最近听了茹炳晟老师关于 AI Native 产品经理成长的分享，里面有一个框架我很受启发： AI 时代的产品经理，大概会经历四个阶段：工具使用、能力迁移、系统设计，最后走向价值判断。
第一阶段：PM 开始使用 AI 工具，但产品本身还没有变化
这个阶段最常见，也最好理解。 用 AI 写 PRD、总结会议纪要、做竞品分析、整理用户反馈、生成方案初稿。 但这里真正重要的不是“我用 AI 提效了多少”，而是工作方式有没有从“消耗型”变成“投资型”。
以前很多工作做完就结束了。 但现在，一次高质量的 AI 对话，其实可以沉淀成 skill、判断标准、知识卡片、方法论等等。 所以第一阶段的关键不是会不会用工具，而是： 你有没有把每次交付，变成自己的长期资产？
AI 越强，PM 越需要训练这几种底层能力：提问、思考、判断、假设、预测、归因、试验、创新。 因为 AI 可以生成很多内容，但真正决定质量的，还是你能不能提出正确的问题，判断答案是否靠谱， 以及设计验证路径。
第二阶段：AI 融入产品，但主要还是单点能力增强
这一阶段，产品开始接入 AI。 比如智能摘要、自动生成、智能推荐、AI 客服、自动纠错、图片优化。 但产品形态本身还没有发生根本变化，本质上还是“AI + 产品”。
这里我觉得有一个提醒很重要： 好的 AI 功能，不一定要站到前台告诉用户“我是 AI”。 很多时候，AI 应该像手机拍照里的自动优化、输入法里的自动纠错、剪辑工具里的智能配乐一样， 默默帮用户把事情做得更好。 用户的目标不是“使用 AI”。用户的目标是完成任务。
所以 AI 产品最容易掉进的坑，就是把所有东西都做成 Chatbot。 但用户真的需要一个聊天框吗？不一定。 有时候，一个自动补全、一个智能建议、一个后台检测、一个恰到好处的一键生成， 反而比聊天框更自然。
这一阶段对 PM 的要求是： 你要理解 LLM 的能力边界。 什么时候可以信任它？什么时候必须质疑它？哪些地方可以让模型生成？ 哪些地方必须用规则、流程、审核和兜底逻辑来控制？
因为生成式模型天然有不确定性，幻觉也很难完全避免。 PM 的价值不是盲目相信模型，而是用产品系统设计，把不确定的模型能力封装进相对稳定、可控、可信的流程里。
第三阶段：PM 成为 AI Native 产品的缔造者
到了第三阶段，变化就不只是“给产品加 AI 功能”了。 而是产品形态本身开始被 AI 改写。 AI Native 产品不是传统软件，也不是完全临时生成的即兴软件。 它更像是介于两者之间的一种新软件形态： 有稳定的产品系统，但内部可以根据用户意图动态决策和任务编排。
它至少有三层，第一层是意图层，用户不再只是点按钮、填表单，而是表达目标。 比如：
- “帮我把这次用户访谈整理成产品机会点。”
- “帮我监控这批 KOL 视频发布后的数据表现。”
- “帮我找出这个项目延期的主要风险。”
第二层是编排层，也就是 Agent 真正工作的地方。 它要判断任务怎么拆，哪些步骤由模型做，哪些步骤调用工具， 哪些步骤需要用户确认，哪些步骤必须走确定性逻辑，失败时怎么重试， 信息不足时要不要追问。
第三层是执行层，比如查询数据库、调用 API、创建任务、更新 CRM、支付、预订、发送消息。 这一层越确定，整个系统越可靠。
所以 AI Native 产品不是“所有事情都交给 AI”。 恰恰相反，PM 要判断：哪些环节需要 AI 的理解和生成能力，哪些环节应该交给确定性的系统能力， 哪些环节必须让人确认。
这也引出了一个非常现实的问题： Human-in-the-loop 不只是体验问题，也是责任问题（需要人“背锅”）。 AI 可以帮你生成邮件，但发送前最好让人确认。 AI 可以帮你规划旅行，但扣款和下单必须确认。 AI 可以辅助医疗判断，但不能直接替医生下诊断。 所以 PM 需要设计清楚： 哪些是 AI 建议，哪些是 AI 执行，哪些必须人类确认。
第三阶段的 PRD 也会变化。 以前 PRD 写用户需求、功能流程、交互规则、异常状态。 但 AI Native 产品的 PRD 还要写： 评估标准、兜底逻辑、评测数据。 AI 输出什么叫好？模型不确定时怎么办？工具调用失败时怎么恢复？ 高风险操作前要不要强制确认？ 有没有典型任务集、边界案例、高风险案例、多轮对话案例？ 没有这些，AI 产品就很容易变成“这次看起来还不错”，但不知道整体有没有真的变好。
第四阶段：PM 成为后 AI 时代的价值定义者
我觉得这是整场分享里最重要的一层，对 PM 的理解就是返璞归真： AI 时代产品经理的赢家，不一定是最懂 AI 的人，而是最懂用户的人。 因为模型能力会越来越普及，工具调用会越来越普及，Agent 架构也会越来越普及。 最后真正稀缺的，反而是：
- 你是否理解用户真实处境？
- 你是否知道什么问题值得被 AI 解决？
- 你是否知道哪里不应该过度 AI 化？
- 你是否能判断一个功能是真的帮用户，还是只是制造“智能感”？
不是所有需求都适合 AI。 有些问题适合 AI：
- 信息过载，需要理解和筛选。
- 流程复杂，需要任务拆解。
- 内容生成成本高，需要辅助创作。
- 用户表达模糊，需要意图理解。
- 个性化很强，传统规则难以覆盖。
但也有很多问题不一定适合 AI：
- 用户更需要确定性和控制感。
- 错误成本极高。
- 用户本来就可以很快完成。
- AI 介入反而让流程更复杂。
- 用户不希望被自动判断、自动推荐、自动引导。
所以成熟的 AI 产品经理，不是看到什么都想 AI 化，而是有克制感。 知道什么值得 AI 介入，也知道什么应该保持简单、透明、可控。
最后
最后，还提到了一个 AI 时代每个产品经理都应该反复问自己的问题： 你的 AI 是让用户感觉到被尊重了，还是被操控了，还是被利用了？
好的 AI 产品，不是让用户一直感受到“这里用了 AI”。 而是让用户觉得： 这个产品很懂我。 这个流程很顺。 这个建议来得刚刚好。 它帮我省了力，但没有剥夺我的控制感。 它让我更好地完成目标，而不是让我被算法牵着走。
所以 AI Native 产品经理的成长，可能不是越来越像一个技术专家，而是越来越像一个价值判断者。 会用 AI 是起点。 会设计 AI 功能是进阶。 会构建 AI Native 系统是能力。 但最终，真正决定你高度的，是你是否理解用户，是否有审美、判断力、共情心和责任感。
AI 时代，最重要的问题也许不是： “我会不会被 AI 替代？” 而是： “我能不能定义那些真正值得被 AI 解决的问题？”