 工具都能让你组织并跟踪你的努力结果，允许你进行数百次 A/B 测试，如果需要的话。你可以使用这些工具对任何事物进行 A/B 测试，无论是营销活动、功能、按钮、链接、颜色、字体，还是任何你能从中获取定量和定性反馈的东西。知名的 A/B 测试工具包括 VWO、Optimizely、AB Tasty、Google Optimize 和 Five Second Test。

数据仓库

数据仓库将是某种关系型数据库，它允许你像 CDP 一样集中管理数据，但这里的主要优势在于，它能够格式化、转换并标准化数据，使其可以用于诸如上面的 CDP 和下面的 BI 工具。你可能记得我们在第一章中讨论了数据仓库的重要性。可以说，你很可能需要一个数据仓库，因为它是所有相关公司数据的支柱，无论是客户数据还是其他数据。可以将其看作是将数据推送到各种工具的主要通道。它还将允许你查询已有的数据，从中获取有价值的洞察。

你的数据仓库将是一个中立的地方，当数据没有通过直接查询或通过其他连接的工具被主动调用时，它将存在于此。当你管理一个原生 AI/ML 产品时，你也会从中立的角度来思考产品的成功，因为事实是，成功来自于一系列事件的积累。你的产品需要与客户和用户沟通，但它也需要以直接解决他们问题的方式进行构建。你的数据仓库将作为你的主要事实来源，适当地将数据发送给负责沟通的团队，以及负责构建的团队。

请记住，如何存储数据将是一个相当重大的财务和战略决策。你可能会选择数据湖或其他非关系型数据库，这些都不被视为数据仓库——其他角色的人可能会做出这个决定。作为产品经理，我们建议你成为这一讨论的基础部分，因为你如何以及存储在哪里存储数据将对下游产生影响，例如你最终会采用哪些增长黑客工具，以及最终你能从数据中获得多少洞察。

如果你的数据存储在数据湖中，你可能不会与其进行太多互动。数据仓库的建立目的是为了精炼数据并使其准备好以便轻松推送到其他上下文中。值得考虑的知名数据仓库有 Snowflake、Amazon Redshift、Google BigQuery 和 Databricks。

商业智能（BI）工具

尽管你的 CDP 和数据仓库以某种方式组织数据以供你使用，但它们可能不足以让你有效地探索这些数据。虽然 CDP 非常适合建立某些模式并理解你的用户旅程等，但它们并不用于数据的深入探索。你也可以直接从数据仓库查询数据，但你不会直接在数据仓库中可视化或处理这些数据。这正是 BI 工具发挥作用的地方。

BI 工具允许您获取存储在数据仓库中的所有数据，这些数据来自各种地方，并对其进行分析。BI 工具的目的是帮助您回答有关数据的重要业务问题。数据本身处于休眠状态并不有用或具有洞察力。您必须分析它才能获取宝藏，而在这种情况下，宝藏以趋势、洞察和知识的形式出现。从休眠、分散的状态中获取数据，统一并处理它是一个繁琐的过程，如果没有 BI 工具几乎不可能完成。BI 工具还允许您为团队创建仪表板，以便他们定期对我们在本章前面概述的指标进行健康检查。

虽然您的数据仓库可能是您的真实来源，但是您将使用 BI 工具来了解该真实是否实际反映了现实，因为这几乎是您唯一可以看到它的地方。通过 BI 工具，您不仅仅是检查数据的有效性和视觉表达 – 您创建了一个依赖于做出数据驱动决策的系统。在创建和表达新产品或业务时，始终存在一定的风险。您不知道会发生什么。

BI 工具帮助我们尽可能清晰地看到我们已经知道的内容，并帮助我们最小化风险。此外，BI 工具不仅在内部非常有价值。它们还允许我们制作数据的视觉表现，我们可以通过客户仪表板的形式或通过关于我们产品的营销和销售支持材料进行沟通。如果您创建信息图表、销售文档并驱动涉及数据图表和图形的客户沟通，这些都很可能是通过使用 BI 工具制作的。

实质上，BI 工具就像是数据的精炼厂，让您可以进一步打造您想传达的消息，以及您想在内部反映的消息。知名的 BI 工具包括 Power BI、Tableau、Sisense、ThoughtSpot 和 Looker。

增长黑客工具

找到快速成功不仅仅是 AI/ML 产品经理的必要条件，而是所有产品经理和企业家的必要条件。找出赚钱的最佳方式，增加品牌知名度，并找到优质潜在客户，这就是增长黑客的核心。虽然大多数产品不会一夜之间走红，但在前面部分讨论的工具中投资中有一些方法。它们都使您更接近根据客户真正想要的内容和您在现在和未来决策中使用的有效方法来获取信息。我们曾讨论过一些广泛的产品类别，这些产品当然有助于通过 AI/ML 产品找到成功，但还有许多宝贵的工具不完全属于这些类别。

Expandi 等产品允许你使用 LinkedIn 进行社交销售活动。Crystal Knows 利用人工智能创建个性化档案，以提供关于行为和情感的洞察。Landbot 帮助你构建聊天机器人，以便在应用内或平台上与客户互动。Hotjar 让你查看热图及其他分析数据，了解用户在你的产品中光标的移动轨迹。UsabilityHub 帮助你与真实用户一起进行 UX 研究。Fomo 帮助你通过透明度和社会证明来建立品牌信誉。Leadfeeder 帮助你将页面访客转化为潜在客户。

市场上有无数产品可以帮助公司实现合适的产品市场契合度。你选择的路径将是一些组合，这些组合既能推动开发的进程，又能让你停下来反思。处理已经做出的选择可以让你评估这些选择是否在将你推向成功商业化 AI/ML 原生产品的最终目标。

在接下来的部分，我们将讨论管理 AI 管道所带来的费用以及这些费用对定价的影响。虽然引入 AI 可能带来一些效率，从理论上讲应该使价格更低，但内部管理 AI 项目的总成本实际上非常高。这个成本通常会转嫁给客户，因为它是运营产品总成本的一部分。

管理成本和定价——AI 很昂贵

制定定价策略将是一个高度个性化的过程，涉及许多因素，从竞争对手的价格对比到管理 AI/ML 基础设施和工作流的运营成本。在本节中，我们将简要介绍影响成本的 AI 产品管理的各个方面，以及如何利用这些知识来指导定价策略，让你了解影响 AI/ML 项目成本的主要因素。

首先，我们从 AI/ML 资源的成本开始。根据 WebFX 的数据显示（www.webfx.com/martech/pricing/ai/），大多数 AI 顾问的收费为每小时 200 至 350 美元，定制 AI 解决方案的费用从 6000 美元到 30 万美元不等。而使用第三方 AI 软件每年可能需要支付 0 到 4 万美元不等的费用。

以顾问为基础构建 AI/ML 原生产品可能很有诱惑力，但这并不是最佳实践。一旦出现问题，你将花费大量资金修复即使是小问题。如果你希望聘请内部人员而不依赖外部帮助，纽约市的机器学习工程师的平均年薪为 162,591 美元。如果你想要一个人来管理机器学习工程师团队，纽约市的平均年薪为 207,728 美元。

接下来是人工智能赋能技术栈。运行、维护、训练、查询、存储和处理数据及人工智能系统都需要相应的成本。这还不包括我们之前提到的许多增长黑客工具，这些工具的价格也各不相同。管理所有不同供应商的关系、合同、定价区间和上限，以避免使用成本的天文增长，可能需要额外的人员来管理。管理 AI/ML 基础设施，并赋能产品团队，以最佳方式扩大规模、满足市场需求，是一项昂贵的任务，但这并不意味着它不值得追求！

摘要

在这一章中，我们重点讨论了人工智能/机器学习产品的追踪、营销、推广和销售。我们介绍了产品经理如何使用指标和关键绩效指标（KPIs）来基准测试和追踪他们的产品及其成功，以及这对整个组织和产品在用户群体中成功采用的意义。我们还将这些基准测试与推动追踪和衡量的整体产品战略和愿景进行了对比。这些活动帮助产品经理获取内部信号，了解他们构建的产品是否适用于他们的活跃客户和用户。

接着，我们讨论了如何通过使用与用户体验（UX）直接相关的各种增长技术工具，获得外部信号，了解哪些有效，哪些无效。我们回顾了增长黑客的要素。无论你是希望优化客户获取、参与，还是客户留存，你都需要找到一种方式来收集这些数据，分析它，并利用这些数据做出关于如何增加、删除或改进功能的实际决策。组织越来越注重数据、以数据为驱动的长期趋势，已成为软件世界中新文化的重要推动力。

客户们越来越希望获得一种体验，不仅仅是感觉直观和自然，更希望这种体验不断地提醒他们，他们来对地方了，而且他们正在使用的产品正是适合他们的工具。他们不想与真人沟通，也不一定想接受营销人员所推销的内容。他们希望直接与产品互动，并通过自己的探索，看到产品的内在价值是否显现出来。这是一个与过去产品构建和销售方式的巨大转变，这意味着我们作为产品经理的责任是提供一种与客户期望的方式相符的体验。

我们很高兴进入了一个新时代，在这个时代，我们不再装作羞涩。客户和用户知道他们正在被追踪，他们正在考验我们。客户和用户希望我们能利用我们的智慧为他们提供不会侮辱他们智商的体验，我们也乐于如此。这是一个勇敢的新互帮互助的世界，我们认为是时候利用这些数据让用户体验变得比以往任何时候都简单。

本章结束了我们书中的第二部分，到目前为止，我们已经讨论了与 AI 原生产品相关的广泛主题。在这一部分，我们讨论了 AI/ML 原生产品的构建和产品化过程，同时也探讨了 AI 产品中的定制化和垂直化的概念，以及 AI 能力和功能如何融入产品中的几种流行方式。了解 AI 产品如何原生构建，为我们理解本书的下一部分和最后一部分提供了良好的背景，后者讲的是将 AI 集成到现有传统软件产品中的问题。我们将以 第十一章开始本书的第三部分，重点讨论 AI 的广泛影响及其对各行业的影响。

参考文献

Landbot https://landbot.io/
Product Plan 产品策略 www.productplan.com/glossary/product-strategy/
选择你的北极星指标 future.com/north-star-metrics/
Hired ML 经理薪资 hired.com/salaries/new-york/machine-learning-manager
Built in NYC ML 工程师薪资 www.builtinnyc.com/salaries/dev-engineer/machine-learning-engineer/new-york
AI 定价：人工智能的费用是多少？ www.webfx.com/martech/pricing/ai/
Leadfeeder www.leadfeeder.com/
Fomo fomo.com/
Usability Hub usabilityhub.com/
HotJar www.hotjar.com/
Crystal Knows www.crystalknows.com/
Expandi expandi.io/
一位（B2B）销售员的死亡 www.forrester.com/what-it-means/ep12-death-b2b-salesman/
新的 Epsilon 研究表明，当品牌提供个性化体验时，80%的消费者更有可能进行购买 www.epsilon.com/us/about-us/pressroom/new-epsilon-research-indicates-80-of-consumers-are-more-likely-to-make-a-purchase-when-brands-offer-personalized-experiences

第三部分 – 将 AI 融入现有的非 AI 产品

许多公司将因为 AI 在各行业中的竞争优势和战略影响，而开始将 AI 和机器学习（ML）融入到他们现有的产品中。

本书的第三部分将聚焦于如何将目前未使用 ML 或深度学习（DL）的现有产品转变为 AI 驱动的产品。在前一部分中，我们讨论了如何构建 AI 原生产品，以及这一过程如何从数据、公司和战略的角度展开。在此基础上，我们将对比分析这一过程在不使用 AI 的产品中如何展开。到本部分结束时，我们将了解 AI 对个别公司及其所处行业的影响和规模。我们将以一份关于如何将 AI/ML 能力融入传统软件产品的综合指南结束这一部分。

本部分包括以下章节：

第十一章*，AI 的崛起潮流*
第十二章*，跨行业的趋势与洞察*
第十三章*，将产品演变为 AI 产品*

第十一章：人工智能的兴起

本章开始了本书的第三个主要部分，重点讨论如何让那些尚未使用机器学习（ML）的现有产品通过人工智能（AI）来实现演变。我们将这些产品称为非 ML 原生产品。在前一部分中，我们讨论了 ML 原生产品，并探讨了如何构建人工智能原生产品，以及如何从数据、公司和战略的角度，以最优的方式推进这一过程。使用同样的视角，我们将比较并对比目前尚未利用人工智能的产品在这一过程中如何展开。

更具体地说，本章将重新介绍第四次工业革命的概念。这将作为提醒和蓝图，供我们这些作为创业者或产品经理的人参考，特别是那些准备完全拥抱人工智能的产品和组织。我们将强调即将到来的人工智能转变的重要性，以及它在各行业中的意义。对于那些已经能够拥抱人工智能的人，我们希望提供一个他们可以信心十足地依靠的计划，帮助他们推进人工智能在产品和更大范围组织中的推广。对于那些仍然持怀疑态度的人，我们希望激励你们，并提供一个清晰的未来愿景，帮助你们为这种转变做好准备。对于那些反对人工智能的人，我们希望让你们看到一个没有人工智能应用的未来，了解这对公司成功意味着什么。

在本章继续进行时，第一部分将探讨人工智能的演变对企业和产品意味着什么，以便最好地传达在行业层面上拥抱人工智能的竞争优势。接着，我们将介绍一些适合企业采用人工智能的可行选项，帮助那些希望利用人工智能采纳浪潮的公司。最后一部分将专注于产品经理在人工智能采纳中的心态和态度，以及产品经理如何在其组织中推广人工智能采纳。我们很荣幸能与您一同踏上这段旅程，并希望在人工智能及其采纳方面充满误导和虚假信息的环境中，未来的文字能为您带来安慰。

在这一章节中，我们将涵盖以下主题：

进化还是死亡——当变化是唯一常态时
第四次工业革命——医院曾经使用蜡烛
恐惧不是答案——获得的比失去的（或花费的）更多

进化还是死亡——当变化是唯一常态时

我们喜欢将人工智能对所有行业所要求的进化称为*“竞争性必然性”*，因为我们描述这一范式转变所使用的语言需要更加紧迫，以便充分准备人们迎接即将到来的变化。每个行业本身就是一个独立的宇宙，一旦行业内的公司开始看到人工智能应用的成功，这一应用的进程将加速。我们之前提到过，产品管理本质上是一个商业角色，因为作为产品经理或领导者，你的任务是确保你的产品获得商业成功。推广人工智能产品所带来的竞争优势和市场轰动是不可否认的。

除了市场营销，人工智能还使各行各业能够以更具实质性的方式发展。所有经济和社会领域都会因人工智能而发生变化，从医疗保健到技术，再到教育和政府。随着人工智能的应用，行业对原材料的关系、规划、预测和产品构建的方式都会发生变化。世界经济论坛（WEF）将我们当前所处的工业革命定义为*“由技术融合特征所主导，模糊了物理、数字和生物领域之间的界限。”*我们喜欢这个描述，因为它将人工智能和机器学习明确地置于这些领域的核心。为了考虑到物理世界，我们需要一种将物理世界转化为数据的方式。这些数据可能涉及我们之外的任何事物，或者涉及我们自己的身体。这些数据的收集和处理必然会在某种程度上与人工智能和机器学习进行互动，以便以某种方式成为可操作的，一旦这个进程开始，凭借人类无穷的创造力和灵感，我们将提出超越今天使用案例的新组合和表达方式。

我们生活方式的变化，无论是显性的还是隐性的，都影响着许多技术领域，不仅仅是人工智能。我们目前正在看到这些领域的巨大突破，世界经济论坛接着说，*“数十亿人通过移动设备连接的可能性，以及前所未有的处理能力、存储容量和知识获取能力，是无限的。这些可能性将通过在人工智能、机器人技术、物联网、自动驾驶汽车、3D 打印、纳米技术、生物技术、材料科学、能源存储和量子计算等领域的新兴技术突破得到进一步放大。”*这正是让我们能够在当今时代见证这一切的特权所在。实际上，一场技术文艺复兴正在发生，而我们正慢慢地目睹这一文艺复兴的实时展开，每次阅读新闻、下载白皮书或找到研究报告时，我都会不断提醒自己，当考虑到 10 年前我还没有 iPhone 时，当前的技术进步是多么令人兴奋。

即使超出了我们在取得突破的领域之外，所有这些进步也伴随着牺牲、负面外部性，例如工作岗位的流失。工作的自动化将取代那些例行的任务和工作，而几乎所有的工作都有一定的例行性。这是不可避免的。这也是一些人害怕 AI 时代的原因，因为他们担心 AI 会取代他们的工作。毕竟，如果一家公司可以通过自动化、购买产品或使用某种形式的 AI 替代人工来完成所需的工作，那它为什么不这么做呢？一些在运营、采购或财务领域工作的人，他们的工作就是寻找节省公司开支的方法，甚至这些人也可能发现他们自己的工作被自动化了！最终，这一变化将到来，而在此期间，我们将一篇篇地看到相关新闻报道。

但更可能的情况是，AI 将以某种方式帮助几乎所有工人完成他们的工作。我们并不是要忽视 AI 带来的集体损失。数据录入和制造业中的一些工作将永远消失，你也可以说它们不应该回来。毕竟，谁喜欢做数据录入？谁喜欢在最低工资下做无技能的工作？即便是“无技能”或“低技能”工作这个说法也是贬低性的、不公平的，而且常常成为公司为自己提供无法维持生计的工资辩护的方式。美国至今仍在就合理的最低工资进行辩论，而研究已经表明实际工资增长滞后，这真是令人可笑。然而，AI 可能会通过自动化那些我们希望通过提高最低工资来增强的工作，使所有这些辩论变得无关紧要。我们听过这样的论点：AI 将取代那些令人不快、单调乏味、压抑的工作。我们也听过这样的论点：AI 将使人类能够发挥他们的好奇心，赚取更多的钱，从事那些重视创造性、复杂问题解决和批判性思维技能的工作。这是假设大多数人都想要这样，而不是想要一份可以日复一日轻松做的工作，过着远离复杂思维的平静生活。

除了所有的末日景象，还有一些积极的方面。未来人们将从事的许多工作目前尚未存在。根据戴尔公司和未来研究所（IFTF）的报告，到 2030 年将出现的 85%的工作岗位现在还没有出现。这真令人难以置信。或许最令人惊讶的是，这一切都在随着时间推移被我们所有人发现。仅仅 15 年前，如果有人告诉我们他们是社交媒体经理，我们可能会感到困惑。即便在我自己的职业生涯中，我也见证了曾经被称为客户经理的角色，逐渐转变为更加注重销售的客户执行角色，或者更加注重绩效的角色，如客户成功经理。数据分析师和数据科学家的职位也不久前才进入大众视野。这两个角色的功能存在已久，但它们的正式化以及在某一特定时刻它们所代表的意义，是一个新的发展。在不久的将来，我们可能会比现在更频繁地听到关于远程外科医生、数据经纪人、无人机经理和虚拟现实技术员的报道。

人工智能的应用所要求的进化将带来正面和负面的影响，正如任何技术应用一样。我们能说现在因为电力流经我们学校、办公室、医院和家庭的墙壁，我们变得更好了吗？我们如何量化如此巨大变革对我们生活和工作方式的社会和经济净效益？电力的贡献者们如何能够预见到，最终他们的突破会为互联网和人工智能提供动力？如果你能穿越时空回去告诉他们，他们甚至无法理解你当时在向他们解释的事情的严重性。关注风险是很重要的。毕竟，人工智能可能会加剧工作岗位之间的两极分化，并扩大收入差距。那些了解人工智能发展并能预见到自己工作将如何变化的人，可以更好地为此做好准备，并且由于拥抱这一变化，他们可能会赚更多的钱。其他人可能会发现他们的工作被自动化，最终消失。这几乎是板上钉钉的事。

我们希望看到政府和企业携手共同迎接这一技术变革，并让主要行业部门认识到需要有技能的工人来帮助他们构建下一代产品，同时通过付费实习、培训计划和领导力计划来培养这一波工人，使他们能进入有前途的职业生涯。我经常进行关于技能提升和职业转型的演讲，并不断提醒我的听众，他们对提升技能的兴趣、专注和承诺对整个社会有着巨大的帮助。数据分析师、数据科学家和机器学习工程师是当前最抢手的人才，而且这些领域存在巨大的技能差距。随着公司对这类人才的需求不断增加，目前在这些领域中，缺乏足够的技能、训练和经验丰富的工作人员。如果你开始这段学习旅程，最终你将会取得成功，并且得到一个终生职业，它将始终吸引你的兴趣。我们只希望更大的机构能看到帮助个人提升技能的潜力，并投资于使这一过渡更顺畅，因为这确实是对社会和经济的一项投资，能够让每个人都受益。

第四次工业革命——医院曾经使用蜡烛

我们很难夸大人工智能普及对各行各业和各类职位所带来的影响，技术性和非技术性职位之间的界限也将开始发生变化。目前，人工智能在商业文章中大多作为一种上升趋势或潮流出现，但这种潮流正在迅速变成一场海啸。为了保持与同行的竞争力，各行各业的公司将纷纷向数字化转型迈进。随着越来越多的公司进行这一转型并成功实现人工智能普及，我们还将看到对数据密集型职位的需求增加，因为大多数产品、内部运营和客户讨论都将随着公司人工智能采纳战略的推进而不断演进。

我们也已经开始看到自动化机器学习（autoML）公司和产品开始增长。像 DataRobot 和 H20.ai 这样的自动化机器学习产品公司越来越多地出现。这将使任何人，即使是那些不从事数据科学和机器学习工程师工作的人员，也能够使用、调整、测试和部署机器学习模型以优化性能。这意味着，随着时间的推移，人工智能的普及将变得更加容易，任何选择“红药丸”的人都能够接触到这一技术。这也引发了一个问题：数据科学家和机器学习工程师将会面临什么样的未来？

对这些职位的需求预计不会随着时间的推移而下降。随着越来越多的公司拥抱并规划他们的 AI 战略，即便是那些起步较早的公司，也会发现自己需要寻找合适的资源来启动 AI 项目。你的商业战略将影响你如何在机器学习和高级分析中迈出第一步。最终，你的预测、市场战略和增长战略将影响你在内部创建、继续和发展 AI 项目的速度和方式。你可能决定从产品开始，但你也可以从 AI 在其他内部应用上的使用入手，比如在 HR 或财务职能中应用 AI。一般来说，AI 的最佳应用案例包括推荐、排名、异常检测、分类、预测或回归，以及聚类或分组。

所有这些应用案例都可以应用到你的产品或内部流程中。也许你想预测一些你销售的产品的需求量，以便进行库存管理。也许你想查看某些客户的购买是否存在欺诈行为。也许你正在尝试将客户分组为目标类别。所有这些问题都可以通过 AI 得到帮助。同样，你也可以选择在产品开发中使用某些算法，帮助你的产品为客户做出预测，展示他们与同行相比的表现，或者提供关于他们表现中异常情况的洞察。AI 适用于内部和面向客户的应用。

人工智能初创企业的数量、风险投资公司的年度投资金额、职位空缺预期和每年发布的 AI 论文数量都呈指数增长曲线。这意味着我们正经历着人工智能需求和投资的巨大爆发，而这仍然只是一个开始。

当公司和领导层开始开放人工智能的能力和潜力时，理解人工智能可能带来的所有机会是非常重要的。公司和领导团队必须充分理解 AI 采纳对你们业务意味着什么样的竞争优势和范围。产品功能并不是 AI 唯一能帮助的领域。由于 AI 对数据的需求非常大，进展来源于性能基准，因此首先必须在整个组织中建立健康的数据驱动文化。如果没有一致的基准，你实际上是无法看到 AI 如何帮助你的。在你实施 AI 项目和在产品中加入 AI 功能之前，必须有指标和关键绩效指标(KPIs)来跟踪你的表现，这对于衡量和沟通成功至关重要。建立这种文化必须从高层开始，我们邀请所有阅读这篇文章的领导者投资于建立这种文化，以便从 AI 采纳中获得最佳成果。

我们在这一部分想要强调的第二个文化影响是围绕 AI 建立一个愿意、开放和好奇的文化。根据 VentureBeat 的报道（venturebeat.com/ai/why-do-87-of-data-science-projects-never-make-it-into-production/），87%的 AI 项目失败。很大一部分原因是组织没有为 AI 采纳做好适当的准备。让你的数据科学、机器学习和产品团队承受压力和负担，并不是让他们成功的正确方式。能在 AI 领域进行迭代、实验并敢于冒险，使得团队能够安心尝试不同的应用场景，是给 AI 在你的组织中最大机会的关键。在你取得初步成功之前，保持健康的怀疑态度，并对 AI 活动保持适度的期望是很重要的。当早期的 AI 成功出现时，最重要的是要在你的组织内大声而自豪地庆祝这些成就。

你的战略也将决定你如何进行 AI 项目的开发。在接下来的部分中，我们将讨论关于 AI 战略的主要投资领域，以便你可以为你的业务选择最佳行动路线。我的最佳实践是将这些策略累积使用。如果你从顾问开始，并在此基础上逐步扩展，你将为 AI 采纳和战略的成功奠定基础。

与顾问合作

如果你刚刚开始接触 AI，一个可以从中着手的领域是寻求顾问的帮助。除了在这一领域进行自己的研究外，理解你面前可用的选项可能会让人感到很有压力。你还需要做出一些决策，关于你希望拥有的基础设施类型、高科技项目的报告结构以及哪些数据或 AI 项目在你的组织内具有最大可见度。我们总是建议公司从一个高影响力的小项目开始，因为你第一次尝试 AI 时，很可能会遇到犹豫或反对。

这是一项未知的领域，目前还没有建立起关于成功标准的基准。顾问在首次项目中或帮助你搭建正确的基础设施和工作流程以实现目标方面非常有帮助。许多公司会尝试在没有外部顾问和战略家的帮助下自行构建 AI 管道，但如果你没有一个清晰的基准来管理 AI 项目，可能会在没有充分思考的决策上浪费大量资金。

与第三方合作

或许你希望与咨询公司合作，而不是与某个人合作。这与前一部分相似，但你将得到一个曾经做过类似工作的咨询团队或公司提供的额外帮助，他们曾为多个公司提供服务并且拥有良好的声誉。第三方往往会垂直化，因此你可以在一个专注于你特定行业或使用案例的咨询公司生态系统中进行搜索。从行业同行的角度理解自己的目标是确保你从竞争角度朝着正确方向前进的一种方式。与一组顾问合作也使你能够向他们学习，这些人会与并教育你的员工。

许多公司也在寻找具备他们所需经验的合适候选人方面遇到困难。人工智能是一个广泛的领域，根据你的产品的专业化，可能很难在内部找到足够的支持。咨询公司拥有自己的人工智能人才网络，因此与一个你信任的公司建立合作关系意味着你可以拥有一个可以在你人工智能/机器学习需求随时间变化时为你提供指导的第三方。这也是对防止以后做出错误的基础设施或业务投资的一个对冲方式。同时，它也确保你可以接触到真正符合你需求的人才库。

使用第三方时需要谨慎的一点是，最推荐用于高层次的组织教育或真正精选的概念验证。如果你为你的产品或某个内部职能使用了顾问，并且认为他们会为你创建一个出色的机器学习产品，让你的工程师从那里接手，你将会失望，且你的机器学习项目很可能无法获得公司或领导层的支持，因为结果会非常糟糕。或许你还没准备好让某人正式加入团队。

或许你有很棒的开发人员，能够定期调整、重新训练和部署模型，但他们可能不擅长建立算法或选择模型，你需要的是具备更多统计学背景的人来为你的使用案例创建最佳模型。你可能会被诱惑仅仅通过咨询公司来帮助你达到初步阶段。避免这种诱惑。如果你正在积极寻求从数据战略和人工智能开始，使用顾问来教育自己，并做出如何推进的决策，然后投资雇佣一位真正了解你业务的人来从那里接手。

第一位雇员

这让我们来到了第一次招聘。我自己曾是公司里的第一位数据科学家，而这并不适合所有人。你的第一次招聘将是一个足够通才的人，他们可以像顾问一样为你提供所有的选择，但他们是全职为你工作的，如果他们的领导团队同意建议，他们可以付诸实践。在你筛选和面试这个人时，向他们明确你希望在哪个业务领域引入人工智能、自动化、高级分析或机器学习。我还会明确职位的目标，以及你真正需要帮助的方面，以及你所处的阶段。如果你只能招聘一个人来帮助你起步，那么我还会确保你们对第一个项目的具体内容达成一致，这样不会在后期出现意外。

你应该对自己的数据和人工智能战略有一个相当清晰的了解，这样就不会给这个人施加不切实际的压力。人工智能产品经理、机器学习工程师、数据科学家、数据工程师和数据分析师都在各自的领域有所专长，几乎不可能找到一个数据通才。一个能够告诉你最适合你的数据和工作流的基础设施，实际搭建这些管道，清洗所有数据，加载到模型中，适当训练这些模型，部署这些模型，最后以对业务有意义的方式传达所有这些工作的成功的人，是几乎不可能找到的。你也不希望一开始就雇佣一整支团队，除非你有实际的方式来有效应用他们的工作。这些角色的成本不低，因此在你真正知道如何使用他们之前就投资团队，就像在拿到驾照之前买了一艘潜水艇。人工智能是你企业的巨大投资，所以在开始招聘之前，确保自己先进行学习，并利用顾问的帮助，这样你就不会浪费钱。这是一个生态系统，每个人都有其位置，且都有充分的理由。

第一个人工智能团队

假设你已经有了一个清晰的起点，知道可以给你的数据和 AI 团队分配一些好的初期项目，并且你已经在 AI 应用中取得了一些成功。公司内部充满了兴奋的气氛，多个部门也开始联系你，想要启动自己的机器学习项目，突然间，你的唯一数据科学家或机器学习工程师的工作量超负荷。你开始投资团队，实际上是在组建一个全新的部门。在前一节中，我们提到了 AI 产品经理、机器学习工程师、数据科学家、数据工程师和数据分析师——这就是你的 AI 团队。这个团队将帮助你负责地构建 AI 功能，并优化你的基础设施、数据管理、工作流程、数据管道、建模、训练、部署以及与业务部门的沟通。为此组建一个专门的团队是最优且合乎伦理的，因为 AI 管理需要大量的工作和维护。如果你能负担得起，你知道如何最好地利用员工，并且知道如何让他们保持快乐和专注，他们将为你的产品和业务创造丰厚的机会和成功。

无代码工具

我们在这里要讨论的最后一部分是使用低代码或无代码工具，例如 DataRobot 和 H2O.ai 提供的工具。目前，使用这些工具的大多数人是数据科学家，所以这并不是一种任何人都能使用并能神奇地为你提供 AI 的工具。用户必须具备一定的基础知识和领域知识，才能理解并通过这些工具创造价值。目前，这些工具最大的优势似乎在于，如果数据科学家或机器学习工程师因项目过载而陷入困境，这些工具可以帮助简化他们的工作量，但它绝不是替代品。决定在你的 AI 团队中使用哪些工具应该是早期基础设施讨论的一部分。

恐惧不是答案——获得的比失去的更多（或花费的更多）

相信和梦想成功是产品经理的核心技能之一。这个角色的核心任务就是围绕构建产品愿景、使命和战略等概念，最终使用这些工具创建一条能将这些更模糊的概念具象化的路线图。作为产品经理，你必须训练自己去进行可视化。如果你不保持清晰的思维和专注于目标，你就无法进行可视化。关键是对齐。一旦成为产品经理，你可能会反复问自己：“我们有对齐吗？”直到你会看到一些 TikTok 视频，拿产品经理过度强调这一点开玩笑。或许正是因为对齐对这个角色至关重要，以至于这个职位的功能可以浓缩成这一单词。你在各方面进行对齐。你在对齐领导层、市场营销、销售、客户成功、运营、财务、工程以及其他许多受影响的业务职能，围绕产品帮助建立一个所有团队都能为之自豪的成功项目。

这是角色中的情感部分，我们之所以在这一部分提出它，是因为许多产品经理可能会发现自己面临与人工智能打交道的繁琐任务，而他们可能一开始并不太了解人工智能。由此产生的恐惧正是我决定写这本书的根本原因。在我担任第一个机器学习产品经理角色时，我也曾感到恐惧和其他相关情绪的出现。我最初对自己在人工智能方面的知识感到不安。我在担任产品经理之前有数据科学和机器学习的背景，但我依然感到这种恐惧和不确定性。为了应对这种恐惧，我开始管理一个关于数据科学、人工智能和机器学习书籍的读书俱乐部，已经持续了 23 个月。在每本书之后，我发现自己在这方面的信心越来越足。于是，我开始写作并分享自己的文章，作为一种方式来管理我在管理这些产品时所面临的复杂情绪。

当我客观看待这些情绪时，我觉得自己仍然对自己的知识和技能有所保留，实在有些可笑。毕竟，真正来自数据科学和机器学习领域的产品经理并不多。因此，根据他们的自信心程度，我敢说大多数产品经理都会发现自己在某些时刻会面对我曾经感受到的许多情绪。特别是在前面几节，讨论非机器学习原生产品时，我想从情感的角度切入，进一步深入探讨如何在产品管理过程中将人工智能和机器学习的强大力量进行语境化，以此保持恐惧感的消散。

那么有什么收获呢？首先是炫耀的资本。AI 领域仍处于相对初期阶段。在顶尖科技公司之外，AI 的采纳程度尚算温和。这意味着在这一阶段，至少在未来几年，推出 AI 功能的公司仍然处于领先地位，这也意味着现在正是推出 AI 功能的最佳时机。将 AI 功能应用于你的产品，意味着你能在竞争对手提出相同想法并发布相同营销信息之前，争取更大的市场份额：*“我们是唯一的 AI 驱动 X”*这一标语不会持续太久。在许多行业中，AI 功能本身就是市场营销的差异化因素。

除了市场营销，AI 功能如果实施得当，应该能为你带来更强大、更智能的产品。实际的产品功能和结果将扩大你产品的声誉，并推动有机增长。如果你以有助于你的产品为客户节省金钱、节省时间或更快赚钱的方式利用 AI 功能，那么它应该从有效的地方学习。AI/ML 的固有承诺体现在以下公式中：数据加模型等于更多数据和更好的模型。如果你的数据干净且模型定期更新，你的表现会得到提升。越是熟悉这一过程，你在产品功能和市场表现上的直觉就越准确。随着你开始看到 AI 功能为你的产品带来的规模和洞察的进展，你将开始预测 AI 产品可能带来的潜在问题。在这一点上，作为产品经理，适当的健康恐惧感是非常必要的。

预测潜在风险

当前 AI 产品经理的专业化之一是了解可能出错的地方。你的 AI 功能可能会在某些方面对客户数据做出一定程度的妥协，作为产品经理，你的任务就是预测产品可能对用户造成的潜在风险。作为产品经理，你的目标是解决用户在使用产品时遇到的最重要的业务问题，同时也要尽量减少潜在的负面影响。

我们知道，我们让你对成为一个无畏的 AI 产品经理感到兴奋，但随后提到你应该害怕的事情，因为我们想做出一个区分。我们更希望你害怕 AI 潜在的有害一面，而不是害怕 AI 系统的复杂性。理解结构和复杂性是简单的，确保这种复杂性得到妥善处理才是难点。例如，与其担心从哪里开始实施 AI 功能，我们更希望你担心这些功能可能对下游的用户和客户产生负面影响。这可能与 AI 功能向用户展示的选择、它代表客户做出的决策，或者它得出的缺乏可解释性的结论有关。

作为一个 AI 产品的产品经理，你所承担的责任主要来自于 AI 可能产生的巨大影响。设计和优化对于 AI 产品至关重要。确保你的产品通过代表性且无偏的数据样本进行学习，远比说起来容易。确保你的产品公平并包容各种类型的用户，同时保证数据完整性健康，并不是一项简单的任务。你还必须考虑到可能对用户和客户产生的下游影响，这些影响可能在用户与产品互动后立刻显现，也可能在很久之后才显现。例如，如果你的产品是一个约会网站，你是否能说你提供给用户的选择代表了你拥有的用户群体，并且没有偏见？

以下是一些自我提问的问题，帮助你确保自己是一个负责任的 AI 产品管理者：

之后会发生什么事情，影响到你的用户或他们的数据？
在你的 AI 系统与用户互动数月或数年后，他们可能会受到伤害吗？
你的产品是否在适当地处理用户的数据或隐私？
你是否在防范攻击的同时保障用户的数据安全？
是否有监督机制来确保组织在 AI 方面的责任制？
你的产品开发生命周期中是否存在某些地方的人为疏漏，还是你们只是被动地响应潜在问题或违规行为？
你的模型是否可解释且透明？
你和你的工程师们是否有合理的方法来解释你的产品代表用户做出的决策和洞察？
你是否可以良心上保证，你一直在评估模型的决策过程和表现？
你是否在考虑数据漂移和模型衰退的因素？

根据你的产品组织的成熟度，你可能会有专注于单个产品的产品经理，担任产品负责人的角色。你也可能有专注于基础设施和开发者工具的产品经理。你可能是一名更加专注于研究方面的 AI 产品经理，寻找可以添加到产品线中的新创新。你还可能担任一个更加注重负责任地构建 AI 的角色，专注于产品的伦理问题。如果你是唯一的产品经理，那么你需要考虑上述所有方面，并且对每个方面都有一定的了解。

目前我们看到的角色定义方式也将开始发生变化。在这个时间点，你可能会看到像 AI 产品经理或机器学习产品经理这样的角色，这些角色明确了专注于 AI 或机器学习产品的方向。随着时间的推移，我预测随着所有产品经理角色与 AI 的融合发展，这种限定词将逐渐消失。正如你在本书中反复看到的那样，关于到十年末所有公司都将成为 AI 公司的观点，产品经理的角色也将如此。十年内，你可能需要对 AI 有一定的舒适感和熟悉度，才能胜任产品经理的工作。

在本节中，我们想要触及的最后一个主题是与实施 AI 项目相关的成本，包括你用于研究、开发、测试和管理 AI 活动的成本。作为产品经理，你不一定需要时刻跟踪成本以及如何在公司内部处理这个功能的决策，但你需要熟悉进入你产品的成本。如果你正在积极开发 AI 功能，这将是你在构建产品时需要跟踪的一个领域。作为产品经理的一部分工作是比较某些功能开发的成本与投资这些功能所带来的潜在收益。你选择的指标来展示投资功能的投资回报率（ROI）将构成你的商业案例。

AI 不应被视为灵丹妙药。仅仅为了追求竞争市场优势而贴上 AI 标签并不是成功的策略，因为如果 AI 并没有显著提升你的产品，仅仅作为一种虚荣功能添加进去，你最终会被那些真正恰当使用 AI 的产品超越。了解哪些 AI 功能值得扩展，以及这些功能如何提升你的产品，会使你作为 AI 产品经理的工作更加轻松，随着时间的推移，你会越来越清楚这一点。发挥你的好奇心和实验精神，敢于冒智能风险。明确你如何最好地支持公司，以及 AI/ML 的局限性和好处，会帮助你在优先排序功能和规划产品战略时取得成功。理解你的 AI 投资可能在后续带来的潜在危害，将有助于你在公司内部和行业外部建立信誉。

作为一名 AI 产品经理，你是在为你的组织创造 AI 的宣传。这个间接影响的一个重要部分，实际上是要提高对 AI 所带来的增长、风险和固有机会的意识，AI 不仅仅是对你的产品和业务有益，它同样影响你常与之合作的其他利益相关者。所有角色都会随着时间的推移受到 AI 的影响。可以说，你走在了时代的前沿，因为你的角色与 AI 及其潜力紧密相连，你可以利用这一第一手知识，帮助你的同行们共同应对这一变革。

总结

AI 革命正在各个层面发生，在本章中，我们审视了 AI 如何在整体上影响行业、从内部到外部影响公司以及产品经理的角色。对于那些处于正在经历 AI 变革的行业中的公司，本章的第一部分重点讨论了 AI 在各行业中的应用领域以及这如何影响未来的工作方式。第二部分则集中讨论了 AI 如何改变公司自身，并介绍了如何在组织层面开始为 AI 的采用做准备。第三部分将这些概念带入产品经理的视角，探讨了产品组织需要具备的心态，以确保 AI 在产品中的采纳能够确保产品的完整性和持续发展。

在下一章，我们将探讨基于一些知名且受尊敬的研究机构的研究成果，AI 如何在各个行业中成为趋势，以此激励产品经理们开始制定战略，将他们的产品转型为 AI 产品，并在尝试接触 AI 时需要考虑的事项。

第十二章：各行业的趋势与洞察

在上一章中，我们探讨了人工智能（AI）如何影响各行各业的公司，以及 AI 如何在公司内部运营上产生影响。在本章中，我们将从著名且受尊敬的研究机构的视角，分析 AI 在各个行业中的趋势，旨在激励产品经理和企业家们通过将他们的产品升级为 AI 产品来开始制定战略。此外，我们还将讨论他们在尝试接触 AI 时必须考虑的各种因素，包括 AI 的准备和赋能。

分析趋势并理解 AI 和机器学习（ML）采纳的增长领域，可以为我们带来强大的未来机会。由于这一巨大的采纳变革，我们所构建的内容以及我们的工作方式都在发生变化。在本书的大部分内容中，我们集中讨论了 AI 产品，但也提到了一些公司在 AI 的推动下如何从运营角度进行转型的方式。对于那些希望通过构建 AI 程序来支持其产品的公司，最好的建议是同样利用该程序来推动内部目的。若你投资于这项技术，你还应该使用它来提高内部效率，提升产品表现。

如果你有机会通过引入 AI/ML 功能将你的产品提升到一个新的水平，这意味着你已经接受了支持如此雄心勃勃事业的责任和特权。在本章中，我们将看看知名的咨询、研究和顾问公司对于 AI 采纳的更大机遇所作的分析，并探讨传统软件产品中采纳 AI 的趋势。了解那些已经表现出希望的领域以及显著改善产品的 AI 采纳方式，对于寻找灵感，了解 AI 如何改进现有产品非常有帮助。

在本章中，我们将涵盖以下主题：

增长最快的领域 – Forrester、Gartner 和 McKinsey 研究
人工智能采纳趋势 – 让数据自己发声
摆在眼前的机会 – AI 赋能的最快成功路径

增长最快的领域 – Forrester、Gartner 和 McKinsey 研究

在本节中，我们将重点关注一些最著名研究和咨询机构的 AI 增长领域。了解这些信号所传达的信息能为我们提供动力和远见，从而能够预测未来的重大机会。尤其是在将企业或产品转向 AI 的背景下，这一信息特别有价值，因为许多产品经理和技术人员可能对想要开始增强哪些特定领域的 AI 能力存在分歧。

在以下小节中，基于 Forrester、Gartner 和 McKinsey 的研究与趋势分析，我们将探讨的一些主要增长领域包括嵌入式 AI、伦理 AI、创造性 AI 和自主 AI 开发。嵌入式 AI 将探讨应用于组织运营和产品基础的 AI。伦理 AI 将关注 AI 部署中的责任和隐私考虑。创造性 AI 将探讨 AI 的生成式和 Web3 用例。自主开发将着眼于 AI 生成代码的日益发展领域。所有这些都是一些最具声望的机构预测 AI 采用趋势时的战略增长领域。

让我们开始吧！

嵌入式 AI – 应用与整合的用例

嵌入式 AI 指的是将 AI 融入到企业的核心运营活动中。如果你的产品面向 B2B 内部流程，如架构、运营、履行、供应链、人力资源或采购等，你可能会对增强产品的 AI 特性感兴趣，帮助公司履行对消费者的承诺。根据 Forrester 对 2022 年预测的研究，产品为 B2B 消费者提供的真实价值越大，你就能越多地帮助企业缩短洞察、决策和结果之间的延迟。Forrester 称这种 AI 为AI 内部，它涉及将 AI 嵌入到运营中的整合。最终目标是帮助提供信息，甚至自动化决策过程。

通常，产品能为客户提供的最大价值是他们可以用来做出高层决策的可操作信息。如果你的产品在提供这方面可靠，它值得企业投资自己的 AI 基础设施，以达到同样的效果。Gartner 在其以应用为中心的 AI框架中概述了这一概念，其中他们考虑了工程创新、决策智能和运营 AI 系统。

对于 Gartner 而言，这一领域的人工智能重点是帮助提升整体决策智能，以减少企业内部的技术负债和可见性，同时帮助减少结果的风险和不可预测性。换句话说，根据 Gartner 的说法，这一领域人工智能最具影响力的部分是，它帮助决策者清晰了解内部流程，并利用从自身数据中获得的洞察做出最重要的决策。

Gartner 还预测了因果人工智能的崛起，这些系统识别并基于*“因果关系，超越基于相关性的预测模型，向能够更有效地开出行动方案并更自主地执行的人工智能系统”。Gartner 在人工智能实施方面还有许多其他领域，它通过诸如增强型 FinOps、网络安全网状架构、数据可观察性和行业云平台等类别来定义，这些领域的增长支持将人工智能融入企业业务流程。对于 Gartner 而言，这一点或许可以通过其2023 年报告中顶级战略技术趋势*的优化类别最为准确地体现。

该报告还包括如数字免疫系统等内容，这是一个实践和技术的集合，专注于在面对可能影响组织从任何威胁中恢复能力的威胁时，优化其韧性。Gartner 认为，这将涵盖一系列帮助企业为潜在风险做准备的工具，通过从过去的失败中学习，更好地为下一次做好准备。与其从网络安全的角度来看待这一点，它更涉及任何可能对客户体验和交付产生负面影响的内部流程。应用可观察性类别也突出了那些寻找组织内部操作中任何偏差的工具，这些偏差可能影响核心业务功能和基础设施。

麦肯锡在其2022 年技术趋势展望报告中将应用人工智能作为其战略重点之一，并定义其为智能应用人工智能来解决分类、控制和预测问题，以自动化、增加或增强业务用例。其中一些用例在报告中被定义为风险管理、服务操作优化和产品开发。根据他们的研究，促成这一发展的因素包括全球范围内人工智能采用的扩展、更加负担得起的人工智能实施途径、训练速度的提升、基于专利申请的创新增长以及人工智能相关公司私募投资增长的显著增加。他们的统计数据也在人工智能采纳趋势部分反映了这一点。

麦肯锡更进一步地孤立出了在 AI 采用方面显示出最值得关注前景的领域。他们将机器学习的整体范畴列在榜单的最上方，主要用于优化问题和利用统计模型从数据中学习的能力。

计算机视觉被列为第二个最值得关注的领域，主要用于面部识别和生物识别。第三是自然语言处理（NLP），它在语音识别和虚拟语音助手中的广泛应用。第四是深度强化学习，特别是用于机器人技术和制造生产线等领域。最后，他们列出了知识图谱，因为它们能够从网络分析中提取洞见。我们在本书中已经详细讨论了大多数这些机器学习的主要领域，看到它们出现在麦肯锡的*《技术趋势展望》* 2022报告中并不奇怪。

伦理 AI——责任和隐私

Forrester 的另一个高增长领域是负责任或伦理 AI 这一细分领域。得益于倡导团体和对立法者施加的压力，要求明确定义未来 AI 的伦理使用，负责任 AI 领域正在蓬勃发展。由于 AI 在几乎所有人类生活领域的广泛应用，即使在这些早期阶段，AI/ML 技术也将经历越来越多的监管波动。这为已经处理公平性、偏见和治理问题的产品和服务提供了很多机会，能够进一步进入治理 AI 偏见的领域。

根据 Forrester 的说法，随着 AI 的采用增加，“现有的机器学习供应商将收购专门的负责任 AI 供应商，以进行偏差检测、可解释性和模型沿袭能力。” 这是一个乐观的前景，对于已经在这一领域运营的公司来说，由于我们可能会看到这些服务需求在未来十年内增加，情况看起来相当有利。

考虑到我们所在类别的嵌入式和应用 AI 是 AI 采用的主要增长领域，我们将越来越多地在我们使用的产品中体验到机器学习的嵌入，无论是作为个人消费者还是企业。随着采用的增加，机器学习的使用和部署将会受到更多的审查。

高德纳也表示认同，甚至他们的研究副总裁在高德纳表示，“AI 技术的信任度、透明度、公平性和可审计性的重要性，正不断增长，并对广泛的利益相关者产生影响。负责任 AI 有助于实现公平，尽管偏见已经嵌入数据中；建立信任，尽管透明度和可解释性方法正在发展；并确保符合法规要求，同时应对 AI 的 概率性质。”

在这些关于 AI 透明度和公平性的普遍评论中，我们还看到了预测的多个类别，包括动态风险治理工具的崛起、网络安全网格架构、云可持续性，以及去中心化身份的兴起，以及随着 Web3 应用的兴起，消费者在数字身份和数据方面拥有越来越多的控制权。

麦肯锡最近的一份报告也强调了在将 AI 应用到产品中时，可信度和可解释性是最重要的考虑因素之一。特别是在 AI 用例扩展时，能够对风险进行对冲尤为重要。遵守法律、保持伦理警觉并构建具有社会韧性的 AI 是他们构建以减少危害的建议。他们还指出，可解释性与此密切相关，进一步强调随着模型变得越来越复杂并部署于高风险用例中，可解释性问题将持续至关重要。

麦肯锡将可解释性分为三大方面。解释模型如何工作的一个方面，但他们还建议组织展示因果可解释性，即解释为何某些输出来自输入。最后，也是最重要的，是建立信任的可解释性：解释为何你可以信任并部署一个模型。

构建 AI/ML 产品并将传统软件产品升级为 AI 产品，将是一个不断增强其可信度、可靠性和安全性的过程，涵盖多个领域。这让我感到自信的是，这三大知名的咨询组织在我们继续用这些强大工具构建未来时，给予了道德 AI 应有的重视。

创造性 AI – 生成式和沉浸式应用

如我们在前几章中提到的，创造性 AI 领域肯定会进一步扩展，参考Lensa、ChatGPT、DALL-E及其他专注于写作、音乐和视觉艺术的创造性 AI 应用。根据 Forrester 的说法，*“首席营销官们开始将人工智能应用于数字媒体购买、营销活动自动化或营销组合优化。”*因此，创造性 AI 应用的使用和信任正在增长，企业和消费者都开始倾向于接受创造性 AI 所能提供的灵感。

2021 年，南非授予了名为DABUS的人工智能系统专利，该系统由 Stephen Thaler 创建。这为人工智能打开了一个全新的世界，使其创意能够获得法律保护。尽管美国、欧洲和澳大利亚拒绝了相同的专利，但它在南非获得了认可。Forrester 认为，我们将看到支持人工智能创作成果的立法增加，并且创意人工智能专利将会增加，因为这些近期事件可能会改变公众的认知。随着人工智能交付成果和输出继续获得立法认可，我们也可能会看到创意科技公司将越来越多的人工智能能力融入到现有产品中的进展。

Gartner 在其顶级战略技术趋势中提到创意人工智能，称其为生成性人工智能，并定义为*“机器学习方法，通过其数据了解内容或对象，并用来生成全新、完全原创且现实的作品。”* Gartner 预测，AI 增强设计或机器学习（ML）和自然语言处理（NLP）在生成和开发创意内容之外，还将*“自动生成并开发用户流程、屏幕设计、内容以及数字产品的展示层代码。”* Gartner 进一步预测，AI 辅助沉浸式体验将成为创意人工智能的重要预测之一，特别是元宇宙的崛起和 Web3 的其他方面将需要 AI 驱动的表现。

虽然麦肯锡在他们最近的趋势报告中并未特别提到创意人工智能，但他们在应用人工智能类别中确实涵盖了人工智能在创意应用领域的潜在用途，他们还提到沉浸式现实技术是未来十年的关键趋势之一，并且这一趋势将由人工智能支持。

空间计算、混合现实（MR）、增强现实（AR）和虚拟现实（VR）等领域将通过人工智能进行优化。麦肯锡的报告列出了以下领域作为沉浸式现实解决方案的战略应用场景：学习与评估、产品设计与开发、增强情境感知，以及 B2C 应用场景，如游戏、健身和零售。

自主人工智能开发 – 图灵机器人

低代码和无代码工具已经存在一段时间，旨在弥合企业技术需求与引入专门开发人员所需的成本和时间之间的差距。随着 Forrester 所称的图灵机器人（编写代码的机器人）的出现，这一趋势现在更进一步。如果你已经在这个低代码或无代码技术领域，并希望将人工智能集成到你的产品中，你可能会希望与许多免费的服务竞争，并将这些功能提供给你的客户。

加特纳（Gartner）还预测这将成为未来十年的一个主要主题，并将其称为机器学习代码生成工具，但这里的想法是一样的。这些将是与人类开发者并行工作的 ML 模型，并将集成到开发环境中，以便使用自然语言的描述或代码片段作为提示，为代码库提供建议。由于 ML 对于优化重复任务具有高度适应性的特性，ML 被利用来优化它建造的方式并不奇怪。

加特纳继续预测将会出现所谓的适应性 AI或系统，“持续重新训练模型，并在运行时和开发环境中根据新数据学习，以迅速适应在初始开发过程中未预见或可用的实时变化的真实世界情况。” 这意味着对训练数据实时变化更敏感的 AI 也能调整其参数和目标，以使其更具自主灵活性。

麦肯锡最近的2022 年技术趋势展望报告突出了下一代软件开发作为另一个战略趋势，引用了低代码/无代码平台的增加以及基于自然语言上下文的 AI 代码建议，自动化性能测试的 AI，以及 AI 辅助代码审查作为未来十年的另一个关键趋势。他们看到 AI 在规划分析、架构设计、开发、编码、测试、部署和维护中的战略参与，这是那些正在构建产品或内化这一趋势以体验其好处的组织的重点关注。

到目前为止，我们有机会讨论一些最具增长潜力的领域，包括嵌入式 AI、道德 AI、创意 AI 和自主 AI 开发，这些都来自一些最具声望的研究和咨询机构。在接下来的部分中，让我们通过数据来更好地了解这些趋势的规模。

AI 采纳的趋势 – 让数据自己说话

在本节中，我们将看一些来自 Forrester、Gartner 和 McKinsey 的关于之前提到的增长领域：嵌入式 AI、道德 AI、创意 AI 和自主 AI 开发的数据。将这些研究中的数据编译成一个部分有助于突显这些增长领域的重要性，并为 AI 整体采纳的状况提供鸟瞰视角。我们将从 AI 整体采纳的一般趋势开始本节，并接着为每个增长领域的数据入手。

一般趋势

根据 Forrester 对美国、中国、日本、法国、德国、意大利、西班牙和英国的趋势研究，“人工智能软件支出将从 2021 年到 2025 年翻倍，达到 640 亿美元。” 推动这种应用的因素是人工智能增强软件产品的崛起，特别是软件公司扩大其人工智能功能和能力的增长，以及用于创建其他人工智能产品和应用程序的人工智能工具的增加，最终推动了人工智能原生产品的兴起。

根据 Forrester 的2022 年全球人工智能软件预测，总体而言，人工智能软件行业将*“以比整体软件市场快 50%的速度增长，”* 到 2025 年，31%的人工智能软件支出将是人工智能嵌入的。Forrester 的数据与分析调查还显示，“73%的数据与分析决策者正在构建人工智能技术，74%的人认为人工智能的应用对其组织产生了积极的影响。”

与 Forrester 的研究相比，Gartner 的发现更加激进，指出全球人工智能软件收入预计在 2022 年将达到 625 亿美元，“到 2025 年，人工智能（AI）软件市场将接近 1348 亿美元。在接下来的五年里，市场增长将从 2021 年的 14.4%加速到 2025 年的 31.1%，大幅超过整体软件市场的增长。”

根据 2022 年人工智能应用的主要类别，按使用案例分类，包括知识管理（增长率 31.5%）、虚拟助手（增长率 14.7%）、自动驾驶汽车（增长率 20.1%）、数字工作场所（增长率 20%）和众包数据（增长率 19.8%）。所有增长率均与 2021 年的数据进行对比，表明人工智能在各行各业和各类应用中的采纳呈上升趋势。

麦肯锡的人工智能趋势也提供了很大的信心，他们指出，人工智能到 2030 年可能带来约 13 万亿美元的经济产出，全球 GDP 每年将增长约 1.2%，但这一经济繁荣主要将惠及发达国家和那些早期采用人工智能的公司。他们的回顾性2022 年人工智能状态报告和五年回顾调查给了我们一个机会，停下来反思过去五年人工智能应用的进展。自 2017 年以来，受访者中人工智能的应用增长了两倍多，组织使用的人工智能功能的平均数量也翻了一番。这些令人鼓舞的数据表明，人工智能的应用稳步推进，符合全球趋势和预测。

麦肯锡的回顾性调查还探讨了 AI 部署的一些主要应用场景，列出了 服务运营优化（组织内部应用 AI）是已采用 AI 受访者中最主要的功能活动，其次是 新 AI 产品的创建。其他值得注意的功能包括 基于 AI 的新产品增强、产品特性优化 和 预测性服务 和干预。

来自麦肯锡报告的另一个重要统计数据是，52%的受访者表示，他们的数字预算中超过 5% 现在投入到了 AI，相比 2018 年的 40% 有所增长，且 63%的受访者表示，他们的投资将在未来 3 年继续增长，这表明对 AI 的投资将持续增加。这与 Forrester 和 Gartner 的信号一致。

嵌入式 AI – 应用和集成的使用案例

让我们来看看数据对于 AI 最高增长领域之一——嵌入式 AI 的显示情况。麦肯锡报告指出，56% 的受访者表示他们的组织正在采用 AI，自 2018 年以来，培训速度提高了 94.4%，2021 年提交的 AI 专利比 2015 年多了 30 倍，2021 年 AI 相关公司投资达到了 935 亿美元，较 2020 年翻了一番。麦肯锡还提到，将 ML 工业化，或 ML 能力的采用和扩展，是未来十年将带来最大回报的另一大趋势。

他们还概述了将 AI 工业化到几个关键领域，包括数据管理、模型开发、模型部署、实时模型操作以及整体 ML 工作流程。根据他们的研究，AI 在各行业的全球收入潜力为 10-15 万亿美元，而采用 AI 的公司比未采用的公司更有可能为股东带来 2.5 倍的五年期回报。然而，这些增长预测也带有一个巨大的警告：他们在这份报告中调查的 72% 组织未能成功地采用和扩展 AI。造成这一问题的主要因素包括将试点项目转化为产品的困难、模型在生产中失败、AI/ML 团队生产力的扩展困难以及风险控制的局限性。

伦理 AI – 责任与隐私

伦理 AI 实践的增长数据也令人鼓舞，表明随着个人和公司经验及投资的增长，大家越来越重视 AI 所带来的伦理和责任。Forrester 预测，25% 的技术高管将需要向董事会报告他们的 AI 治理活动，以涵盖 “可解释性、公平性审计高影响算法决策以及 AI 的环境影响（绿色 AI）”。这也表明，董事会和高级决策者意识到，不正确评估 AI 可能对客户、用户和组织造成的潜在危害所带来的风险。

根据他们在这一领域的研究，Gartner 预计到 2023 年，任何被聘用于 AI 系统开发和训练的人员都需要证明他们在伦理和负责任的 AI 方面拥有专业知识。他们对所谓的因果 AI 的看法，即能够展示可解释性并传递因果关系的 AI，其前景更为长远。

Gartner 认为因果 AI “将需要 5 到 10 年才能达到主流采用，但最终会对商业产生变革性的影响。” 在这里，我们也看到了信任与责任相辅相成的关系，公司意识到可解释性以及沟通风险影响即便是公司内部的高层管理人员也必须关注。

Gartner 将AI 信任、风险与安全管理 (AI TRiSM)列为 2023 年的战略技术趋势，并指出 “在美国、英国和德国，41%的组织经历过 AI 隐私泄露或安全事件。” 这一点进一步突显了全球对于负责任的 AI 实践仍然充满需求，这些实践涉及隐私和安全，并且非常必要，未来仍将保持相关性。在研究组织中看到这些指标令人鼓舞，但它仅仅是对未来的预测，而非现实的体现。

随着公司不断建设和投资于他们的 AI 产品，他们不仅需要以可信的方式为用户构建产品，还应当理解，不这样做可能会威胁到他们在 AI 技术上的投资，而这些投资已经花费了大量的时间、金钱和耐心。

创意 AI – 生成式和沉浸式应用

创意 AI 应用在 2022 年表现出色，Forrester 预测财富 500 强公司对创意 AI 的依赖将增加，并且它们将通过 AI 工具生成内容，因为 “人类生产的内容创作永远无法足够快速地满足大规模个性化内容的需求，明年我们预计至少 10%的公司会投资于 AI 支持的数字内容创作”。这表明，组织将越来越依赖这些应用来实现他们的营销和内容战略目标，预示着 AI 生成应用在 B2B 营销领域的机会。但这个数字并不包括那些出于纯粹娱乐目的使用创意 AI 应用的众多消费者。

Gartner 的数据也显示，到 2025 年，生成式 AI 将占所有数据产生量的 10%，相比今天不到 1%的比例大幅提升。Gartner 关注生成式 AI 可应用于多个领域，例如创建软件代码、推动药物开发和精准营销，但它也可能被滥用用于诈骗、欺诈、政治虚假信息、伪造身份等。这进一步强调了企业对创意 AI 的依赖将日益增加，不仅仅从营销角度，也从运营角度来看。

随着越来越多的商业用例为创意 AI 应用开发和优化，它们能够生成的内容也会越来越多，尤其是当这些需求开始大规模存在时。然而，对于消费者市场来说，这些数字很难预测，因为 2022 年才是创意 AI 首次获得广泛采用的一年，当时个人消费者主要用于娱乐。

随着时间的推移，我们将开始看到更多关于创意 AI 在消费者市场中的预测。如果当前消费者市场对创意 AI 应用的热议有任何指示作用，我们很可能会看到更多关于新用例和产品的兴奋，特别是当它们与增强现实/虚拟现实、Web3 和元宇宙等新兴技术整合时。

自主 AI 开发——图灵机器人

自主 AI 开发的数据显示也很令人鼓舞，与我们在创意 AI 应用中看到的数据相吻合。Forrester 甚至表示，到 2023 年底，图灵机器人将编写全球 10%的代码。由于强化学习和像GPT-4（为ChatGPT提供支持）这样的语言模型的兴起，我们看到我们可以将低代码和无代码工具更进一步，实际上借助 AI 的帮助，仅用任何自然语言表达的基本指令就能生成代码。这尤其令人兴奋，因为我们仍然面临着开发人员、技术工人、数据科学家和机器学习工程师的短缺问题。

麦肯锡紧随其后，引用数据显示到 2025 年，70%的新软件开发将采用无代码或低代码技术，这将使开发时间减少 90%。这对于软件的构建和创造过程来说是一个好消息。由于持续集成和持续交付的实践，部署时间将加倍，而这将得到 AI 的帮助。考虑到部署通常是使机器学习和人工智能用例成功的最难部分，这也带来了更多信心。37%的麦肯锡调查参与者表示他们将使用 AI/ML 来测试和维护现有的代码库，这将使 AI 辅助编程的优势提升到一个新的水平。

在本节中，我们深入研究了相关的调查数据，为当前 AI 领域一些增长最快的领域提供了具体数字。希望这一部分能为你在考虑将 AI 能力引入你已经管理的产品时提供一些思路。在接下来的部分中，我们将讨论 AI 赋能，这是你在开始拥抱 AI 并为其成功设置好基础之前必须设置的一个重要组件。

低垂的果实——AI 赋能的最快胜利

到目前为止，你已经看到组织完全接纳应用机器学习（ML）是多么复杂，而我们刚刚花了大部分时间讨论那些已经在运营并希望利用 AI 增长领域的组织。在本书的第一部分，我们讨论了需要在 AI 项目中支持的各种基础设施层面。在第二部分，我们讨论了 AI 原生产品。在本书的当前部分，我们讨论了将 AI 融入传统软件产品的过渡。

这意味着我们现在可以继续为这种采用的过程做好准备，但在开始之前，我们想要加入一个警告。我们真的无法谈论 AI 转型，除非我们也为成功做好准备，以便能够开始这漫长而艰难的 AI 采用过程。我们必须确保条件适宜。无论你是正在一个准备构建 AI 原生产品的组织中工作，还是在一个准备在功能层面采用 AI 的传统软件环境中工作，设定期望是这一努力能成功的前提。但在一个已经建立的软件公司中，设定 AI 所带来的需求所需的期望尤其困难。

构建适合 AI 的条件既有有形的挑战，也有无形的挑战。有形的挑战包括基础设施、投资，坦率地说，还有技术能力。组建团队并引进能够解决问题、应对 AI 将迫使你工作在其中的复杂条件的人才，需要一套特殊的技能，而这些技能如今几乎是所有人都在寻找的。构建支持 AI 项目各个方面的已建立流程和工作流程是一个艰巨的任务，和 AI 项目本身一样，往往难以明确界定。

无形的挑战更多的是涉及到思维和情感层面。在第七章中，我们讨论了传统软件产品和 AI 原生产品之间的差异。如果你回想那一部分内容，其中一个最大的不同比在于 AI 带来的不确定性。当你有一个已经习惯了某种期望水平的成熟团队时，很难清晰地表达 AI 将会如何改变现状。AI 带来的不确定性使得在为团队分配预算、购买软件、管理时间线和成本的期望、以及重新界定团队之间如何协作的边界时，沟通变得非常困难。

如果你的内部团队没有合适的基础设施和流程，你无法拥有一个完全支持的 AI 程序。如果你有了基础设施和流程，但内部团队还没有情感上接受它们，你同样无法拥有一个成功的 AI 项目。根据 Gartner 的说法，“到 2025 年，建立 AI 工程最佳实践的 10%企业将从他们的 AI 工作中获得的价值至少是 90%企业的三倍。” 对于那些认真设立 AI 项目的公司来说，存在着巨大的潜力。

缩小 AI 的有形与无形挑战之间差距的工作，称为 AI 赋能。为了让传统软件产品尽可能无缝地转型为 AI 产品，其领导者和产品经理需要制定计划，确保这一转型的成功。采用 AI 对你的组织以及构建产品的方式来说是一次巨大的变革。这是我们期望的构建方式的根本改变。建立一个强大的 AI 赋能文化意味着你在尽最大努力为即将到来的变化做好准备。

从本质上讲，AI 赋能的核心就是数据。找到一种高效的方式来收集、标注和整理大量非结构化数据，是提高模型性能的关键。优化数据管道、保持数据的清洁，并确保有稳定的数据供应用于训练，是赋能 AI/ML 管道的能力所在。确保正确的数据转化发生，并且确保数据质量达标，是 AI 赋能的最终目标。这是因为 AI 对数据的依赖巨大。

AI 赋能或 AI 准备的最佳组合将来自于以下几方面：拥有强有力的用例支持你的 AI 投资；拥有强大的清洁数据网络，以支持这些用例；以及拥有清晰的治理策略，明确谁能访问哪些数据以及如何划分角色，以展示所有权、控制权和安全措施，确保你的 AI 投资尽可能成功。我们将在下一章中更深入地探讨这些概念。

摘要

本章主要讨论了从一些最具声望的公司收集的关于人工智能（AI）采用的趋势和见解。我们分析了它们对未来几年和几十年内 AI 采用的见解和预测。建立一个 AI 原生产品在许多方面比将传统软件开发产品转型为 AI 产品更为简单直接。

在本章中，我们希望为 AI 采纳的高增长领域奠定基础，并进行讨论，因为对于许多公司来说，了解从哪里开始往往是最困难的部分。一旦你进入了事物的流程，你可以更好地预测接下来的步骤，但当你站在一个重大范式转变的悬崖边上时，会有很多摩擦。回顾增长领域、数据和常见的使用案例，并为 AI 赋能奠定基础，这是一个直观的选择，以确保产品经理们意识到采用 AI 对他们的产品意味着什么。这是一项巨大的责任和任务，应该得到相应的对待。

在接下来的最后一章中，我们将深入探讨将产品过渡到采用 AI 的实际考虑，并具体说明这对你的产品团队或组织意味着什么。

参考文献

2022 年预测：成功驾驭下一波 AI的浪潮：www.forrester.com/blogs/predictions-for-2022-successfully-riding-the-next-wave-of-ai/

)

2022 年 Gartner 技术炒作周期中的人工智能新动态：www.gartner.com/en/articles/what-s-new-in-artificial-intelligence-from-the-2022-gartner-hype-cycle

)

2022 年 Gartner 新兴技术炒作周期中的新动态：www.gartner.com/en/articles/what-s-new-in-the-2022-gartner-hype-cycle-for-emerging-technologies

)

麦肯锡 2022 年技术趋势展望报告，2022 年 8 月：www.mckinsey.com/~/media/mckinsey/business%20functions/mckinsey%20digital/our%20insights/the%20top%20trends%20in%20tech%202022/mckinsey-tech-trends-outlook-2022-full-report.pdf

)

2023 年预测：AI 将成为企业不可或缺、值得信赖的 合作伙伴：www.forrester.com/blogs/predictions-2023-ai/

)

Gartner 识别出推动近期人工智能 创新的四大趋势：www.gartner.com/en/newsroom/press-releases/2021-09-07-gartner-identifies-four-trends-driving-near-term-artificial-intelligence-innovation#:~:text=Four%20trends%20on%20the%20Gartner,data%2C%20model%20and%20compute%20resources

)

AI 是新型的创造性 伙伴：www.forrester.com/blogs/ai-is-a-new-kind-of-creative-partner/

)

全球首个，南非授予人工智能 系统专利：theconversation.com/in-a-world-first-south-africa-grants-patent-to-an-artificial-intelligence-system-165623

)

Gartner 识别出 2023 年 十大战略技术趋势：www.gartner.com/en/newsroom/press-releases/2022-10-17-gartner-identifies-the-top-10-strategic-technology-trends-for-2023

)

AI 软件支出将从 2021 年到 2025 年翻倍，达到 640 亿美元：www.forrester.com/blogs/ai-software-spend-will-double-from-2021-to-2025-to-reach-64-billion-and-grow-50-faster-than-the-overall-software-market/

)

Forrester 预测 AI 软件将比整体软件 市场增长 50%：www.prnewswire.com/news-releases/forrester-forecasts-ai-software-will-grow-50-faster-than-the-overall-software-market-301638854.html

)

Forrester 预测 AI 将在 2023 年成为“不可或缺”的五大方式：venturebeat.com/ai/5-ways-forrester-predicts-ai-will-be-indispensable-in-2023/

)

Gartner 预测全球人工智能软件市场到 2022 年将达到 620 亿美元：www.gartner.com/en/newsroom/press-releases/2021-11-22-gartner-forecasts-worldwide-artificial-intelligence-software-market-to-reach-62-billion-in-2022

)

预测分析：人工智能软件， 全球范围：www.gartner.com/en/documents/4007140

)

来自 AI 前沿的笔记：建模 AI 对世界 经济的影响：www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai-frontier-modeling-the-impact-of-ai-on-the-world-economy
2022 年人工智能现状——以及过去五年回顾：www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2022-and-a-half-decade-in-review

第十三章：将产品演变为 AI 产品

本章将探讨现有产品中有益和有害于 AI 采纳的领域。每个产品都是不同的，每个产品经理也会得出自己关于产品应采纳何种程度 AI 的结论。对于某些产品，增加一个简单的 AI 功能就足够了。而对于其他产品，可能需要对支撑产品的基础逻辑进行根本性的改变。如何转变产品的决策，首先应由你的产品战略决定，并服务于公司整体愿景。这些决策应是协作性的，并应获得高层管理的支持。

随着章节的展开，我们将探讨 AI 转型的不同领域，它们将为你提供一步步的指导，帮助你建立一个支持产品演变的产品战略。我们将讨论如何思考你的 AI 选项，哪些考虑因素在头脑风暴时最为重要，如何评估产品在竞争格局中的表现，如何构建一个为成功奠定基础的产品战略，最终哪些指示标志和里程碑将帮助你建立信心，哪些又表明你需要重新开始。

无论是增加 AI 功能，还是升级现有产品逻辑，制定支持你产品战略的既定计划，都是成功更新产品以实现商业成功的最佳方式，确保 AI 的使用具有可持续性。一旦你成功地将产品转型为 AI 产品，欢迎参考本书的第二部分，我们将在其中讨论构建和维护 AI 原生产品的各个方面。

本章将涵盖以下主题：

交集图——可能性与现实性
数据为王——公司的命脉
竞争——爱你的敌人
产品战略——构建一个人人适用的蓝图
红旗与绿旗——需要注意和警惕的事项

交集图——可能性与现实性

有多种方式可以使产品从 AI 采纳中受益，理解可能性与现实性的交集图是你 AI 产品战略旅程中的重要部分。在继续这个过程时，你将经历一个光谱。你将从一个非常开放的、右脑驱动的头脑风暴环节开始，讨论价值的抽象概念以及你的产品如何将其传递给客户，然后通过左脑分析，细化这一头脑风暴环节的成果。这两者都是产品管理创意过程中的重要组成部分。

无论您是从客户面临的主要问题、待完成的工作，还是功能平价的角度来审视您的产品，您都需要了解哪些 AI 增强功能对您的产品最具价值，哪些成本最低，哪些数据准备或可用性最好，哪些拥有最高的高层或市场支持。由于本节内容是关于如何将现有产品演化为 AI 产品的，请在这一步骤上花些时间。

请随时参考本章末尾的附加资源部分，以获取帮助您和您的组织了解更多关于人工智能（AI）和机器学习（ML）的资源，为这样一个重大步骤做好准备。在这段旅程的开始，教育自己，阅读关于人工智能如何增强您的产品的书籍和文章，保持学生心态，将是您能做的最有帮助的事情——而且这真的是一段旅程！在此过程中，细心地花时间真正熟悉模型、好处和您面前的选择将非常重要。

在我们深入探讨之前，关于采用 AI 这一术语，有一点需要谨慎。我们已经讨论了在面对 AI 时从为什么开始的重要性。我们也讨论了 AI 带来的市场营销热潮，以及它对投资者和客户的吸引力。在当前的 AI 环境中，当 AI 和机器学习进入您的产品传播的词汇时，会产生很多噪音。您不希望只因吸引了大量关注，却没有实质内容来支持这种关注，而成为受害者。

我们最不希望看到的情况是，产品经理和技术人员投入人工智能的努力，却推出一些虚荣功能，这些功能并没有实际改善他们的产品，仅仅是因为他们想借助 AI 带来的关注来获利。因此，我们建议抓住人工智能和机器学习将为您的产品带来的真正机会，并创建一系列列表，根据三个关键类别（价值、范围和影响力）对这些潜在机会进行排名。

头脑风暴和创建这些列表的最终目标是为您的产品定义一个潜在的 AI 成熟路径。理解您希望从哪些领域开始，哪些领域希望转型，作为整体产品战略和路线图的一部分，这将是过程中的一个重要环节。AI 转型不会一蹴而就。您必须从某个地方开始，考虑到投资 AI 的成本，战略性地、有意图地选择一个起点，在长期内将产生巨大的差异。

在接下来的章节中，我们将通过不同的视角来探讨 AI 采用的构思。这些视角将涉及 AI 采用如何基于客户的感知价值影响你的产品，AI 采用如何影响你产品的范围，以及最终，AI 采用如何传播到你的终端用户。

列表 1 – 价值

产品管理的工作通常需要高水平的权衡。你总是在评估将某个功能推出所需的努力和技能，并将其与实现该投资带来的预期收益进行比较。然而，如果你从最高价值的 AI 增强功能开始，你将站在直觉驱动、以客户为中心的角度。首先理解是什么使你的产品对客户和市场有价值，然后找到 AI 的使用案例来扩展这种价值，这应该是首要任务。

当决策变得更加困难时，你将需要像这样的“真理源列表”——如果不可避免地发生，你需要在公司领导层和其他关键利益相关者之间巧妙地处理政治讨论。你的价值列表应该成为你的主要真理源，因为每个产品从根本上需要一个价值主张：关于为什么你的产品能为客户和用户带来价值的声明。世界上已经有足够的虚假广告、过度承诺和夸大其词，尤其是在科技领域。根据 2019 年关于声称拥有尖端 AI 产品的欧洲公司研究，多达 40% 的公司并未实际使用 AI。构建一份能为客户带来真实价值的 AI 增强功能列表，打造一个你可以自豪的 AI 产品。从真正重要的事情开始。

把这当作一个发散性思维的练习。本书的大部分内容都在讨论机器学习和深度学习中可以应用的各种使用案例和模型。我们还分析了多个行业、领域和高层次的采用趋势。当你在思考价值以及如何在你的产品中增长价值时，将这个列表练习作为一种方式，把所有潜在的想法都提出来，无论它们多么荒诞或不切实际。记住 AI 的各种优势：堆叠、排序、优化、预测、分组、比较、自动化、标准化，以及从持续的趋势和分析中学习。

如何将这些优势应用到你自己的产品中？发挥创意，尽量不要让后勤考虑阻碍你产生想法。任何看起来对即使是你的小部分客户有潜在价值的想法，都可以并且应该列入这个清单。如果有帮助，可以考虑我们在前几章中讨论的各种模型类型，它们对你当前的产品能带来什么价值。盘点各种机器学习（ML）类型可能带来的好处，并思考它们是否能够改进现有的、与你的产品和客户相关的使用案例。

通过尽职调查，你应该从这个练习中获得启发，思考基于当前价值主张，产品可能发展的潜在方向。如果再加上一些运气，你还应该能体验到 AI 所能带来的新益处。以后将有许多机会进一步缩小这个清单，并在实际操作中加以完善。

现在，让创意自由流淌，思考如何在你产品目前为客户和用户提供的价值基础上进行扩展。在这个步骤中，越不拘一格越有可能获得回报，因为你永远不知道哪些边缘想法会成为未来功能的宝贵种子。头脑风暴潜在功能和使用案例也是产品经理最有乐趣的工作之一——找个方法让这个环节成为你产品战略的一部分，并每季度或每半年回顾一次。

清单 2 – 范围

一旦你从上一节中列出了最高价值的 AI 增强功能，你就可以开始按照工作量从最多到最少的顺序进行优先级排序。工作量不仅包括完成一项工作的时间和精力，还包括所需的成本和技能水平。鉴于我们讨论的是 AI 产品，理解哪些功能需要最多的努力、时间、成本和技能可能并不那么直接。通常，直到我们开始构建这些功能时才会知道这一点，但还是尽量从最耗费精力到最少精力的顺序为这个清单进行排序。

这个清单不会是绝对的真理源，也不必如此。它也不意味着涉及最少努力的条目会首先被构建，但确立哪些增强功能将需要更多的公司投入是很重要的。从规划和资源管理的角度来看，了解工作量的差异最为关键。如果某些功能需要构建，而它们确实需要大量的精力、时间或技能，而你可能并不方便拥有这些资源，提前了解这些情况将有助于做出预测，并为未来获取这些资源做好必要的规划。

这也将为你的领导团队提供时间和精力，真正让他们内部化这项 AI 投资究竟需要他们做什么，以及你们是否具备足够的技能和能力来迈出这一步。花时间讨论范围并澄清组织当前的能力水平是这一步的关键部分。获取正确的技术资源，将最宏大的 AI 梦想变为现实，本身可能就是一段艰难的旅程。你的领导团队需要对此做好准备。

这不仅仅是获取人才的问题——同样适用于理解需要改变的内部流程。通常，涉及到 AI 时，管理期望值可能是使 AI 转型成功的最困难部分，因此，你能在早期为你的领导团队打好预期基础，帮助他们为可能在 AI 实施过程中遇到的挑战做好准备，将在困难不可避免地出现时大有帮助。

正如任何产品经理所知，范围是决定构建什么、何时构建的重要因素，你将希望确保自己在涉及 AI 功能时能够稳固地作为领导层中的权威。即使你身边有一支成熟的数据科学家和机器学习工程师团队，他们值得信赖，拥有丰富的经验和 AI 智慧，作为产品经理，你仍然拥有产品的所有权，并且要对与你产品相关的最终策略负责。保持对产品的 AI 关键考虑和影响产品的重大决策的高度监督和掌控非常重要，因为你是这艘船的船长。恭喜你！这是一个天赋也是一种负担。

如果你无法为与你的产品相关的决策辩护，那你就不是权威，这只会引起混乱，并在未来削弱你的领导力。记住，你的技术团队在这里是支持产品的，提供真诚的建议，并根据组织的战略层面决定的功能提供最佳的范围估计。他们在这里是为了根据你和领导层及利益相关者团队的协作，去构建和实施你做出的决策。清晰地定义所有权，并利用你的技术团队尽其所能准确反映范围，这就是这一练习的核心。

列表 3 – 触及范围

到目前为止，你已经通过两种视角来审视你提出的产品 AI 增强功能——终极价值视角和范围视角：努力、时间、技能水平和成本。正如你可能注意到的，随着我们第二个列表的提出，我们正从发散性思维转向更具分析性、收敛性的限制条件。在第三个列表中，你通过考虑现有客户的影响范围——或你能触及的客户群——再加上一层条件。

要能够创建这个列表，你需要对现有产品有足够的了解，甚至要了解每一个功能的细节。了解你的客户群体如何使用你的产品，以及哪些功能对他们的使用体验最有帮助，是非常必要的。如果你不了解客户如何使用你的产品，就无法准确预测你原始列表中的这些拟议价值项的覆盖范围。如果你没有了解客户使用产品的方式，你也无法向领导团队阐明为什么某些 AI 增强功能对客户有价值。

这似乎是一个非常显而易见的陈述，但你可能会惊讶于有多少产品经理其实对他们的客户如何使用自己的产品知之甚少。产品经理可能会陷入将团队变成一个“功能农场”的陷阱，很多人没有停下来确保产品的建设是整体的、可持续的，而与客户和用户保持密切联系是成为一名合格产品经理的重要部分。如果你没有使用产品分析工具，或者没有定期通过直接访谈或应用内/平台内调查与客户沟通，那么你就真的不了解客户如何体验你的产品。

如果你对客户如何使用你的产品以及他们最看重哪些功能没有清晰的理解，那么你就是在黑暗中构建。如果你已经走到这一步，才意识到你其实并没有这些信息，那么你需要开始做功课，从头开始创建这个列表。这又回到了我们在第一份列表中列出的原始价值项。如果你发现自己处于这种情况，也没有关系。保留原始列表，了解你的客户以及他们最喜爱的产品特点，然后重新开始这个过程。这就是产品管理的美妙之处，你总是可以获得更多的信息！随着你不断构建产品并吸引更多客户，总会有更深层次的真相等待你去发掘。永远不要气馁。如果有未解答的问题，那只是一个学习的机会。

现在我们已经根据价值、范围和覆盖度确定了潜在的 AI 采纳优先级列表，我们可以继续考虑将传统软件产品转变为 AI 产品的下一个重要问题：数据准备。确保我们的数据以易于处理的格式呈现，以支持新的 AI 能力，将是产品经理们在向 AI 领域过渡时的下一个重点。

数据为王——公司的命脉

在产品经理开始进行必要的工作，构建和开发产品，准备测试并发布给客户之前，他们需要明确他们如何定位产品的战略。这正是我们在前一节中看到的维恩图练习背后的思维过程。现在我们已经讨论了产品经理如何处理潜在的人工智能功能增强的问题，我们可以再为这个清单增加一层审视。这一额外层次的重点是数据，而数据将为这些清单中的每一项提供动力。一旦产品经理开始了解他们可以利用现有的数据源做什么，以及他们需要哪些数据源才能使清单上的项目成为现实，我们就接近真正拥有一个计划了。

在以下小节中，我们将讨论数据准备的关键领域。准备并研究您现有的数据，评估数据质量，使用数据来基准化当前和未来产品的采纳情况，与数据团队合作，最终通过数据定义成功，这些都是确保在人工智能的数据准备和可用性方面涵盖所有要点所必需的步骤。

准备和研究

在数据源及其为我们提供的洞察进行深入研究方面进行尽职调查，是我们需要完成的工作之一，以确保我们真正准备好做出人工智能集成的决策。您的数据准备和可用性还会对新兴人工智能产品的高层领导支持和市场支持产生巨大影响。您也许会发现，在完成这些步骤后，意识到您的数据并未为产品的演进做好准备。到达这一点可能是推出人工智能 2.0 版本产品的一个中间步骤。确保有流入的数据流来支持您希望上线的功能，是准备工作完成与否的最终衡量标准。

此时，您还没有制定关于如何推出新创的人工智能产品的产品战略。我们仍处于早期阶段，因此我们希望数据发现的这一阶段在头脑风暴练习之后进行。这样做的原因是，您可以开始思考如何最好地收集、清理和组织数据，以满足您的人工智能项目在基础阶段的要求，这个阶段是在构建产品战略之前的第一步。这是决定产品核心功能和受众，或产品人工智能功能的关键部分。评估您当前拥有的数据能力以及为达到产品目标需要走多远，是每个在将现有产品扩展为人工智能产品时都必须面对的步骤。

通过这个过程，头脑风暴如何让你的产品最好地利用 AI，最终是构建未来使用案例的一个练习。当然，你的客户已经了解并熟悉了目前的产品形式，已经有一些既定的使用案例，但这些使用案例很可能会随着 AI 的发展而演变。了解目前使你的产品能够运作的数据管道是什么，以及这些数据管道需要如何变化和成熟以支持你新的 ML 管道，是 AI 转型过程中的一个关键部分。你不能避免这一步，因为如果你推迟这一步，只是让问题以后出现，你将不会走得太远，因为你从模型中得到的只是废话。

优质的合作伙伴关系

这已经成为一个陈词滥调，但在 AI、数据科学和 ML 圈子里，古老的口号是 垃圾进，垃圾出。这是 AI 的先验真理。如果你没有充分准备和清理你的数据，你的模型就无法为你提供所需的洞察力和价值。如果你发现自己处于这种情况并忽视 AI/ML 团队的建议，你将不得不为一个你的领导团队会认为是浪费时间和金钱的内部 AI 项目辩护。而且它确实会浪费时间和金钱！

与其将你的数据管道策略视为你产品的必要输入，在 AI 产品生命周期中，你会把它看作是与模型和开发人员共同创造你的 AI 产品的合作伙伴。这听起来可能有点戏剧化，但你的数据管道将占据你 AI/ML 项目的一大部分。而且你需要将其视为一个程序。协调和调度你的数据源及其数据质量将是你在 AI 成功的关键一部分。要认识到，采纳 AI 将会为你的组织带来范式的转变，如果过去你能够通过不兼容的数据孤岛，充满重复数据和污染数据源来应付过去的工作，那在采纳 AI 后，将不再适用。

组织在面对数据质量时最大的阻力来自内部：即内部对保持现有流程的抵抗。什么都不做是最容易的。大多数人的自然本能是保持现状。即使你的组织非常热衷于完善数据实践，并且你在各主要利益相关方团队中都有倡导者，这仍然不足够。你需要宣传转变思维方式的重要性，尤其是关于数据质量的转变，以及实现这一目标所需的成本和时间。承诺改善数据质量很容易，但要在团队的行为中实际看到这一点，才是真正的挑战。

预计会有内部的抵触情绪，并尽力沟通空洞承诺的风险。记住，当你改变工作流程、流程和已经存在一段时间的产品部门习惯时，整个团队都习惯于以某种方式做事。做出这些改变将是一个集体努力。这不仅仅是因为领导层说了，产品就会进化。这是一个产品进化过程，需要所有接触你现有产品的员工的合作。也要花时间管理自己的期望。有时候你可能会感到沮丧，也有可能会有几周没有看到变化，甚至回到过去的坏习惯。这是一个过程，完全内化需要时间。

基准测试

数据已经是公司血液的源泉，赋能于从内部决策到产品性能的各个方面。你的客户和产品数据将帮助你理解哪些部分的产品已经具有价值，并帮助你推断哪些拟议的功能对客户的影响最大。你的历史内部数据将帮助你了解哪些功能在产品中通常需要最长时间才能显现，从而预测未来的工作范围。

你的产品分析将帮助你了解哪些 UI/UX 和设计变更可能产生最大影响。你的培训和性能数据将帮助你了解哪些机器学习模型最适合你的客户。你的运营数据将帮助你了解哪些部署最成功以及成功的原因。数据帮助你管理发布计划和产品路线图。数据帮助你扩展产品。

使用数据建立现有基准将是围绕你的 AI 采纳计划构建叙事的重要步骤。这是因为，在未来的季度和几年里，你希望能够展示 AI 如何帮助推动一些最具吸引力的使用案例在内部和外部取得进展。如果你从一开始就没有建立一个基准，之后你将无法知道自己取得了多大进展。

作为一名产品经理，当你展示你的产品通过 AI 达成的里程碑时，你需要从强势的立场来表达。业务将会进化，指标会有所变化，但在你踏上 AI 采纳之路之前，最大限度地利用你已经拥有的数据，这样当时机来临时，你可以真正反思自己的进展。

数据团队

你在这个步骤上花费的时间将由你和你的领导团队决定。你可能希望聘请数据战略顾问，或者与技术相关方进行深入讨论，以真正理解如何最好地组织数据管道，以便最有效地支持 AI 的采用。你甚至可能希望组建一个专门的跨职能数据团队，负责监督你的数据。拥有专门的人来处理各种数据孤岛的集中工作细节，并决定将数据集中处理后如何发送到开发中的模型，最终到生产环境中，将是解决数据中不可避免出现的不一致性的一种很好的方式。

把这当作对你研发和产品设计阶段的投资，并给予它应得的时间，因为它是你 AI 基础设施的一个基础部分。你如何存储数据、数据的调用频率、训练模型的频率、以及你如何规划发布日程以支持这个新的 AI 基础设施，都会是讨论的一部分。在这个阶段，这只是一个讨论。尚未做出决策，但你会希望尽早开始讨论，因为当你准备好开始考虑模型、训练和测试时，你会希望能够拥有干净、丰富的数据来供模型使用。

理解你的数据、探索数据、实验数据、处理数据、为特征开发（针对 ML 模型）做好准备、在建模中使用数据、评估这些模型的性能，最终部署数据，这些都将是定期讨论的话题。因此，在做出关于如何利用 AI 的实际决策之前，尽早开始数据战略的讨论是一个战略性的举措。这也让技术人员比他们预期的更早地参与到这个话题中，因为采用 AI 是一项高度技术化的投资，这些技术声音应当尽早介入。

正如我们在前面的章节中看到的，特征工程是使你选择在产品中使用的模型成功的关键部分。这进一步加强了这样的观点：你需要确保你的技术团队参与关于收集哪些数据、最终用于训练模型的重要决策。

定义成功

你还将使用内部数据来设置指标，这一点我们在本书的第二部分中已经讨论过，目的是定义你的产品成功的标准。定义成功将是一个合作的过程，产品经理需要将公司内所有关键利益相关者聚集起来，确保大家在成功的定义上达成一致。如果产品向 AI 发展的过程没有涵盖市场推广、销售、营销、战略、工程和领导团队的声音，那么它将缺乏必要的支持，无法真正有效地运行，也无法在公司内部和外部获得资金和推广。

也许最重要的是，没有足够的支持，你的产品成功将无法与公司层面的最重要业务目标紧密相连。与这些团队建立正确的数据流利度，并使用数据来支持你对产品发展方向的看法是不可妥协的。要对自己、对组织、对数据技术人才保持耐心。数据是关键。它是推动我们讨论的整个事业的动力源泉。不要屈服于急于推进的压力。虽然总是有商业上的紧迫性要求尽快上市，但产品经理和领导者总是需要反对这种“快速开始，边做边改”的本能，但不要急于推进这个过程。

现在我们已经讨论了在你的产品中构思潜在 AI 采用领域的内部流程，以及确保数据准备好以采用 AI 的各个阶段，我们可以继续讨论你的外部环境。你的竞争对手将为你提供一个 AI 采用的可能性图景，帮助你了解你的产品可能呈现出的 AI 采用形态。我们不建议你模仿竞争对手的 AI 策略，而是建议将竞争对手的 AI 采用情况作为你权衡选择时的输入。

竞争——爱你的敌人

使用你已经拥有的数据会让你走得很远，但始终需要从外部世界补充反馈循环。了解你的竞争对手将有助于你制定战略。它会为你提供一些同行的例子，这些同行已经迈出了你想要迈出的步伐。你从竞争对手那里看到的一些例子会成为灵感的来源，而另一些例子则帮助你避免某些错误。在研究你的竞争对手，特别是那些已经接受 AI 的竞争对手时，做足尽职调查，将对你选择构建的内容产生一定影响，并且应该成为影响我们之前制定的列表的因素之一。

有人会反驳这一观点，认为你应该基于自己对市场和客户问题的理解来构建产品。虽然专注于你想要解决的问题而不受竞争格局的影响是出于好意，但这一观念是有很大缺陷的。

我们并不生活在真空中。产品是与同行群体中的其他产品进行比较的，在许多情况下，一个产品定义了另一个产品。无论你是面向消费者还是其他企业，你的产品都会与类似的产品进行比较。意识到你的竞争对手并不意味着你必须照搬他们的做法，但它确实提供了一个宝贵且现实的视角。忽视竞争对手对你产品的影响就像忽视重力的作用。不管你是否意识到，它都会对你产生影响。

另一个值得提到的重要点是要认识到，你的竞争对手的很大一部分实际上包括你自己产品的过去版本。你在与自己过去的做法竞争，你在与你产品的过去版本竞争。对这些过去版本进行批判性思考，特别是那些没有利用 AI 的版本，将是你设计过程中的重要部分。思考它们的局限性、机会、优势和挑战，并考虑这些旧版本为你的客户带来的价值。你如何能在构建的新版本中，利用这些机会、局限性和挑战？把旧版或当前版本的产品视为对你当前产品的威胁。

当你考虑到你的竞争环境时，你可能会想直接进入功能层面，并与主要竞争对手做一个对比矩阵。这通常是一个值得进行的练习，特别是对你的销售、营销和后期的用户参与团队来说，但在这个阶段，这样做还为时过早。试着从我们最初讨论的原始价值清单的角度分析竞争对手。这个价值清单不应该只是你想要添加到产品中的功能列表，它应该是你产品为用户和客户提供的价值类型的总结。功能是描述性的、事实性的，而价值则与价值密切相关。

如果你对理解两者之间的区别感到困惑，可以从功能本身开始，然后看看是否能进一步深入每个功能，写下为什么这个功能对你的客户有实际意义。如果你能做到这一点，那么在评估与你的产品竞争的产品时，你也能做这项练习。试着感知一下你的竞争环境中的产品是否为你的市场提供了同等水平的价值。另一种看待价值的方式，特别是针对那些已经推出自己 AI 功能或升级的竞争对手，是理解这些决策如何可能影响市场中的价值认知。

了解竞争对手是一个极好的方法，不仅可以帮助你了解自己产品可能发展的方向，还能让你对你所处行业的未来发展方向有所洞察。理解你所处的竞争格局以及它如何变化，会对你发掘自己行业中的趋势产生重大影响，并帮助你决定是否要积极参与这些趋势或成为这些趋势的变革推动者。进入市场本身就是一个独立的专业领域，作为产品经理，你在这方面的角色相当重要。你越了解你所服务的市场及其在人工智能驱动下的演变，你在如何在自己产品中利用人工智能时就越能占据有利位置。

到目前为止，我们已经对人工智能可以在现有产品中采纳的潜在领域进行了头脑风暴，掌握了数据的准备情况，并评估了在竞争环境中人工智能采纳的情况。这些都是在为产品战略制定做准备时需要考虑的宝贵信息，现在你的产品已经准备好进行人工智能的变革。在接下来的部分中，我们将讨论如何构建与我们所做的所有创意相一致的新产品战略。

产品战略 – 打造适用于所有人的蓝图

到目前为止，我们已经进行了潜在创意的头脑风暴。我们对数据进行了盘点，并结合了来自竞争对手和更广泛市场的见解，终于能够开始设计产品战略，打造反映我们产品下一个重大时代的战略。从传统软件产品到人工智能产品的转变绝非易事，这应该被视为产品的全面革新，因为我们在构建、构建什么以及如何存储、收集和使用数据的方式都将发生重大变化。

构建产品战略将直接影响你的产品路线图，这将帮助你识别哪些部分的产品需要优先转型，以实现产品的人工智能转型和商业成功。然而，在制定符合产品新价值体系的产品战略和创建反映该战略的产品路线图之间有很大区别。路线图是即将来临的一年内，主要里程碑和功能的建议时间表。路线图不应在产品战略得到关键利益相关者的认可之前就制定。路线图是从战略中派生的，而不是相反。

我们不是盲目构建可以做的东西，然后期待最好结果。我们通过集体知识和智慧来达成共识，决定构建什么，并探讨如何利用人工智能功能最佳地进入市场。在接下来的子章节中，我们将介绍产品战略过程，并提出一份如何为所有主要利益相关者开发可行的产品战略的建议清单。

在接下来的部分中，我们将讨论如何最好地执行支持 AI 功能和能力增长的产品路线图。这不一定是一个操作指南，因为你采取的顺序和贡献将取决于你的具体产品。相反，这可以被视为一个检查清单，以确保你朝着正确的方向前进：

知识收集
与公司愿景一致的产品愿景
制定产品目标
所有关键利益相关者一致同意的产品路线图 V1

产品策略

产品管理首先是一项创造性的工作，最困难的部分是知道从哪里开始。从一个已经存在的产品开始的美妙之处在于你有一个起点。一旦你能够开始执行本章已经讨论过的一些列表和练习，你就可以开始制定你的产品策略。这将作为一个高层次计划，说明你的产品将如何随着时间推移而建立，并且融入表达产品的多个方面：营销、分销渠道以及如何向客户传达。无论你的产品是否是 AI 产品，你在内部制定产品策略时都不应该忽视那些将使用你的产品的人的声音。

知识收集

拥有来自客户和潜在客户的反馈目录是确保你与最终从你的产品中获得价值的客户和用户保持反馈循环的一个很好的方法。希望在你的公司已经有这样的文化。让人震惊的是，公司在确保定期反馈方面可以有多么不守纪律，无论是通过一对一的产品访谈还是捕捉你的客户情感的应用内调查。为你的产品和市场策划哪种方法最好，并定期向你的潜在客户和现有客户获取反馈。

到这一点，你已经有了一个坚实的基础可以建立。你已经有了你的列表结果，你对数据需求有了很好的感觉，你有了你的竞争分析见解，以及你通过各种会议和头脑风暴收集到的一些关键利益相关者的顶级建议。你能够组织所有这些，并且对如何最好地利用 AI 来推动你的产品到下一个水平有一些想法。从这些中缺失的一个关键部分是你的客户反馈。调和所有这些将是把所有这些碎片放在一张草稿纸上的行为，这将允许你深入了解构建产品战略的核心是什么：决定你的组织希望通过你的产品实现什么，并创建一个与你的整体公司愿景一致的产品战略。

确定愿景和目标

我们不会详细探讨公司使命声明或愿景的具体内容，但可以说的是，必定会有一个。如果它不存在，这是一个很好的时机来制定一个简单的声明，概括你的组织为什么存在。它想要实现什么目标，愿景是什么？从这一点开始，你的产品愿景就应该与组织的更高层次目标对齐，这些目标是为其所服务的市场设定的。在你的产品愿景中，你只是简单地阐述你如何看待你的产品服务于目标市场。你的客户和市场面临的需求和问题是什么？你的产品又是如何满足这些需求的？在考虑人工智能如何塑造这一愿景之前，尽量先理清这一点。然后，花点时间思考引入人工智能后，会有哪些变化。如果可以的话，尽量把这一点简化成一句话——如果必须，可以有两句话。

收集反馈和制定产品愿景是协作性的工作，并非仅由产品经理完成。相反，产品经理的职责是将合适的声音汇集在一起，确保利益相关者团队达成共识。你应该是组织这些决策会议的人，确保每次会议结束时，大家都能达成一个每个人都能接受的结果。在我们之前讨论过的产品战略会议中，你将定期与利益相关者会面，且会有许多机会重新评估这个愿景的演变。

接下来，你需要为产品设定目标——没有设定高层次的目标，你就无法制定真正的战略。这些目标将是一个关键的思考任务，源于你的产品愿景，尤其是现在这个愿景包含了人工智能的采用，无论它以何种形式适应你的产品。

你真正希望通过产品实现什么目标？

是否有某些主要的里程碑或基准是你希望通过人工智能达成的？

目标的存在是为了帮助你衡量和准备那些你希望通过产品实现的重要目标，针对你的客户、用户、市场、开发者以及你组织中的其他员工。可以将这些视为你产品的战略 OKR。

如果不从最重要的地方入手，设立这些大方向的目标，构建产品愿景和目标，你将会陷入琐碎的细节中，无法进行战略性构建。你可能会无意识地追逐各种机会，这可能会让你忍不住去跟随竞争对手的做法或客户的要求。鉴于向人工智能转型的重要性，在这里花时间从一个强有力的立场开始。如果你在确定愿景和设定产品目标时，发现自己过度权衡来自竞争分析、客户或内部团队的反馈，务必批判性地思考，这是否真的是合适的做法。

也可以让这个过程更具协作性，记录下所有利益相关者想到的目标，以便你们一起进行优先排序。同样，你可以随时重新审视这些目标并进一步审查，但尽量看看你们能一起提出什么，完善这个列表，并尽量保持三到四个更高层次的产品目标，这样你就可以开始有信心地接近你的产品路线图了。所有这些目标都会通过拆分成更小的部分展现出来，这些部分可能需要几周、几个月，甚至几年才能完全实现。没关系。你的产品目标不应是能够在几天或几周内实现的目标。它们应该足够包容和战略性，能够持久存在，因为它们是用来指导你的整体产品路线图，并确保每个人都在为统一的目标努力。

产品路线图

最终，我们已经完成了产品路线图的制定。这是实现我们产品战略的最后一步，也是最详细的一部分，因为它旨在捕捉所有战略目标设定和愿景演练中产生的举措。这就是构建和交付产品的魔力所在。将模糊的战略目标转化为可触及的现实，路线图就是我们应用那些尚未处理的条件、限制和依赖的地方。路线图会发生变化，它们并不是水晶球，不会让你的命运变得不可协商。它们旨在作为产品团队战略指令的指南。它们是你产品愿景和目标的鸟瞰图和日历视图的翻译。

几乎你组织中的每个人都会看到你的产品路线图，它将作为所有团队在自己的目标和规划会议中对齐使用的蓝图。这也是沟通所有战略会议结果的一种方式。它还旨在作为各种项目、举措和实施问题的护栏。

如果出现截止日期、问题或瓶颈，正如它们必然会出现的那样，你的内部团队会有一个内在的真实来源来指导他们知道自己有多少回旋余地，同时它还为他们提供了一个框架，帮助他们判断何时需要升级问题，因为路线图以月和季度为标记。对于 AI 产品来说，这一点尤其重要，因为在构建过程中，你将开始看到某些实验或项目比预期花费的时间更长。你定期的产品战略会议将确保能够吸收任何对截止日期或范围的重大变更的冲击。

制定产品路线图还将确保你的产品设计、开发、用户体验（UX）、成功、营销和销售团队的努力与战略目标对齐。你在路线图中列出的每个主要计划都会有相关的文档，通常以用户故事（user stories）或产品需求文档（product requirement docs）的形式呈现，所有重要的计划都会有一定的接受标准。这使得你的路线图不仅仅是一个你计划在某个日期之前交付的功能集合，它是你预期从开发工作中得到的成果的体现。多个功能可能会服务于这些成果。

当你开始建立待办事项列表（epics）和任务（tasks）时，你会将它们与产品目标和计划中的主题进行对齐，随着这些任务进一步分组到迭代（sprints）和版本发布（releases）中。产品团队和 AI 产品经理将负责产品路线图的创建和维护，并会不断将路线图中的各个元素细化成具有接受标准（acceptance criteria）的单独任务。随着推进，主题将逐渐显现出来。路线图将反映出那些最具吸引力的计划和成果，不论是因为它们对客户产生了最大影响，还是因为它们为业务带来了最大的投资回报（ROI）。

制定路线图时需要记住的最后一点是，作为一名 AI 产品经理，你需要拿出一个足够成熟的产品路线图，并开始将该路线图推广给更大的组织。到目前为止，这一切都是一个协作的过程，但如果你的协作者群体太广泛，工作进展会受限。建立一个具有足够代表性的利益相关者团队（stakeholder team），涵盖领导层、开发、产品和市场团队本身就是一项战略性任务。这个团队将帮助你走到这一步。现在你已经走到了这一步，你需要向整个组织传播这个路线图并获得反馈，因为每个人都会将它作为指南。这为你提供了另一层审视，并允许更多的声音提出可能在核心利益相关者团队中未曾想到的关注点。

现在你已经有了一个让你自豪的产品战略和路线图（是的，这就是最终目标），我们有个好消息告诉你：它永远不会完成！这只是当前情况的第一次迭代。这里的目标不是完成任何事情，而是达成共识，确定起点。随着时间的推移，你的战略和路线图都会不断演变，你将定期回顾它们。如果你所在的组织相对较新，我们建议你将这个过程设为每两周一次；如果你所在的组织更成熟，事务进展较慢，可以每月或每季度进行一次。确保你规划路线图时，至少考虑到两个季度，以便你能更好地规划资源和时间。

作为 AI 产品经理，你将是这次会议的负责人，确保你的核心利益相关者小组定期参与这一战略会议将是你的责任。保持沟通渠道畅通，为新想法和修改提供空间，使它们能够融入你的产品战略和路线图，这是一个负责任的做法，不仅能够捕捉到从现有计划中开发所带来的新能量，而且还能定期欢迎新的视角。当你总是在进行头脑风暴时，获取极好的想法是容易的。但一旦进入执行模式，头脑风暴变成了一种奢侈，你的时间很难再允许你这么做，事情也容易变得停滞不前。

抵制将这些会议变成临时的诱惑，只有在创意开始停滞时才把各方聚集起来。这不是一个好的做法，因为它会给你的利益相关者带来很大压力，让他们在创意已经枯竭时还得强行发挥。定期安排这些会议可以确保你的利益相关者会期待它，并且习惯于带着自己的想法参加。保持会议定期进行，即便你确实没有新想法或动力，当这种情况出现时，你也可以缩短会议时间，从而为自己腾出更多时间。

坚持保持定期会议意味着你的利益相关者可以自行跟进并记录需要在这些会议中讨论的议题和考虑事项。这也能帮助你保持专注，避免进入一个非常常见的模式——长时间处于执行状态。当我们停留在这个阶段太久时，因建造产品的惯性而导致我们的视野变得模糊。保持产品战略的责任最终落在你身上，它主要由构建产品愿景、目标和路线图时的战略要素组成。定期进行产品战略会议会让你成为一个优秀的战略管家。

红旗和绿旗——需要关注和警惕的事项

进入 AI 产品的广阔前沿，包括 AI 转型中的一些常见陷阱，以及成功的标志。我们将它们称为红旗和绿旗，它们是你在为 AI 采纳做好准备的过程中，可以识别的信号。部分信号是具体的行动或结果，部分则是情感上的反应，不论是哪种，你都可以用它们作为标志，判断自己是否走在正确的路上，或者是否遇到潜在的难关。在接下来的小节中，我们将讨论一些红旗和绿旗。让我们开始吧。

红旗

红旗是我们可以留意的一些行为模式，这些模式表明我们设定的过程存在问题。因为 AI 的采纳对于任何公司来说都是一项革命性的工作，所以最好早期就能发现一些这样的惯常模式，以确保你从一开始就能走对方向：

我不知道：如果你经常与公司里不同团队的成员或员工互动，而他们似乎对公司为何要采用 AI 感到困惑，不明白这对他们的客户或读者有什么价值，也不清楚产品的高层次目标是什么，那就是一个红旗。制定一个与 AI 采纳相符的产品战略的关键是确保公司内没有人对这项变革感到困惑。确保整个公司都了解为何要采用 AI，并且清楚你们希望通过它解决哪些具体问题。
沟通停滞：如果你没有定期开会，或者在定期的产品会议中缺乏参与度，可能存在一些需要处理的内部阻力。尽量传达出拥抱 AI 所带来的激动人心的机会，不仅仅是从你的产品角度出发，而是从整个市场的角度来看。当你能够感受到公司高层领导的好奇心和开放态度时，你就会知道自己走在正确的道路上，而不是把 AI 转型视为一个繁重的负担。高层管理层参与度不足是一个重要的红旗。AI 不是领导层可以外包的事务，他们需要在你整个 AI 采纳过程中，参与其中、并保持积极的互动。
你没有看到进展：如果你已经开始着手建立 AI/ML 管道，但没有看到进展，或者至少没有从模型训练中获得一些早期的正面信号，你可能没有足够的技能来真正应对 AI 转型这一复杂任务。在开始时，确保拥有合适的人才团队、技术栈和专业知识是非常困难的，许多公司在刚开始时都难以找到这三者的最佳结合。如果你在寻找人才方面遇到困难，可以考虑与 AI 咨询公司合作，他们能帮助你从多样化的人才池中挖掘有类似经验的人才。

绿旗

在这一部分，我们想要列出一些可能初看起来像是红旗的绿色信号。部分原因是，我们希望帮助你为在这条旅程中可能遇到的一些障碍做好准备，以管理你自己的期望，但我们也希望传达的是，以下行为模式往往是事情进展顺利的标志，即使你可能并不觉得是这样：

你的试点项目失败了：它可能本来就会失败。我们已经讨论了很多关于管理期望的问题，这其实就是要点。无论是平衡自己或他人在面对平淡无奇的表现或完全没有表现时的反应，你都需要成为自己和他人信心的源泉。机器学习是可行的，全球的公司每天都在建设性和高效地使用它。那些有耐心和决心坚持到底的人将会得到回报，但在开始时，特别是从传统软件产品的角度来看，看到进展可能很难。给它时间，不要放弃。
过多的反馈：无论是来自客户、潜在客户、用户，还是内部团队，如果你发现自己被关于哪些内容应该进入路线图，哪些不应该的反馈淹没，那么这说明你已经成功地传播了你的产品愿景、目标和路线图。在人工智能转型方面，早期有更多的声音参与虽然会让人感到疲惫，但这也是一个很好的迹象，说明大家都在参与。这是一个值得拥有的问题。作为裁判比作为没有人支持的啦啦队员要容易，后者是试图在没有兴奋点的情况下激发激情。
重新定义数据消费：如果你的内部团队正在改变使用和摄取数据的方式，这意味着文化正在转向更加数据驱动，这将进一步支持你的 AI 平台的成功。如果你的组织意识到他们必须大规模地改进数据的标注、存储、收集和使用方式，这意味着 AI 转型已经到了影响内部团队和主流气候的阶段。

作为 AI 产品经理，你需要意识到潜在的障碍，以及能表明你的 AI 采用进展顺利的指标。在这个过程中，你的组织将期待你的领导。若你能在事情出错时成为同事们的避风港，并在事情看似出错但实际上并没有时成为鼓励的源泉，你在这一领域的信誉将会稳固。

总结

我们现在已经进入了本书最后一章的最后部分：将现有产品转型为人工智能产品。本章的大部分内容都在讲如何预见和准备向人工智能/机器学习过渡。在本书的第二部分，我们深入讨论了与 AI 原生产品相关的概念：一种最初由人工智能创建的产品。一旦你真的开始在自己的产品中全面拥抱人工智能，你可以参考本书的第二部分，该部分更多关注在你进入构建人工智能的流程时会出现的各种问题。在本节中，我们希望集中讨论迎接人工智能/机器学习的准备阶段，因为人工智能转型的分量实在不容小觑。

头脑风暴创意、结合实际考虑对创意进行评估、整理数据、评估竞争格局、并邀请相关利益方制定产品转型计划，所有这些都是人工智能准备工作的组成部分。本章中表达的所有创意虽然容易说，但却难以实现，本章的每个部分都将是一个独立的过程，但一旦你能够确定产品战略，并通过全体组织都支持的产品路线图来执行这一战略，你就开始走上了与人工智能共同发展的道路。

成为一名产品经理，尤其是负责产品人工智能转型的产品经理，是一种特权，也是一项巨大的责任。这是你产品管理生涯中的一个激动人心的时刻，你很可能会怀念这一时刻。我们正站在历史的独特断崖边，不是很多产品经理能说他们在组织和各自产品迈出如此重大一步的过程中有所贡献。当你在这段旅程中遇到困难时，提醒自己，这是一个很难管理的转型过程，同时也要为组织内其他人推广人工智能。

接受人工智能及其所带来的所有挑战并非易事，如果你发现自己感到沮丧，这实际上是一个好兆头。这意味着你足够关心你的产品和组织在人工智能领域的成功，能够引发情绪反应。给自己和你的共同创造者一些宽容，骄傲地看待你们共同为迎接人工智能浪潮所做的工作。