回归冷静，产品经理该如何面对大模型

我们在对待任何事情发生的变化时，应当及时对现状进行客观分析，再做出决策。那么，作为一名产品经理，该如何看待最近爆火的大模型呢？作者对此进行三个层面的分析，希望能对你有所帮助。

在过去半年多内，AI行业再度爆火，引领热点，大家都在讨论大模型，讨论ChatGPT，不乏很多文章在传播人工智能进入新的阶段会不会替代很多人的工作。

在产品圈中，也有很多产品经理都在讨论ChatGPT会对日常工作产生什么样的影响，是否会因为不懂大模型而被业务边缘化？

诸如此类的言论甚嚣尘上，笔者想说的是不要担心，冷静面对即可，笔者曾跟一个创业朋友说过“让子弹飞一会，距离大模型在国内场景的商业应用还需要点时间”。

接下来，我们就看看产品经理应该如何面对爆火的大模型呢？

一、正确认识：大模型是技术突破，但还有有待优化

热度会退去，需要的是正确认识大模型，其本质是人工智能发展过程中的一项技术突破，产品经理需要从宏观角度思考技术突破可以产生的商业影响。

随着时间的推移，新技术的热度逐步消退，从百度搜索指数来看，不论是国外的ChatGPT，还是国内的文心一言、讯飞星火等产品经历半年后都不再是热搜了。

而从各家的产品发展来看，各家都在慢慢把产品推向大众，让更多人的可以接触，让产品慢慢具备普适性。

而对于大多数产品经理来说，在这个阶段，需要的是了解大模型的本质，思考大模型技术的限制，探索大模型在国内如何商业化，焦虑是完全没有必要的，更不需要着急一定把大模型技术立刻加到产品中等问题。

因为对于国内产品环境来说，我们至少面临以下四个问题：

大模型的发展起始于国外，虽然已经支持中文了，但是它的喂养数据很大程度上会缺少对中文和对国内语义环境的持续学习适配，所以会有留给我们过渡时间来学习和发展。

比如用同样的问题对ChatGPT3.5、ChatGPT4和讯飞星火进行测试，如下图。

从结果来看，即使是联网的ChatGPT4在回答时也将人物出生时间弄错了（参考百度百科），可见ChatGPT大模型对中文环境的“水土不服”，对国产大模型而言，解决中文数据问题，至少可以在国内语义环境中领先ChatGPT等国外大模型。

所以，对于产品经理来说，无需担心，如果有机会刚好在做大模型应用，那就多花点时间收集数据，验证中文场景。

① ChatGPT3.5

② ChatGPT4

③ 讯飞星火

大模型自开始应用，目前多是处于对话式问答，用于“个人办公助理”场景，比如文章写作、提纲生成、图片生成、代码生成等等，属于场景堆叠，缺少对具体行业的应用场景研究。

所以距离行业产品化仍然需要很长的发展时间，这也给了国内厂商、产品经理思考产品的机会，比如产品经理行业，正在有厂商提供自动生成原型的工具，虽然笔者经过测试，还无法达到实际应用，但是至少是迈出应用场景探索的第一步。

因此，对于多数产品经理来说还有足够的时间来了解大模型，帮助业务提升。

众所周知，国家一直在大力支持发展国产化技术，也在支持各项人工智能创新，但是大模型的发展由国外起步，虽然有很多开源，但是对国内商业化应用，仍然存在潜在危机，一旦被应用到涉密场景，后果无法估量。

即使是普通的市场商业化，后续如果需要不断缴纳许可费，对国内厂商来说也很难效益最大化。

因此，就给了国产大模型的发展空间，对于产品经理来说，了解技术原理，可以加入国产大模型产品建设队伍，或者待国产大模型推广后，探索业务应用。

之所以说大多数产品经理不需要过度担心，是因为大模型的发展不是一朝一夕的，大多数公司将不具备研发国产大模型的能力，一方面受限于软实力，如AI人才；另一方面是资金等硬实力的投入，观看OpenAI的发展就知道ChatGPT的诞生投入了多少资金。

同时我们很多产品经理多是以应用为主，国内纯技术性产品经理相对较少，在技术落地的前期，很多产品经理其实很难投入产品规划或建设。

所以，对产品经理来说，与其担心，不如了解好技术特点，为后续的产品应用创新奠定基础才是当务之急。

上面提到，大多数产品经理都是应用型产品经理，尤其是AI产品行业，作为近几年产品经理新岗位赛道，很多公司对岗位要求的定位缺少明确定义，多是围绕“懂AI应用”展开。

所以我们可以理解为我们的岗位要求是“AI+业务”，而且对于产品经理，反向深入研究AI技术创新，对产品经理来说反而是舍本逐末，一方面是技术本身不是产品经理的强项，另一方面产品经理的目标是通过技术产品化，给公司带来商业价值。

所以在面对大模型的接下来阶段，我们需要回归产品本质，从应用场景出发。

包括以下两点：

对于产品经理在探索行业应用时，可以分为两步走，由内到外，即先探索自身业务可落地的场景，再向外延申，学习了解其他场景。

1）思考自身业务

笔者以自身正在从事的大屏可视化（非BI）为例讲述可以如何进行业务创新，在大屏可视化行业中，对于用户来说有1个痛点问题（其他不赘述）需要耗费人力解决。

对于很多非专业客户而言，要建设一个可视化大屏，首先要做的是就是理解业务，梳理业务中需要的指标体系，对于多数政企客户和个人用户，日常是没有指标库建立的。

这个时候只能通过网络检索收集或者寻求业务专家，非常耗时耗力，如果能在产品中提供指标询问的服务，可以提高大屏初稿的输出，缩短整个项目周期。

草图样式可以如下：

注：以上仅是样例，实际需要在产品中提供入口，避免用户跳出产品使用流程。

2）探索外部行业

众所周知，人工智能对于业务的最直接体现是“降本增效”，它的输入是“视频、图片、文本”等数据，所以对我们产品经理来说，探索外部行业应用时，在行业上可以重点选择“劳动密集型”和“多模态输入”的行业。

比如广告营销，传媒和数字办公，如下图，围绕行业用户痛点和需求，再结合AI能力做创新应用，笔者以广告营销行业举例。

需求：需要投放大量的广告banner，尤其是电商用户，在大促期间，需要不断更换广告图。
痛点：在不通渠道投放相同商品不同的广告banner，且为了保持点击率，广告图大约1-2周就要换新。
传统做法：基于设计工具，人工制作，一张图成本约2-3百元；问题是耗时耗力，且需要人工投放。
AI创作：在线生成，智能投放，只要提供商品图，系统自动基于AI生成广告图，并设定投放渠道，可以在线投放，全过程完全可以实现无人管理。
典型案例：今年618期间，京东联合百度文心一格，将AIGC应用于电商营销，打造电商行业首个AI线下广告。以AI的方式，制作周期缩短70%，制作成本可以节省80%左右。