即刻App年轻人的同好社区
下载
置顶传统软件公司转型 SaaS 的过程中，早期蛮多巨头都掉队了不少，核心原因不是客户需求突然变了，也不在于产品能力上“做不到”，因为前台几乎没有差异，甚至 SaaS 公司一开始的产品功能（包括交互 UI）反而是抄的传统软件公司，比如 Workday 抄 Oracle
核心在于 “看不到”，首先是看不到（上）每年交几百万美金本地部署的头部客户之外的中小客户，其次是看不到客户成功（SaaS 公司甚至设立了专门的岗位）的本质，因为客户业务在动态变化，这段时间业绩好就多用一点，其他时间业绩差就少用一点，最重要的是需求也会发生些微变化，这就要求软件公司及时更新产品
我倒不是埋汰当年传统巨头的认知，因为“看不到” 很正常吧，毕竟短期付费能力低，事还多，这账咋算…
然而从事后的结果来看，“看不到” 丝毫不影响部分巨头的后来居上，比如 Microsoft 推出 office 365，Intuit 推出 QuickBooks Online
其中的原因我想一方面是传统软件升级到 SaaS 的技术问题并没有想象的那么大，换句话说，只要是技术问题就都不是问题，就像公司业务讨论会时技术负责人揶揄产品负责人时说的那句话：只要能想清楚，我们就能做出来
另一方面是原始积累，这包括客户积累和财务积累，前者能提供需求输入，后来可以买买买
如今 AI 的问题是，几乎所有的公司都 “看得到” AI 对于业务的价值，但却没多少人真正 “做出”了那个让人眼前一亮的产品。可问题是，即使新兴的 AI 公司做出了这个产品，其中什么要素的变化能让巨头 “做不出来” 呢
核心在于 “看不到”，首先是看不到（上）每年交几百万美金本地部署的头部客户之外的中小客户，其次是看不到客户成功（SaaS 公司甚至设立了专门的岗位）的本质，因为客户业务在动态变化，这段时间业绩好就多用一点，其他时间业绩差就少用一点，最重要的是需求也会发生些微变化，这就要求软件公司及时更新产品
我倒不是埋汰当年传统巨头的认知，因为“看不到” 很正常吧，毕竟短期付费能力低，事还多，这账咋算…
然而从事后的结果来看，“看不到” 丝毫不影响部分巨头的后来居上，比如 Microsoft 推出 office 365，Intuit 推出 QuickBooks Online
其中的原因我想一方面是传统软件升级到 SaaS 的技术问题并没有想象的那么大，换句话说，只要是技术问题就都不是问题，就像公司业务讨论会时技术负责人揶揄产品负责人时说的那句话：只要能想清楚，我们就能做出来
另一方面是原始积累，这包括客户积累和财务积累，前者能提供需求输入，后来可以买买买
如今 AI 的问题是，几乎所有的公司都 “看得到” AI 对于业务的价值，但却没多少人真正 “做出”了那个让人眼前一亮的产品。可问题是，即使新兴的 AI 公司做出了这个产品，其中什么要素的变化能让巨头 “做不出来” 呢
8 010
10 311
回看读书笔记，写下的第二篇随想来自《邓小平传》
去年中跟我爸去了趟南昌，纯属临时起意。当时我正在看《邓小平传》，书里有段画面：在政治的低谷期，家人被迫害，老人家什么也干不了，就在住所周围绕着屋子走，一圈又一圈，白天走到黄昏。
这样的画面反复萦绕在脑海，于是决定也去走几圈。
那天南昌的闷热比我想象中更厉害，扑面而来的湿气比广东还要重。也许正因这份闷热，更容易让人想起某些被时光炙烤后的记忆。想着老人家当年无事可做，又无法离开，就在那个小院里，一次又一次、日复一日地踱步。一个日后改变了国家走向的人，曾用如此简单、重复的方式面对命运的沉浮，这听起来总带点不可思议。
跟我爸围着屋子转，脑海里又想起书中那段问答：
一家团聚后，老人家的女儿问：“红军长征时，你是怎么过来的？”
老人家说：“跟着走。”
那在江西这段时间呢？
他说：“一直等。”
我不太清楚他走圈时会想些什么，或许那会儿的他，就是在这小小的院子里一边绕圈，一边将诸般思考烂熟于心。后来重回政治舞台，再到推动改革，或许正是那段日日绕圈的沉默里，锻造了他灵活、务实而又不失坚韧的风格。
我爸一路走在前头，一言不发。他是个经历过计划经济尾巴和市场化浪潮的人，90 年来到深圳打拼，总对这片土地的变迁有着沉默的感触。或许，他也在想象当年那个在巷口转来转去的小个子老人。
“跟着走，一直等”既是逆境下的不甘，又是等待中酝酿的爆发。那些绕圈的日子，看似重复，却在沉默中改写了自己，也预见了时代。
去年中跟我爸去了趟南昌，纯属临时起意。当时我正在看《邓小平传》，书里有段画面：在政治的低谷期，家人被迫害，老人家什么也干不了，就在住所周围绕着屋子走，一圈又一圈，白天走到黄昏。
这样的画面反复萦绕在脑海，于是决定也去走几圈。
那天南昌的闷热比我想象中更厉害，扑面而来的湿气比广东还要重。也许正因这份闷热，更容易让人想起某些被时光炙烤后的记忆。想着老人家当年无事可做，又无法离开，就在那个小院里，一次又一次、日复一日地踱步。一个日后改变了国家走向的人，曾用如此简单、重复的方式面对命运的沉浮，这听起来总带点不可思议。
跟我爸围着屋子转，脑海里又想起书中那段问答：
一家团聚后，老人家的女儿问：“红军长征时，你是怎么过来的？”
老人家说：“跟着走。”
那在江西这段时间呢？
他说：“一直等。”
我不太清楚他走圈时会想些什么，或许那会儿的他，就是在这小小的院子里一边绕圈，一边将诸般思考烂熟于心。后来重回政治舞台，再到推动改革，或许正是那段日日绕圈的沉默里，锻造了他灵活、务实而又不失坚韧的风格。
我爸一路走在前头，一言不发。他是个经历过计划经济尾巴和市场化浪潮的人，90 年来到深圳打拼，总对这片土地的变迁有着沉默的感触。或许，他也在想象当年那个在巷口转来转去的小个子老人。
“跟着走，一直等”既是逆境下的不甘，又是等待中酝酿的爆发。那些绕圈的日子，看似重复，却在沉默中改写了自己，也预见了时代。
16 29
上周给 Figma CEO 反馈了个 bug，过程中来回转了 6 个人，5 天时间才搞完，想到人正在过节，多少弄得我有点不好意思了
起因是公司之前有两个域名，因此一个 Google 账号下绑定了两个不同后缀的邮箱，其中老域名到期后对应的邮箱不能再用了。一直是用 Google 授权登录 Figma，这次照常走授权流程的时候，因为老的不能用只能用新邮箱，点击 Confirm 那一下心里还在想：这傻孩子不会给我创建个新账号吧，果不其然，一个白花花的新账号出现在眼前，原来人账户体系设计的是跟 Email 走的，不是 Google ID
再看其他 SaaS 产品，Notion 做得相对好一点，可以通过新邮箱进来，但 Push 还是发到老邮箱了，因为并没有把邮箱更新过来，也不支持手动改。完全符合预期的是 Slack，能正常进来，验证完新邮箱后系统里的邮箱也更新了
透过账号体系这个“小事”去看，显然 “Notion” 和“Figma” 并没有准备好面向企业级客户，PLG 上瘾后苦活累活也得干啊
Slack 对于这些低频场景的重视，跟它一开始就定位企业协作市场不无关系，企业场景下，不管是员工离职、部门重组还是更换域名，账号体系都会频繁变动，核心身份验证和权限管理自然得下足功夫。反观 Figma、Notion 这些产品，前期更多是围绕创意协作本身去打磨，追求的是产品创新上的 “出圈”，账号体系的建设优先级就放的比较低了
可一旦用户规模扩大、需求多元化，尤其是不得不重视企业级市场的时候，这块‘底层内功’就得补上——毕竟数据安全、用户顺畅迁移、组织级管理等都需要强大的账号体系支撑。只有先保证‘谁是谁’，才能让一切创造力和协作的火花落地生根
起因是公司之前有两个域名，因此一个 Google 账号下绑定了两个不同后缀的邮箱，其中老域名到期后对应的邮箱不能再用了。一直是用 Google 授权登录 Figma，这次照常走授权流程的时候，因为老的不能用只能用新邮箱，点击 Confirm 那一下心里还在想：这傻孩子不会给我创建个新账号吧，果不其然，一个白花花的新账号出现在眼前，原来人账户体系设计的是跟 Email 走的，不是 Google ID
再看其他 SaaS 产品，Notion 做得相对好一点，可以通过新邮箱进来，但 Push 还是发到老邮箱了，因为并没有把邮箱更新过来，也不支持手动改。完全符合预期的是 Slack，能正常进来，验证完新邮箱后系统里的邮箱也更新了
透过账号体系这个“小事”去看，显然 “Notion” 和“Figma” 并没有准备好面向企业级客户，PLG 上瘾后苦活累活也得干啊
Slack 对于这些低频场景的重视，跟它一开始就定位企业协作市场不无关系，企业场景下，不管是员工离职、部门重组还是更换域名，账号体系都会频繁变动，核心身份验证和权限管理自然得下足功夫。反观 Figma、Notion 这些产品，前期更多是围绕创意协作本身去打磨，追求的是产品创新上的 “出圈”，账号体系的建设优先级就放的比较低了
可一旦用户规模扩大、需求多元化，尤其是不得不重视企业级市场的时候，这块‘底层内功’就得补上——毕竟数据安全、用户顺畅迁移、组织级管理等都需要强大的账号体系支撑。只有先保证‘谁是谁’，才能让一切创造力和协作的火花落地生根
10 212
这几天在看今年的读书笔记，趁着这段时间分享欲爆棚水几篇感想，这是第一篇，源自今年初又重新看了一遍的《为什么伟大不能被计划》。
这本书是去年出版的，联想到这两年 AI 领域的宏大叙事，多少有些微妙的互文关系。书里的核心观点是“你越是盯死了某个终极目标，往往越难拿到真正的珍宝”，而实际上真正能拿到宝的人，都是在 “搜集踏脚石” 里不断试错，一路踩到惊喜。
一开始作者们就提醒：越是雄心勃勃、远在天边的目标，越容易在执行过程中变成 “错误的指南针”，让我们错失沿途那些至关重要的踏脚石。书中最经典的案例是：如果有人一开始就决心要 “繁育” 出埃菲尔铁塔的图像，那么往往以失败告终；反倒是在图片孵化器网站上不设终极目标、只是觉得某张 “外星人脸” 好玩而保留下来，才意外演化出之后的 “汽车图片” 等看似毫无关联却极具价值的结果。这个实验充分说明 “目标的欺骗性”——只要你死盯着那条 “最优路径”，就很可能没看到可能性迸发的其他岔路。
回到现实中的 AI 领域，OpenAI 的崛起其实就有类似的味道。早年它在人工智能行业里，头顶上是 Google、Meta 等大厂的庞大资源，全栈式研发生态摆在那儿。可 OpenAI 最终靠 ChatGPT 一飞冲天，背后的过程就是在不断试验各类模型、算法、策略优化的过程中，一步步踩着 “踏脚石” 往前。
• 从 GPT-1 到 GPT-2，再到 GPT-3 及其指令微调、插件化尝试，乃至于后来的 GPT-4，每一个版本的出现都不是一开始就板上钉钉的 “我要干掉某某大厂”，而是前一步的积累给了他们 “下一步” 的灵感和素材。就像书里强调的：“当我们放下对目标的执念，保留对新奇事物的开放态度，反而能走出更远。”
• 在 OpenAI 这里，你看不到他们一开始就高喊 “必须在对话式 AI 上彻底 PK 掉 Google、Meta” 的口号，而是投入了大量精力去打磨 Transformer 架构、自注意力机制、强化学习训练技巧等若干 “基础难题”。对比作者在书中多次提到的 “踏脚石收集器” 概念，OpenAI 正是在 “收集” 一个又一个小迭代的过程中，把大模型越做越扎实，最终脱颖而出。
如果说 OpenAI 是 “从小到大” 在探索踏脚石，那么近期 DeepSeek 则是在 “算力受限” 的局面下玩出了一个更大胆的踏脚石花样，跟书里 “外星人脸 -> 汽车图片” 的那种 “意外收获” 有异曲同工之妙。
• DeepSeek V2 的时候，大家还觉得它不过是 “便宜模型”，走低成本普惠路线。结果 V3 仅仅用了两个月、2000 张 GPU，费用 600 万美元左右，就做到对齐 GPT-4o 和 Claude 3.5 Sonnet 的水平。这让英文圈子惊呼 “不可思议”——这不正好对应书里说的，“在看似不可能的限制下，反而会诞生新的踏脚石”？
• 由于算力被卡，DeepSeek 不得不想方设法在框架和训练策略上打磨，逼出来的创新不仅没有妨碍性能，反而在【新奇性搜索】思路下形成了更优解。DeepSeek 团队原本就有量化交易背景，对算法的理解更深，最终把各处资源聚合到一块，摸索出新的路径—— “无数人将一个又一个‘图片分支’汇总，意外生成出别具一格的杰作” 如出一辙。
借用《为什么伟大不能被计划》里的结论：“越是想跳到终极目标，越容易被它耽误；反而是在 ‘这块踏脚石上先踏稳，再顺势摸下一块’ 的过程里，最容易捡到宝藏。”
• 书中提到，如果只盯住壮志凌云的 “高大上目标”，就好比给自己戴上了有色眼镜，看不到周围那些看似偏离轨道、却可能通往惊喜的方向。
• 对于 AI 创业和产业格局来说，踏实地聚焦 “局部创新”，在每一小步都做好积累，往往会走出一条别人想不到的快速迭代之路。看似最难、最边缘、或最不被看好的路径，反而可能是最大捷径。
借用作者的话来说，“我们不需要目标来指明伟大的方向，我们需要的是踏脚石，以及对新奇与意外保持开放”。在意想不到的时刻，所谓的 “珍宝” 就会自己出现。
这本书是去年出版的，联想到这两年 AI 领域的宏大叙事，多少有些微妙的互文关系。书里的核心观点是“你越是盯死了某个终极目标，往往越难拿到真正的珍宝”，而实际上真正能拿到宝的人，都是在 “搜集踏脚石” 里不断试错，一路踩到惊喜。
一开始作者们就提醒：越是雄心勃勃、远在天边的目标，越容易在执行过程中变成 “错误的指南针”，让我们错失沿途那些至关重要的踏脚石。书中最经典的案例是：如果有人一开始就决心要 “繁育” 出埃菲尔铁塔的图像，那么往往以失败告终；反倒是在图片孵化器网站上不设终极目标、只是觉得某张 “外星人脸” 好玩而保留下来，才意外演化出之后的 “汽车图片” 等看似毫无关联却极具价值的结果。这个实验充分说明 “目标的欺骗性”——只要你死盯着那条 “最优路径”，就很可能没看到可能性迸发的其他岔路。
回到现实中的 AI 领域，OpenAI 的崛起其实就有类似的味道。早年它在人工智能行业里，头顶上是 Google、Meta 等大厂的庞大资源，全栈式研发生态摆在那儿。可 OpenAI 最终靠 ChatGPT 一飞冲天，背后的过程就是在不断试验各类模型、算法、策略优化的过程中，一步步踩着 “踏脚石” 往前。
• 从 GPT-1 到 GPT-2，再到 GPT-3 及其指令微调、插件化尝试，乃至于后来的 GPT-4，每一个版本的出现都不是一开始就板上钉钉的 “我要干掉某某大厂”，而是前一步的积累给了他们 “下一步” 的灵感和素材。就像书里强调的：“当我们放下对目标的执念，保留对新奇事物的开放态度，反而能走出更远。”
• 在 OpenAI 这里，你看不到他们一开始就高喊 “必须在对话式 AI 上彻底 PK 掉 Google、Meta” 的口号，而是投入了大量精力去打磨 Transformer 架构、自注意力机制、强化学习训练技巧等若干 “基础难题”。对比作者在书中多次提到的 “踏脚石收集器” 概念，OpenAI 正是在 “收集” 一个又一个小迭代的过程中，把大模型越做越扎实，最终脱颖而出。
如果说 OpenAI 是 “从小到大” 在探索踏脚石，那么近期 DeepSeek 则是在 “算力受限” 的局面下玩出了一个更大胆的踏脚石花样，跟书里 “外星人脸 -> 汽车图片” 的那种 “意外收获” 有异曲同工之妙。
• DeepSeek V2 的时候，大家还觉得它不过是 “便宜模型”，走低成本普惠路线。结果 V3 仅仅用了两个月、2000 张 GPU，费用 600 万美元左右，就做到对齐 GPT-4o 和 Claude 3.5 Sonnet 的水平。这让英文圈子惊呼 “不可思议”——这不正好对应书里说的，“在看似不可能的限制下，反而会诞生新的踏脚石”？
• 由于算力被卡，DeepSeek 不得不想方设法在框架和训练策略上打磨，逼出来的创新不仅没有妨碍性能，反而在【新奇性搜索】思路下形成了更优解。DeepSeek 团队原本就有量化交易背景，对算法的理解更深，最终把各处资源聚合到一块，摸索出新的路径—— “无数人将一个又一个‘图片分支’汇总，意外生成出别具一格的杰作” 如出一辙。
借用《为什么伟大不能被计划》里的结论：“越是想跳到终极目标，越容易被它耽误；反而是在 ‘这块踏脚石上先踏稳，再顺势摸下一块’ 的过程里，最容易捡到宝藏。”
• 书中提到，如果只盯住壮志凌云的 “高大上目标”，就好比给自己戴上了有色眼镜，看不到周围那些看似偏离轨道、却可能通往惊喜的方向。
• 对于 AI 创业和产业格局来说，踏实地聚焦 “局部创新”，在每一小步都做好积累，往往会走出一条别人想不到的快速迭代之路。看似最难、最边缘、或最不被看好的路径，反而可能是最大捷径。
借用作者的话来说，“我们不需要目标来指明伟大的方向，我们需要的是踏脚石，以及对新奇与意外保持开放”。在意想不到的时刻，所谓的 “珍宝” 就会自己出现。
22 114
随着 LLM 成为基建，似乎我们无需再定义一个新的角色 “AI 产品经理”，而现在的每个产品经理都应该要意识到 AI 并不是一个附加能力，换言之，讨论 AI+ 还是 +AI 也没有太多意义，因为这一次我们可能要重塑产品思维的底层逻辑了。恰巧刚听到 Apple 和 Spotify 的前 “AI 产品经理” Aman Khan，在最近的一次播客中分享了如何建立 AI 时代的职业规划和产品思维，enjoy~
🚀 “模仿”有风险，创新才是通行证
AI 产品经理要做的是差异化的创新而不是低效的复制。以 ChatGPT 为例，爆红的根本原因不在于它是聊天机器人，而是它解决了大多数 NLP 产品未解决的“语境化理解”和“通用性”问题。反观市场上跟风的聊天机器人，大多在用户体验上无新意。PM 要深入思考，技术背后的核心价值是什么：
* 你的产品是否能降低用户达成目标的时间或成本？
* 是否可以通过技术，解决传统方法无法触及的问题？ 例如，外卖平台利用 AI 实现订单预测并优化配送，是因为它缩短了用户等待时间，提高了配送效率，而不仅仅是使用了“AI”的噱头。创新的关键在于找到独特的切入点，思考如何在用户体验和底层逻辑上实现不可替代的价值。
🎯 每个问题背后都是一个机会，AI 是你的解题神器
AI 的强大不仅在于解决已知问题，更在于揭示隐藏的机会。当客户反馈系统慢时，PM 不应该只考虑提升性能，而是分析：
* 用户在什么场景下会感知到“慢”？
* 他们期望的结果是什么？ 例如，电商领域的“慢”可能并非系统响应问题，而是用户在页面间的决策过程冗长。AI 可以通过推荐系统，提前预测用户兴趣商品，缩短用户决策链条。进一步，还可以结合用户行为数据，优化页面布局，将 AI 的能力延伸到用户体验的每个细节上。PM 要学会用 AI 不断试探并重构现有流程，而不是停留在表层问题上。
🎨 赋能用户，而不是一味地替代用户
Waymo 的用户仍能调整空调和音乐，这种参与感强化了用户的掌控感，也建立了产品的信任感。这是一种深层的用户心理学应用：当用户认为他们对结果有控制权时，会更愿意接受产品的帮助。 在 AI 产品设计中，这种赋能可以分为以下几步：
1. 识别可参与点：在哪些环节给予用户调整空间，例如内容生成类工具可以让用户选择语气和风格，而不是直接生成静态内容。
2. 动态反馈机制：赋予用户实时反馈的能力，例如编辑 AI 提供的结果，以便用户感到自己的修改直接提升了输出质量。
3. 建立用户路径透明性：比如在线教育中，让用户可以选择学习模块并调整节奏，而非被动完成预定路径。赋能不仅提升用户体验，还能增强用户的忠诚度。
🍰 AI PM 也需要掌握“加个鸡蛋”的艺术
Betty Crocker 的“加蛋策略”背后是一种精妙的用户心理设计——让用户在产品体验中找到成就感。在 AI 产品中，这种“成就感”可以通过以下方式实现：
* 保留用户的参与决策权：例如，AI 写作工具生成文案后，允许用户选择不同语气的版本并调整关键词。
* 设计有意义的互动节点：在复杂的自动化流程中嵌入简单的交互点，比如允许用户微调参数，感觉自己是流程的一部分，而不是完全被控制。
* 仪式感反馈：将用户的修改或选择通过动态效果呈现，强化用户的影响力，例如让他们“看到”自己的选择如何改变了最终结果。
⚡ 抓住 AI 的“闪电时刻”，创造产品的高光时刻
用户的“瞬间震撼”来自于产品实现了他们想不到的便利或体验。PM 的任务是找到这些瞬间并将其放大：
* 分析用户的核心场景：实时语音翻译在跨语言沟通中的需求显而易见，但它的“闪电时刻”在于用户第一次听到AI生成的母语内容时的情感连接。这种场景化思考是设计产品高光时刻的基础。
* 超越预期：例如，用户期望的语音翻译是准确，但如果能实现语音转化的同时还优化语气或添加背景音乐，效果会更具冲击力。高光时刻的创造需要 PM 将AI的能力和用户的需求做深度匹配。
🌍 AI 时代，PM 不只是“局内人”，更是“未来人”
优秀的 PM 需要在日常事务和长远趋势间切换。
* 预测行业的“连锁效应”：比如，生成式 AI 的普及带来了内容质量和生产效率的提升，但也可能引发内容同质化的问题。PM 的任务是设计差异化体验，避免陷入技术“普遍化”后的红海竞争。
* 用AI做未来推演：PM 可以利用AI模型预测用户在技术普及后可能出现的新需求，提前布局。例如，当用户生成内容变得容易时，内容筛选和个性化推荐的重要性会急剧上升。
📚 PM 就像 AI 的“图书管理员”，帮团队找到最有用的那一本书
面对 AI 技术的多样性，PM 的价值在于选择的智慧：
* 明确技术应用的边界：例如，OpenAI 的 API 适合通用生成任务，但如果项目需要特定领域的高精度模型，可能需要选择 Hugging Face 的预训练模型。
* 持续跟踪技术生态：PM 不只是分类当前技术，还要关注行业的技术动向，确保团队的选择能随着未来的技术进化保持竞争力。
🚀 “模仿”有风险，创新才是通行证
AI 产品经理要做的是差异化的创新而不是低效的复制。以 ChatGPT 为例，爆红的根本原因不在于它是聊天机器人，而是它解决了大多数 NLP 产品未解决的“语境化理解”和“通用性”问题。反观市场上跟风的聊天机器人，大多在用户体验上无新意。PM 要深入思考，技术背后的核心价值是什么：
* 你的产品是否能降低用户达成目标的时间或成本？
* 是否可以通过技术，解决传统方法无法触及的问题？ 例如，外卖平台利用 AI 实现订单预测并优化配送，是因为它缩短了用户等待时间，提高了配送效率，而不仅仅是使用了“AI”的噱头。创新的关键在于找到独特的切入点，思考如何在用户体验和底层逻辑上实现不可替代的价值。
🎯 每个问题背后都是一个机会，AI 是你的解题神器
AI 的强大不仅在于解决已知问题，更在于揭示隐藏的机会。当客户反馈系统慢时，PM 不应该只考虑提升性能，而是分析：
* 用户在什么场景下会感知到“慢”？
* 他们期望的结果是什么？ 例如，电商领域的“慢”可能并非系统响应问题，而是用户在页面间的决策过程冗长。AI 可以通过推荐系统，提前预测用户兴趣商品，缩短用户决策链条。进一步，还可以结合用户行为数据，优化页面布局，将 AI 的能力延伸到用户体验的每个细节上。PM 要学会用 AI 不断试探并重构现有流程，而不是停留在表层问题上。
🎨 赋能用户，而不是一味地替代用户
Waymo 的用户仍能调整空调和音乐，这种参与感强化了用户的掌控感，也建立了产品的信任感。这是一种深层的用户心理学应用：当用户认为他们对结果有控制权时，会更愿意接受产品的帮助。 在 AI 产品设计中，这种赋能可以分为以下几步：
1. 识别可参与点：在哪些环节给予用户调整空间，例如内容生成类工具可以让用户选择语气和风格，而不是直接生成静态内容。
2. 动态反馈机制：赋予用户实时反馈的能力，例如编辑 AI 提供的结果，以便用户感到自己的修改直接提升了输出质量。
3. 建立用户路径透明性：比如在线教育中，让用户可以选择学习模块并调整节奏，而非被动完成预定路径。赋能不仅提升用户体验，还能增强用户的忠诚度。
🍰 AI PM 也需要掌握“加个鸡蛋”的艺术
Betty Crocker 的“加蛋策略”背后是一种精妙的用户心理设计——让用户在产品体验中找到成就感。在 AI 产品中，这种“成就感”可以通过以下方式实现：
* 保留用户的参与决策权：例如，AI 写作工具生成文案后，允许用户选择不同语气的版本并调整关键词。
* 设计有意义的互动节点：在复杂的自动化流程中嵌入简单的交互点，比如允许用户微调参数，感觉自己是流程的一部分，而不是完全被控制。
* 仪式感反馈：将用户的修改或选择通过动态效果呈现，强化用户的影响力，例如让他们“看到”自己的选择如何改变了最终结果。
⚡ 抓住 AI 的“闪电时刻”，创造产品的高光时刻
用户的“瞬间震撼”来自于产品实现了他们想不到的便利或体验。PM 的任务是找到这些瞬间并将其放大：
* 分析用户的核心场景：实时语音翻译在跨语言沟通中的需求显而易见，但它的“闪电时刻”在于用户第一次听到AI生成的母语内容时的情感连接。这种场景化思考是设计产品高光时刻的基础。
* 超越预期：例如，用户期望的语音翻译是准确，但如果能实现语音转化的同时还优化语气或添加背景音乐，效果会更具冲击力。高光时刻的创造需要 PM 将AI的能力和用户的需求做深度匹配。
🌍 AI 时代，PM 不只是“局内人”，更是“未来人”
优秀的 PM 需要在日常事务和长远趋势间切换。
* 预测行业的“连锁效应”：比如，生成式 AI 的普及带来了内容质量和生产效率的提升，但也可能引发内容同质化的问题。PM 的任务是设计差异化体验，避免陷入技术“普遍化”后的红海竞争。
* 用AI做未来推演：PM 可以利用AI模型预测用户在技术普及后可能出现的新需求，提前布局。例如，当用户生成内容变得容易时，内容筛选和个性化推荐的重要性会急剧上升。
📚 PM 就像 AI 的“图书管理员”，帮团队找到最有用的那一本书
面对 AI 技术的多样性，PM 的价值在于选择的智慧：
* 明确技术应用的边界：例如，OpenAI 的 API 适合通用生成任务，但如果项目需要特定领域的高精度模型，可能需要选择 Hugging Face 的预训练模型。
* 持续跟踪技术生态：PM 不只是分类当前技术，还要关注行业的技术动向，确保团队的选择能随着未来的技术进化保持竞争力。
20 213
Cursor/Devin 的长期价值不在 “Coding”，而在（部分）成为现阶段由 SaaS(软件)所提供的容器价值，容器里承载的是物理世界的业务问题 （m.okjike.com）
问题的关键是它为什么能成为容器，或者用户为什么要（部分）放弃 SaaS(软件)
除了 SaaS 是满足标准化的业务问题没法解决个性化需求之外，我想承载并运转多类业务问题的容器还能发挥平台产品带给用户的增量价值：a. 帮助用户更好地发现 best practice; b. 统一的体验（统一的 UI/交互/账户支付等底层系统）
前者是 LLM 的优势，个性化是其次，反而存在反常识的地方：我们认知里的个性化带来的是高成本（价格），但 LLM 平摊掉训练成本后仅有推理成本相比 SaaS 的整体成本会更低，因为 SaaS 动辄得几千万的初期研发成本，后续还有巨大的维护和升级成本。而从用户视角来看，RaaS (Result as a Software) 或者 TaaS (Token as a Software) 比 SaaS这种先掏钱再使用也会更友好
后者在 SaaS 时代 BAT 都曾推出过类似的 “千帆计划”，扑街的原因有的说是 SaaS 厂商没动力，有的说是屁股决定脑袋，因为用户侧没有入口上的需求，归根到底还是为了平台而平台
先不说未来的 Cursor/Devin 能不能成为平台，光有前者还不够我们感到兴奋吗
问题的关键是它为什么能成为容器，或者用户为什么要（部分）放弃 SaaS(软件)
除了 SaaS 是满足标准化的业务问题没法解决个性化需求之外，我想承载并运转多类业务问题的容器还能发挥平台产品带给用户的增量价值：a. 帮助用户更好地发现 best practice; b. 统一的体验（统一的 UI/交互/账户支付等底层系统）
前者是 LLM 的优势，个性化是其次，反而存在反常识的地方：我们认知里的个性化带来的是高成本（价格），但 LLM 平摊掉训练成本后仅有推理成本相比 SaaS 的整体成本会更低，因为 SaaS 动辄得几千万的初期研发成本，后续还有巨大的维护和升级成本。而从用户视角来看，RaaS (Result as a Software) 或者 TaaS (Token as a Software) 比 SaaS这种先掏钱再使用也会更友好
后者在 SaaS 时代 BAT 都曾推出过类似的 “千帆计划”，扑街的原因有的说是 SaaS 厂商没动力，有的说是屁股决定脑袋，因为用户侧没有入口上的需求，归根到底还是为了平台而平台
先不说未来的 Cursor/Devin 能不能成为平台，光有前者还不够我们感到兴奋吗
4 212
我们之前说 “软件是物理世界的二进制映射”
如果把软件狭隘等于 SaaS，那么垂类 SaaS 公司产研的价值是提供容器满足物理世界的业务问题，业务问题越痛客户掏钱意愿越强（增收 > 合规 = 降本 > 提效），能解决的业务问题越深 SaaS 公司的价值越大
而其中产研优秀与否的一条是懂场景，说白了就是洞察物理世界业务问题的能力，一方面是已然具备垂直领域的业务视角，另一方面是具备持续学习业务问题的能力
前者是经验带来的稀缺资源，因为难复制所以存在阶段性红利，比如电商 SaaS 公司的老板们大多都有一段成功的卖家经历，比如当年我们招产品负责人首先是看有没有相关经历，这跟今天大模型的 Pre-train 类似，起手就得几千张卡，就像之前我们常说 SaaS 业务的启动成本高，不单需要几千万做到可用阶段的产研成本，更重要的是得有预先输入的业务视角
胜负手在后者，因为不但预先输入的经验有其天花板，且业务在时刻动态变化，比如电商从 “传统的货架式”到 “15 年的图文内容”再到 “近几年短视频带来的直播形态”，这就需要提供容器的产研具备持续学习业务问题的能力
很多公司解决后者的方法是把它理解成组织能力，比如要求产研下现场，萃取客户案例，依赖“更多的客户带来更多的需求，满足了更多的需求带来更多的客户”这样的增强环，本质还是把产研当成 “专家系统”，再基于优先级逐步优化各个 Corner case，而随着业务问题越来越复杂，很多 SaaS 公司开始 PaaS 化，尝试用技术手段来解决需求的多样性和系统的可拓展性
这两年讨论蛮多的一个问题是 LLM 带给 SaaS 公司最大的变化会是什么，按照这个角度去想，如果基于 Post-train 的 LLM 能自主学习业务问题，那产研的核心职责是否要发生改变，再进一步，端到端之后还需要 PaaS 这个容器来满足每个个性化的需求吗，以及，还需要 “容器” 吗
软件吞噬一切，AI 吞噬软件
如果把软件狭隘等于 SaaS，那么垂类 SaaS 公司产研的价值是提供容器满足物理世界的业务问题，业务问题越痛客户掏钱意愿越强（增收 > 合规 = 降本 > 提效），能解决的业务问题越深 SaaS 公司的价值越大
而其中产研优秀与否的一条是懂场景，说白了就是洞察物理世界业务问题的能力，一方面是已然具备垂直领域的业务视角，另一方面是具备持续学习业务问题的能力
前者是经验带来的稀缺资源，因为难复制所以存在阶段性红利，比如电商 SaaS 公司的老板们大多都有一段成功的卖家经历，比如当年我们招产品负责人首先是看有没有相关经历，这跟今天大模型的 Pre-train 类似，起手就得几千张卡，就像之前我们常说 SaaS 业务的启动成本高，不单需要几千万做到可用阶段的产研成本，更重要的是得有预先输入的业务视角
胜负手在后者，因为不但预先输入的经验有其天花板，且业务在时刻动态变化，比如电商从 “传统的货架式”到 “15 年的图文内容”再到 “近几年短视频带来的直播形态”，这就需要提供容器的产研具备持续学习业务问题的能力
很多公司解决后者的方法是把它理解成组织能力，比如要求产研下现场，萃取客户案例，依赖“更多的客户带来更多的需求，满足了更多的需求带来更多的客户”这样的增强环，本质还是把产研当成 “专家系统”，再基于优先级逐步优化各个 Corner case，而随着业务问题越来越复杂，很多 SaaS 公司开始 PaaS 化，尝试用技术手段来解决需求的多样性和系统的可拓展性
这两年讨论蛮多的一个问题是 LLM 带给 SaaS 公司最大的变化会是什么，按照这个角度去想，如果基于 Post-train 的 LLM 能自主学习业务问题，那产研的核心职责是否要发生改变，再进一步，端到端之后还需要 PaaS 这个容器来满足每个个性化的需求吗，以及，还需要 “容器” 吗
软件吞噬一切，AI 吞噬软件
13 010
