跨职能协作

与 AI/ML 团队的协作

AI 产品开发中，PM 与 ML 团队的协作模式与传统开发有显著不同。

核心差异

维度	传统开发	AI 开发
结果确定性	PRD 定义明确结果	结果不确定，需要实验
迭代周期	Sprint 交付功能	实验 → 评估 → 迭代
交付标准	功能完成度	模型效果指标
沟通语言	用户故事、需求	指标、基准、评估集

PM 需要学会的沟通方式

不要说："我要一个 AI 功能，能自动回复用户的问题。"

应该说："我们需要一个问答功能，在客服知识库的范围内回答用户问题。成功标准是：相关性评分 > 4/5，幻觉率 < 5%，平均响应时间 < 3 秒。我们先从 Top 100 高频问题开始。"

需求文档（PRD）调整

AI 产品的 PRD 需要增加以下内容：

## AI 功能需求

### 输入/输出定义
- 输入格式和范围：
- 期望输出格式：
- 边界情况处理：

### 质量基准
- 核心指标和目标值：
- 评估数据集描述：
- 可接受的失败模式：

### 降级策略
- AI 不可用时的备选方案：
- 低质量输出的处理流程：
- 人工介入的触发条件：

### 安全考量
- 潜在风险：
- 防护措施：
- 监控告警：

AI 产品团队组成

核心角色

角色	职责	PM 如何协作
ML 工程师	模型训练和优化	定义业务目标和评估标准
数据工程师	数据管道和基础设施	明确数据需求和质量标准
Prompt 工程师	Prompt 设计和优化	共同定义输出质量标准
AI UX 设计师	AI 交互体验设计	一起探索最佳交互模式
评估工程师	构建评估体系	定义业务视角的评估维度

团队建设建议

• 早期：PM 自己就是 Prompt 工程师，用 API 快速验证想法
• 成长期：引入 ML 工程师和数据工程师，建立技术基础
• 成熟期：专业化分工，建立完整的 MLOps 体系

管理利益相关者

向上管理：教育高层

1. 管理期望：AI 不是万能的，需要时间和数据积累
2. 展示价值：用数据而非 Demo 证明 AI 的价值
3. 风险沟通：坦诚告知 AI 的局限性和潜在风险

常见误区

高层常见的 AI 误解

• "竞品都在用 AI，我们也要加"
• "买个 API 就行了，很简单"
• "AI 不就是 ChatGPT 嘛"
• "上线后就不用管了"

PM 的职责是用专业认知引导这些对话，帮助组织做出理性决策。