摘要：最近我一直在深入研究 AI 在实际生产环节中提效的落地场景，过程中也发现了很多有趣的工具和实用玩法。前段时间，刚好收到「人人都是产品经理」平台的邀请，参加了他们在成都举办的线下闭门会活动，主题是《成都闭门会 | AI 驱动产品创新：从场景洞察到落地实践》，我作

最近我一直在深入研究 AI 在实际生产环节中提效的落地场景，过程中也发现了很多有趣的工具和实用玩法。前段时间，刚好收到「人人都是产品经理」平台的邀请，参加了他们在成都举办的线下闭门会活动，主题是《成都闭门会 | AI 驱动产品创新：从场景洞察到落地实践》，我作为分享嘉宾，带来了我的主题内容《效率即创新：AI 时代产品经理的一人成军》。原本现场预计到场人数是 50 人，结果来了接近一百人。

面对这么多人的线下分享，说实话当时还是挺紧张的。

但也特别幸运，分享结束后收到了很多正向反馈，与很多小伙伴也一直聊到最后，收获满满。这几天也有不少小伙伴私信我，问有没有回放链接。实话说，目前还没有，但看到这么多人感兴趣，我也在纠结要不要把这次的内容整理出来。毕竟……这是一份 114 页的 PPT，一场 40 分钟的现场分享，一份接近 1 万字的逐字稿。

最后还是咬咬牙决定，把这些内容系统整理一下，分享给真正感兴趣的朋友们。

分享一个很有意思的数据，来自麦肯锡的《工作新未来报告》

报告显示，到2030年，五年后，全球30%的工作内容将被自动化替代。

注意，这不是岗位消失，而是工作方式的重构。

我们再看前程无忧的报告，

更残酷的现实是什么呢？

行政岗的AI文字处理率已达72.35%，他们的替代焦虑也冲到了70%。

意味着每十个行政人中，七个在用AI提升效率，同时七个在害怕被AI干掉。

更可怕的是，企业间的AI差距逐渐拉大，51%的职场人只能自学求生，3分之1还没有开始了解AI。

这意味着什么？

意味着当大多数人在苦哈哈的加班工作时，别人已经在体系化的用AI来提效了。

我们看一下市面上的这些AI应用。

等等

目前市面上的AI应用至少有几千款。

这让我想起了当年玩4399小游戏的时候，一个一个点击去体验一下。

其中也会发现很多很难用没效果的产品。

现在的AI应用市场像极了15年前的山寨手机，核心体验很差，功能难用，而且冗余。

那为什么现在是这样呢？

AI层出不穷，呈现井喷式的增长，要反思技术与产业的关系。

AI正处于的应用爆发期的阶段，市场那么多的工具，每天还有新玩家入场，像极了当年的百团大战存活下来的美团，而存活下来的永远不是从来不是应用数量，而是场景重组能力。

就像PC时代留下的是office套件，手机时代沉淀下微信生态。

我现在使用AI的时候考虑的就是，我用了你这个产品，真的能给我提升效率吗？我作为产品经理，又该如何通过AI进行创新呢？

之前我读湛庐阅读的一本书《把思考作为习惯》

书中提到创新的三大要点是：创造余闲、思想流动、跨界思考。

就是创造空余时间，做更多的思考，我们看产品经理一天都在做什么？

包括需求文档，原型设计，做数据分析，跨部门的沟通，甚至救火等等。

创新不是背着KPI, 天天苦哈哈的埋头苦干，创新，一定是要在百忙之中创造出一定的余闲。

如何创造余闲，本质上是效率的问题。

我这次分享的三件事就是效率，效率还是效率。

思考个业务问题：

如果你在海外要做一个本地同城及时配送的业务，你要如何开始？

什么是本地同城即时配送业务？

就是美团外卖、饿了么的配送服务。

我曾做的一个本地生活行业的出海项目，通过国内的产业以及国外的运营团队，结合在澳大利亚Wodonga这个城市去落地。

这个不足5万人口的小镇，外卖市场规模甚至不及北京的一个小区。

但这样的市场上，我们也是花了至少半年的时间才完成了市场的认证。

也用了一些产品方法论，比如说像波特五力法、SWOT分析，五层九维法、波特竞争三要素等等方法去验证市场。

这些东西收集完差不多6个月过去了，业务可行性评估后，确定这个业务能做，我们主打三枪。

第一枪是竞品分析。

在海外也有类似于像国内、美团、饿了么这样的大厂。

比如说像Menulog、UberEats, 还有DoorDash。

当年去拆Menulog的配送逻辑。

下了很多单的外卖拆解他们的APP功能,

也去访谈了一些合作的餐厅，最后整理了竞品分析的数据库。

结合了五层九维法这些去方法论去做拆解。

第二枪是合规性。

也是真金白银的学费交在了合规性方面。

海外的劳工组织对打工人的保护是非常严格的，所以企业的用工成本非常高。

我们去拜访了很多的律所，并且访谈了很多的骑手，最后才理清像薪资结构、保险方案、工时限制等等这些关键的要素。

第三枪冷启动。

像我们国内的主流的社交媒体是微信，在澳大利亚主要是facebook。

我们为了说服第一家的合作餐厅，也找了很多的老板，最后也是聚焦到一个烧烤店的老板上，帮他们做线上，facebook的推广。

过程中也出了很多的方案点子，甚至帮老板重做了这些像线上的菜单，规划客单价、出餐时间等等。

做成了这一个客户了以后，我们也去盘算了一下这个时间点。

我们从开始调研到最后业务确认能做，整整是花了六个月的时间。

再后来ChatGPT出来了，为什么我们常把2022年成为人工智能的元年呢？

因为22年现象级的大模型ChatGPT3.5出来了，到了2023年4.0出现后开始爆发。

当我第一次用GPT的时候，我就把我们之前的疑问，还有一些待调研的东西都去问了一遍。

我的第一反应是这太酷了，那和我们采集的结果85%以上是匹配的。

虽然，85%已经足够惊艳了。

但在我们做市场调研的时候，我们一定去不要完全相信大模型。

那有可能15%的错误上导致你整个项目跑偏甚至直接做死。

很多时候还是要去我们去人为的去做验证，并且还能提升你的自己的这个市场的感觉，竞品的感觉，去培养你的产品感觉。

这个时候我就比较焦虑了，那ChatGPT4.0 出来了以后，我们用AI工具复现同样的同样量级的市场调研周期压缩了接近50%。

传统的产品路径需要穿越【数据荒漠】，80%的时间都耗在了信息收集上。

所以此时的AI改变的不只是信息收集的方式，更是商业上的一种快速试错、降低成本的方法。

当需求调研变成数据爬虫的狂欢

当界面分析演化成智能体的对决，当原型设计进化为提示词工程，那产品的护城河在哪里呢？

在AI时代，思考方式才是终极武器，我们要做的是思维模型加效率革命。

当年我们用的SWOT分析、波特五力、Kano模型，本质上都是经过验证的思维框架。

我的行动就是，总要在面对AI的到来做点什么。

我也结合了自己的一些产品经验，输出了我的第一门系列课程，上架到了起点学院中。

但AI发展的太迅速了，即便当时已经用了最前沿的方式，那现在看来也是稍微有点过时。

比如说，课程中，国内外大模型我分别用的智谱清言和ChatGPT4o，而现在国内主流的模型是DeepSeek，所以只能持续的去输出内容。

在做这门课程的过程中，我一直在思考到底，现阶段的产品到底要做一个什么样的产品经理呢？

我也做了了很多的验证，从结果上来看就是做专业高效的产品经理。

通过模型方法论、底层思维、逻辑思维跟框架，借助AI的能力去提升效率。

因为对于AI来说，使用者的边界边界，使用者的专业知识边界决定AI效能。

再往后，时代又变了。

随着业务的发展，积累的数据也越来越多。

请问在座的各位有多少人每天需要和数据报表打交道？

那我再问一个扎心的问题，又有多少人曾经因为技术团队排期太长，恨不得自己动手写SQL？

分享个案例：一件小事儿促成一个系统。

曾经我们做过一个业务，就是这个业务的数据很重要。

但是由于排期迭代紧急，所以报表还没有完善。此时，业务已经上线，业务方跟产品都觉得某个数据指标很重要，马上就要。

开发跟我们说，虽然这个数据统计比较复杂，但是，是没有问题的，但是排期到两周后..

了解我的同学可能知道，我一个技术出身，做移动端开发，还是有一点技术功底的。

做技术的时候，我目标是做一个全栈开发。

到后来我了解了产品这个岗位了以后，我发现一个产品能不能成功，做产品比全栈开发重要多了。

由于技术说，排期2周，我根本等不到那么久，我默默的打开了我的Navicat（数据库查询工具）,花了我一天的时间，包括30分钟构思指标逻辑，6个小时梳理表关系，调试SQL报错，1个小时跟技术扯皮，字段命名规范问题，最后发现SQL能跑，但查错了。

那我盘点了一下我的技术栈，我的SQL的能力就仅仅局限于基础的查询：

SQL:

SELECT * FROM WOSHIPM WHERE name LIKE ‘%yyds%’

ORDER BY、

GROUP BY、

LEFT JOIN

现在我有什么能力加持呢？

那就是AI.

当我跟AI对话交流SQL查询以后，我发现他竟然有代码解释的能力的。

就相当于我刚刚会乘法口诀，我现在就能去求导数了。也是在做AI的加持下，我能够高效输出更多的报表跟查询。

看个报表案例：

以我们做的一个商品转化率及分享率分布的一个查询来说，猜一猜这么一张查询报表开发需要多久？

如果是一个传统的团队来做一张报表，需要前端后端测试，大概3到5个工作日，一周的时间才能测试现在上线。

现在，通过AI需要多长时间呢？

6个小时。

那我们再看一下这个RFM客户价值分析这张表，

他也是通过各种维度。

这一张表也是在传统模式可能要开发个2到3天。

现在通过AI，可能就需要3个小时就能完成。

当然了，作为一个BI的报表系统，

不只是去我们去用AI来提升我们产出查询的效率。

更重要的其实就是我想说的，

通过AI加传统的工具来提升我们的效率。

比如说报表系统传统的工具有什么？

像Tableau、Power BI、帆软以及衡石BI报表。

他们在核心定位、集成能力、指标平台、部署模式、目标客户跟定价模式上都有一些不同。

也就是基于此，我们通过AI加BI的方式，来推进了我们各个业务的BI系统。

包括电商、互联网、医院、财务、人资我们各个岗位各个部门的一些相关的数据统计。

这个意味着什么呢？

意味着曾经需要8个小时的脏活，现在30分钟就能搞定。

意味着当业务方拍桌子时，你可以微笑着回答，能不能给我一首歌的时间。

那时候我说我又焦虑了。

有的团队用AI可以三天上一个功能；而有的团队手动改代码要三周。有的团队让AI做苦力，其他精力去发现一些新的idea；而有的团队还在为系统报错而抓狂。有的团队已经在熟练的使用智能体矩阵、Rag、甚至微调模型了；而有的团队甚至还苦于和DeepSeek沟通时出现服务器繁忙。

这不是工具的差距，是石器时代跟三体文明的代沟，任何一个暴露技术代差的团队，都会被逐渐淘汰掉。

此时，AI时代的人机共生能力，我总结为一个金字塔模型。

底层基础是LLM、GPT等，大模型需要提示词对话能力。中间层就是SQL、Markdown、Python等中间语言能力。

上层就是工具层，像Figma、Cursor、Coze、BI等工具的驾驭能力。

你是否有过这样的经历？

明明还有一堆事情要做，并没有完成，内心非常焦虑，却无法将目光从手机上移开。

永远觉得时间不够用，不够时间工作不够，学习不够，时间玩不够，时间休息。

这不得不提到一个词儿叫时间管理了。

上一次时间管理的包裹还是2020年一个姓罗的艺人的一个梗，转眼间5年过去了。

说到时间的管理，我们反观管理方法的演进。

像早期胡萝卜加大棒，通过奖惩的方式来影响员工的行为跟绩效。

等到20世纪中期20世纪中后期通过KPI与公司的战略目标和关键的业务结果直接相关。

KPI是被动的目标。

到了现在很多比较，到现在很多公司通过OKR的方式来制定明确的目标，设定关键的结果，通过主动的方式来衡量当前的目标是否实现。

更多的适用于创新企业，还有敏捷开发的这种环境。

公司通过KPI、OKR的方式管理员工。

每个人的产品都是自己，每个人都要对自己负责。

所以管理的方法同样也适用于自我管理。

OKR的本质是目标，管理也是被忽视的计划管理。

通过更主动的方式管理时间、精力、计划，甚至人生。

OKR是什么：

我们要做的明确个人的目标，明确每个过程，每个目标达成的可衡量的关键结果。

下面我们也去看一些好玩的例子。

中国速度不只有基建，还有开学前补作业。

毕业答辩前，你的论文是什么时候交的呢？

工作以后，deadline第一生产力。

作业没写完，开学前还有一天补救的机会；

论文没写完，至少还能延迟毕业；

工作没做完，至少还能换个地方重新开始，

但是人生只有一次，谁能给我们机会重新开始呢？

在AI时代，我们应该如何通过AI来做时间管理呢？

在我一些应用来看，是智能体加工作流。

智能体是什么？

智能体 = LLM + 规划能力 + 记忆力 + 外部工具。

结合工作流来做落地提效工具。

智能体的核心能力自我决策、环境感知、动态响应。

工作流，流程编排规则固化，顺序控制。

智能体的本质是做任务，工作流的本质是流程。

知道了AI时代要通过智能体加工作流的方式来提升时间管理的效率。

所以就要反推智能体加工作流，我们该做什么。

核心就是任务拆解加SOP。

目标拆解的方法是遵循smart原则：

比如以我为例，我在2022年给自己一个立了一个目标，这目标是什么呢？

当时我看在人人都是产品经理平台上，我看很多专栏作家他们发的内容我觉得都好专业，很有深度。

那具体明确我要成为一个什么样的人，我应该做什么样的事儿。

所以我定的一个目标我要在五年以内，最晚2028年成为人人都是产品的专栏作家。

那可衡量可判断是什么，

每个月至少发一篇高质量的文章，每个季度至少有一篇文章被推荐，这个结果是可量化的。

那可达到的是通过努力是可以达到的：

比如说通过数据分析来看，我在2020年到2022年，发布文章被推荐率是9.1%。

只要我发的多，发的够深度，是可以达到这个目标的。

另外与目标相关性，当前的这个目标跟我整体的目标是一致的。

比如说我想成为一个独立思考的人，需要具备独立思考的思维，阐述独立思考的内容。

那这个时间节点五年内成为专栏作家。

有了这个目标拆解了以后就要做一个目标的规划。

比如我一般是一个三年一个规划。

那这里要注意的，你的规划跟目标最好是具备一定的连续性的。

确认目标，确定自己期望拿到的结果。

比如说你的工作五年以后应该是什么样的，有一个什么样的成就，有什么样的结果。

然后拆解年度，我是分为四个维度，比如说取势、明道、优术跟炼器。

取势是什么？

对一些相关的行业公司及岗位做一些基础了解。

我的KR做相应的行业分析，输出行业分析报告。

明道思维层的提炼，

近几年的一些产品的逻辑提炼，并且提升智能感。

什么是智能感呢？

在我们做互联网的时候，要更多的网感。

到了AI的时代，我们要的智能感。

此时的KR输出内容，在相关的一些平台上，输出模型跟方法论。

优术层我的O是复盘方法，工具总结内化。

KR结合自身的项目做一些内容的输出，结合自身的项目案例做一些内容的输出。

炼器是工具层的维度。

磨刀不误砍柴工，做一些充分的准备。

KR时利用好奇心掌握各种AI工具，拆解到月度，每个月应该做什么，落地到周每一周每一天大概的一个规划。

每周的任务做完了，简单的复个盘，看看哪些完成的不足，哪些做的比较好。

OKR的目标是跟踪，要在每个月过去以后做每个月的复盘，制定下个月的计划，没完成的，下个月就去多一点精力去完成。

所以这是一个我的时间管理SOP, 先拆解目标，去分配到每个月，每周到每日每日每周结束以后做一个复盘，每个月结束以后做一个复盘，以此去做一个动态的调整。

最后去做一个工作流出来。

后续我在做时间管理的时候，也不需要去自己去看里面的细节，而是直接通过AI的方式来给我去输出一个时间管理的方案的。

这个时候我们思考一个问题，每周做完计划时，信誓旦旦，意气风发，感觉自己又行了。

但是真正真的每周都能这么完美吗？

OKR的目的是通过自去拿，结果自去又能坚持多久呢？

那如何高效拿结果提升竞争力呢？

这时间管理的事儿了。

所以我们思考一个问题，时间管理真的只是管理时间吗？

那时间管理的三件事是什么？

能力管理、精力管理跟管理时间。

【能力管理】的核心是找到规律。

每个人的工作本质上讲的是有规律可循的，通过模式识别找到它的规律，变成标准，然后固化，最后精进。

比如说我刚接触工作流的时候，第一周使用工作流的方法，用了整整的一天去学习这个工作流，去搭建工作流；那到第二周我搭建的工作流可能就用了3个小时；第三周继续搭建，可能就1个小时；第四周我去做一个优化，可能就花了十分钟。

时间管理的第二件事儿精力管理。

精力管理的核心时间块。

比如我们看一下，一天我们都在做什么。

比如说睡眠8小时，工作8小时，吃饭2个小时，还要去刷刷手机，打王者；有玩的同学可能要再带娃。最后留给学习跟创新，还有时间的吗？

如果不对精力进行管理，会陷入时间不够用的泥潭中。

所以实现精力管理的核心是去做时间块。

比如说区分2小时、一小时、30分钟的时间块。

两小时做一些长时间专注的任务。

比如写文章，做研究

一小时是一定专注的。

比如1个小时内能完成的，像读书或者处理业务需求。

30分钟碎片化的工作。

比如说看看资讯做一次复盘。

那时间管理的第三件事儿聚焦当下。

传统的工具像做任务清单管理的，苹果备忘录、omini focus、手机自带的日历，Mac自带的便签、重要紧急四象限线等等。

那工具千千万在人用的时候人都麻了。

所以在AI时代，我更多的工具是 Dify + 滴答清单。

用来Dify去制定每月每周的计划的梳理，分门别类的去整理复盘，提醒，每周去每周看两次，每个月额外再看两次。

通过Rag的投喂让这个工作流更了解我。

滴答清单记录任务的面板重要紧急四象限，弹性任务及动态的调整。

每天看自己的任务面板清空任务的时候，特别心流，很踏实，不焦虑。

当前AI工作流上面有很多的平台可以用，

比如说像Dify、FastGPT、Ragflow。

那也我也是在我也去调研过不同的工作流平台，他们在不同维度的一些对比。

维度包括：人员管理、模型管理，三方工具，知识库应用管理等等。

这里如果还没有了解过智能体跟工作流的同学，可以去了解一下Coze，因为扣子的生态也还不错。

虽然是一个闭源的产品，但对于新手小白上手来说还是很友好的。

像Dify工作流中还能做一些很多的插件儿。

我们说了这么多的AI产品，还有AI工具。

我们结合下表自我反思一下，当前的AI时代，你是是哪个段位的产品？

所以我想说的每个人都知道有一套专属于自己的工作流。

现在AI的使用成本已经很低了。

比如说最开始我们通过提示词的工程，来去跟AI直接对话了。

慢慢的开始可以使用Rag，通过父子检索跟融合，来补充外部数据库不足的这个需求。

比如说像Rag在Dify里面就可以通过父子检索的模式，让Rag的检索能力变得更强，

到现在可以用更多的一些模型的工具做一些模型的微调，来提升模型的应用能力。

在像硅基流动这样的平台上，有足够的结构化的训练数据，就可以去训练你的模型。

现在训练的成本都是特别低的，很多的工具可以进行模型微调：Kiln、PEFT、Hugging Face、LLaMA-Factory..

现在人工智能一个有趣的比喻是什么？

人工更多的通过人为的方式去整理这些结构化的数据，训练给大模型最终成为一个GPT产品。

我现在不允许你不知道的一个平台Hugging Face.

Hugging Face里面是什么，它是集成了模型、数据集跟试用空间的适平台。

试用空间能够在上面看到很多主流的这些AI的产品。

能在这个平台上直接来使用，比如说是像换装的这个产品，直接在现场平台就能体验。

如果觉得这个产品，这个模型是适合你公司场景的，你可以直接把模型本地化部署。

另外Datasets这个里面是很多开源的一些结构化的数据。

比如说是像成语的数据，成语的翻译等等。

另外Model上面，也是我们能看到很多一些主流的开源模型，包括阿里的模型，DeepSeek, 还有Google的模型。

现在我们能看到目前，开源的数据模型的数量达到了152万个。

另外最近爆火的AI编程工具Cursor，也是随着底层的大模型的claude3.5和3.7的发布，让工具更实用。

在claude3.5的时候，在开发编程中已经提升了很大的进步，也能也去做一些生产环节的内容。

到了3.7AI的编程结果，变得更好，在这个时候甚至都能去做一些产品原型的设计。

Cursor还能去做自动安装环境，去写代码生成高保真的原型。

去年我也是买了一块儿4060，那时候1块4090，大概是1万刚出头，11000多，觉得有点奢侈，就没有买。

到今年像DeepSeek这些大模型能做本地部署的时候，我想自己也玩一玩，整块4090去做本地部署。但此时我发现4090的价格已经在当时的基础上价格翻倍了。

这个什么时间节点？

看百度的趋势研究，在今年年初1月25日左右，DeepSeek开始爆火。

DeepSeek开始爆火了以后，英伟达的股价应声下跌。

当时是因为大家说大模型的训练成本被DeepSeek打下来了。

原来训练一个GPT4可能需要6千万到1亿美元的成本。

现在训练一个DeepSeek, 可能通过蒸馏的方式，只需要花费500万的成本。

但是真的是这样吗？

彼时彼刻，恰如此时此刻，18世纪瓦特改良蒸汽机时，纺织厂纺织厂主们曾狂曾恐慌，机器人生产效率翻倍。

我们还需要建更多工厂吗？

但历史给出了相反的答案，当蒸汽机成本从天降，从天价降至中小企业可以承受时，全英国工厂数量数十年暴涨300倍。

燃煤需求不增反降，那当时的燃煤需求就是现在的显卡需求。

DeepSeek让每个中小企业能够具备本地部署大模型的能力。

未来AI的算力需求一定是不降反增的。

所以，不要因为新技术的出现而焦虑，历史的经验告诉我们，新技术的出现会极大提高生产品，我们要拥抱新技术，而不是成为被时代甩在身后对的人。

我们站在时代的风口上，正见证着文明史上第四次工业革命的发生

所以我的总结AI时代的产品经理，不会是最会用工具的人，而是会用工具创造工具的人，这是一人成军的最终形态。

本文由 @张文靖同学 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自分享现场

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

来源：人人都是产品经理