为这场赌注负责
88当一项代价高昂的产品决策证明是错的,必须有人为此负责——模型可以提出一个选项,但无法承担选择它所带来的后果。
格子越深,表示该主题在这项指标上越高。
低高
远比头衔听起来的“动手做”要少。典型的一天混合着查看使用数据、和顾客或销售团队谈他们的需求、为工程师撰写或打磨一份规格文档,以及坐在规划会议上决定接下来做什么、砍掉什么。真正亲自写代码、画界面或亲手发布东西的时间非常少。
不需要,尽管在软件密集的岗位上会有帮助。许多产品经理来自工程背景,但也有大量人来自设计、市场营销、咨询或客户支持。比某个具体学位更重要的,是能够读懂数据、清晰地写作,并且在与工程师同处一间会议室时,不需要自己写代码也能站得住脚。
不是,尽管头衔相似。项目经理追踪工作是否按进度、按预算进行,负责协调团队间的时间线。产品经理决定一开始该建造什么、为什么,并对其中的商业与顾客逻辑负责。许多公司在实践中,尤其是较小的组织,会把这两个角色混在一起,但两者回答的核心问题并不相同。
不是。产品经理几乎从不直接管理工程师、设计师或任何人——这份工作常被形容为靠影响力而非职权来领导。产品经理设定优先级及其背后的理由,但工作实际如何完成、由谁完成,通常由工程经理或团队负责人来决定。
因国家和公司而异,差距极大。在美国,大型科技公司的总薪酬——算上奖金和股票后——通常轻松达到六位数,而在印度或拉丁美洲的大部分地区,同等职位的薪水只是其中的一小部分。不含股票的基本薪资,通常更接近同一家公司高级工程师的水平。
涉及数据总结、撰写规格文档初稿或整合顾客反馈的部分,用人工智能工具已经能做得更快。真正难以自动化的,是决定哪个想法真正值得去做、在意见相左的人之间协调取舍,以及在一次赌注失败时承担责任——这些判断,模型是无法为之负责的。
对于一份建立在判断力而非技术执行之上的工作而言,产品管理对语言模型自动化的暴露程度异常高,因为它的日常产出很大一部分是文字:规格文档、调研摘要、路线图更新,以及在团队之间谈判协调的邮件。能起草、总结和分析这些文字的工具,已经成为许多产品经理日常工作流的一部分。
但这并不意味着这份工作的战略核心已接近可自动化。以下部分区分了这份工作中已经被人工智能工具重塑的部分,与那些至今被证明更难交给模型来做的部分。
产品经理写作与分析工作中相当一部分——规格文档初稿、用户访谈摘要、常规竞品调研——如今用人工智能工具来产出,速度已经可以相提并论。真正难以自动化的,是决定到底哪个问题值得解决、在意见相左的人之间协调取舍,以及在一场赌注失败时承担责任。
按任务计分,而非头衔。越低越安全。
AI难以取代的职业 →当一项代价高昂的产品决策证明是错的,必须有人为此负责——模型可以提出一个选项,但无法承担选择它所带来的后果。
在数十个看似合理的想法中,权衡哪一个真正值得团队用下一个季度去做,需要对战略和时机的判断力,而模型对做对这件事没有任何切身利害。
让工程、销售和一位不满的高管就同一份计划达成一致,是一种政治和人际技巧,而不是一项文本生成任务。
在一场真实的用户研究访谈中察觉犹豫、困惑或变通做法,依然依赖单纯一份文字记录无法完全捕捉到的人类注意力。
知道一项指标何时正被操纵、一个样本何时存在偏差,或一项实验结果何时违背常识,需要模型运用得不如人类可靠的情境判断力。
人工智能工具如今能在几分钟内,把一段粗略的问题描述转化成一份结构化的需求文档初稿,剩下的工作是让人来修正和打磨,而不是从空白页开始。
把几十份访谈记录或调查回复总结成反复出现的主题,曾经是耗时数小时的人工工作,如今人工智能工具能在极短时间内完成。
汇总一份关于竞争对手提供什么、定什么价、宣称什么的初步材料,越来越多是一项快速的人工智能辅助任务,而不再是一个耗时数天的调研项目。
回答一个关于某项指标趋势的简单问题,不再需要等分析师,人工智能工具能直接查询数据看板并总结结果。
产品经理越来越多的写作工作,是审阅和修正一份人工智能起草的规格文档,而不是从空白页开始撰写。
过去需要专职研究员或分析师的团队,如今越来越期待产品经理直接用人工智能工具来填补这个空缺。
随着起草和总结变得越来越廉价,真正脱颖而出的产品经理,是那些在建什么这件事上判断更常正确的人。
人工智能辅助的原型制作和分析,让团队能在一个季度里测试更多想法,这也提高了人们对产品经理能生成和评估更多选项、而非更少选项的期望。
专注于围绕一个机器学习模型不可预测行为构建的产品,其成功指标和用户预期都与传统软件不同。
通过快速实验,专注于获客、留存和变现相关指标——这是2010年代从通用产品管理中分化出来的一个专精方向。
一门较新的学科,构建让产品组织能大规模顺畅运转的流程、数据管道和工具,从而让产品经理能专注于战略。
设计一项人工智能驱动的功能如何检索信息、如何被指示——这个专精方向在2020年代初之前几乎不存在,常常与产品管理紧密相邻。
三个可逆透镜:增强、替代切片、新缝隙。教学标记,非预测。
保留岗位;AI 加速草稿、分诊或调研,判断与责任仍在人。
狭窄任务堆可能先压缩,相邻手艺反而增长。
在需信任 AI 输出的受监管场景,可能出现监督、集成与领域质检角色。
产品管理在未来十年很可能仍将保持需求,但这份工作的入门级版本已经在变化:纯粹为撰写规格文档或总结调研而存在的岗位会越来越少,更多岗位会期待一位初级产品经理几乎立刻就能指挥人工智能工具、并对其产出负责。
优势将越来越多地属于那些能框定正确问题、在真实的不确定性下做出可辩护的赌注、并让一屋子意见相左的利益相关方达成一个决定的产品经理——这种判断力,在人工智能工具出现之前就很重要,如今只是底下多了更快、更便宜的草稿在支撑它。
不限同一领域,六项评分最接近的职业。
从数据中寻找规律、构建预测模型——一个2008年才出现的职位名称,建立在三个世纪计数、检验与可视化证据的传统之上。
抗AI 38 🔎研究人们如何使用产品,将观察到的行为、需求和挫折转化为团队可以设计的证据。
抗AI 69 📣创造需求的专业人士——从庞贝古城墙上的广告、宝洁1931年那份品牌经理备忘录,到数字时代由竞价驱动的信息流。
抗AI 38 🎮游戏的建筑师——决定一款游戏向玩家提出何种要求的人,从古老棋盘游戏Senet到俄罗斯方块,直至今日拥有三十亿玩家的产业。
抗AI 65 🧾账簿的守护者:这门手艺古老到几乎发明了文字本身,如今却在与为自动化它而造的软件谈判。
抗AI 35 💻写作,测试和维护了管理现代生活的代码——也是最早观看AI将自己的日常工作自动化的职业之一.
抗AI 35创办公司的人——发现缺口、承担风险并对工资单负责,从亚述商队融资者到风险投资支持的创始人。
抗AI 88 💹为公司定价并调动资本的交易撮合者——从美第奇佛罗伦萨到今日路演材料的行当,在数十亿易手时因信任而获酬。
抗AI 42 🧾账簿的守护者:这门手艺古老到几乎发明了文字本身,如今却在与为自动化它而造的软件谈判。
抗AI 35 📣创造需求的专业人士——从庞贝古城墙上的广告、宝洁1931年那份品牌经理备忘录,到数字时代由竞价驱动的信息流。
抗AI 38 💱研究稀缺性的学者——从亚当·斯密的制针厂到中央银行的决策室,至今仍被要求预测任何模型都无法完全捕捉的东西。
抗AI 62 🌿领导战略、衡量和报告,帮助组织减少环境和社会危害,同时履行业务义务。
抗AI 66