7.0
深览指数
职场人人都是产品经理·青青子衿··AI 生成
做了半年 AI 项目，我依然不懂 RAG，但我转岗成功了
一位有 9 年经验的 B 端产品经理复盘自己从零做 AI 配置交付提效、半年内将范本配置周期从一周多压到一两天并成功内部转岗 AI 产品经理的路径。核心判断是：AI 产品经理的壁垒不是技术名词，而是把业务环节拆到可定义指标、把校验环节提前做成闭环的能力。适合正在观望转 AI 的 B 端产品、交付型产品经理读。原文 ↗
核心观点
- ▍AI 产品经理的真正壁垒是业务经验与需求抽象能力，技术名词可以到岗后再补；AI 只是加速器和放大器，没有业务就没有落地点。
- ▍做 AI 提效不能先学名词，要先拆业务：梳理配置交付全流程、画出用户旅程图，按「必须有人参与」与「客观标准化」两条标准筛出适合 AI 的环节，再结合 AI 的文本解析能力选定「文本识别和自动配置」两个节点。
- 01项目背景是 G 端工程建设招投标解决方案，私有化部署导致交付成本极高；此前做的低代码可配置业务中台降低了二开工作量，却让配置与验证工作量占比极高，且对业务人员能力要求很高。
- 02第一版只定义了范本识别的召回率和准确率，验证时发现根本定义不了业务，因为流程还包含变量识别与配置完成环节；后来按三个环节分别拆出业务指标与准确率要求，配置环节还按组件复杂度再拆组件级指标。
- 03团队演示后没人使用。作者自己跑了数十套真实范本后发现：人工时代「配置完自己清楚配了什么，验证直接看数据」的默认结论在 AI 时代不成立，因为 AI 做不到 100% 准确，配置人员被迫全量检查，而全量检查跟自己重做一遍差别不大。
- 04解决方案是把校验环节提前，与识别、配置拼成完整闭环：明确告知哪些部分准确率高可不检查，哪些需注意，并用业务数据自动校验、标红错误项，配置人员只核对标红部分。调整后单套范本配置从一周多降到一两天，已在数十套范本上跑通。
- 05转岗准备包括用 AI 做模拟面试梳理自身能力、查新部门领导讲话确认方向一致（「以业务为主，AI 技术是放大器」）；面试时新部门也认可需求抽象能力更重要，AI 理解可以到岗后再培养。
反方 / 局限
- — 作者承认自己至今说不清 RAG 的完整技术架构、不知道 Skill 怎么实现、对 Agent 的理解停留在概念层，转岗时唯一明显短板就是 AI 技术理解，这依赖新部门愿意给培养期。
- — 整套方法高度依赖作者 9 年招投标业务积累和内部信任，作者自己也把「优先争取内部转岗」列为核心建议之一，意味着这套路径对外部跳槽或跨行业转岗的可复制性未被验证。
8 分钟 · 5 卡片 · 9 资料
读原文 →