从“写规则”到“管概率”，AI时代产品经理的决策进化

本文来自微信公众号： 鑫卉正在理解 ，作者：鑫卉

AI进入产品经理的工作流，已经不是“要不要跟”的选择题，而是“怎么跟”的必答题。

在AI焦虑的裹挟下，组织焦虑，同样工作开始被要求有AI浓度（即AI技术在产品和工作流中的渗透程度）。

组织对产品经理提出AI能力要求，本质不是"为难个人"，而是业务复杂度升级后的自然结果。就像以前的PM要懂数据库、要懂前后端交互，现在需要理解概率和模型边界。

问题是：个人怎么回应这个要求？这是我最近思考的问题。

01 AI时代能力要求是升级，还是转行？

传统产品经理和AI产品经理最大的区别是什么？可以用厨子和司机的例子对比下。

把厨子对应为传统PM，对应的是要执行配方、掌握火候、出菜快。对应能力是写规则。把司机对应为AI PM，对应的是要看路况、选路线，安全到达还要油耗合理。对应能力做不确定性管理，是管概率。

从写规则到管概率，是传统产品经理和AI产品经理工作能力表象上最大的区别。

但是产品经理核心的决策能力要求始终没变。

以前是和钳工、火工打交道，决策火候，配方。现在要和路况评估工（算法工程师）打交道，查看路况，决策路线。前者是规则管理，后者是概率管理。

概率管理进入产品工作流，意味着决策不再是A或B的二元判断，而是”走这条路有90%概率准时到达，但要承担10%延误风险“的权衡。这个决策本质上，是在分配车上每个人的时间成本和风险成本。

相比较看，传统产品还有纯做功能实现，不用关心利益逻辑的空间，但AI产品经理更要求算清楚阈值背后的账才能决策。

所以在我看来，AI时代对产品经理来说，不是一个割裂的行业岗位划分，而是核心决策价值的升级。从"写规则"到"管概率"，核心是把阈值背后的风险算清楚。

02不同领域的AI浓度长出速度不同

一个组织内，要求所有人一下子长出具备AI的能力，无异于让一个厨子立马变成司机。会让组织下的个人迷茫，怀疑自己为什么兢兢业业切菜，没有去考驾驶证。

这个时候个人要意识到，处在变革时代，所处的领域长出的走向和速度不一样的。

目前AI的浓度变化最快的应用领域，往往是学习规则相对清晰，输出风险相对可控，替代成本效益兼具的领域，比如，客服领域。知识库的学习，从人工学习，开始到代理学习。市面上已经开始出现明确的代理产品开始售卖了。

但是如果是核心交易链路，影响业务核心关键指标的动作，相对没那么容易推动，这不是AI素养高低的问题，而是一笔误杀或漏放可能带来的损失，是否有人敢签字背锅的问题。

对照自己负责内容，如果是在交易的核心链路，往往求稳大于创新，AI浓度要求次于对现有运行的稳定保障要求。

03 AI会最终改变组织协同的方式

我曾筹划过一个大模型应用项目，那个项目让我第一次完整体验了'从规则到概率'的决策过程。

我们设计的不是一个”命中即拦截“的规则，而是一套分层概率决策：模型打分→阈值分层→不同概率区间对应不同的处理动作。这个过程中，我意识到概率管理最大的难点不是技术，而是组织是否准备好接受概率性结果。

当时是几个组织部门都痛的点，比如组织A有大量数据，离业务太远，不知道怎么讲故事；组织B有大量投诉，但是又没有精力去解决；我属于组织C且是直接对接业务的定位，位置刚好，离业务近，负责出整体方案，可以把数据换成数据价值。

我和研发同事都很兴奋，想借这个项目验证AI在核心支付场景的真实边界。我们挖掘和整理了尽可能多的数据，聊了模型选型，设计了概率决策方案及方案落地分层。

但项目最后交接了，在当时被搁置了。

传统产品中，每个部门负责一个领域，最好就是聚焦在自己讲的故事中发力。但是AI本质特点是基于大数据、模型作为横纵坐标发力的，这个特点决定了跨负责域的数据支持，加上模型的应用才会发挥AI真正的效力。

当AI还没成为组织的优先级时，一个大家都能讲的故事，反而因为缺乏独占性而被搁置。

但这个项目因为协同部门同事都有驱动力，协同过程非常丝滑，让我体验到AI浓度生长该有的样子是为了解决问题而自然发生。

如果你也被要求AI浓度，且发现自己的AI项目推进的很难，可能不是你AI素养不够，问题也可能是组织本身还没适应AI生产特点。这也可以参考作为自主探索AI浓度事情的选题思路。

回到最初的问题：

个人怎么回应AI时代能力的要求？

我的思考是

——可以先做“副驾驶”：在核心链路不敢用AI时，先在非核心链路（如客服助手、运营工具）练手，积累“驾驶经验”。

——先攒“路费”：即使项目没上线，也要把问题定义、模型评估，监督指标这些“资产”学习沉淀下来。等项目时机到了，这些就是入场券。

——重点关注“风险账”：以前立项更多是说投入产出比，以后要用“概率管理”的语言去说服，而不只是用“技术先进性”。不为了炫技，为了把那5%的不确定性风险算清楚，会更有说服力。

从写规则到管概率，并不是产品经理的'转行'，而是工具箱的扩容。算法负责把概率算准，产品经理负责把概率背后的风险算清。在AI浓度越来越高的组织里，能把'阈值账'算明白的产品经理，会比只会写规则的产品经理走得更远。

因为最终决定产品价值的，从来不是技术本身，而是技术影响下的收益风险分配决策方案。