1. 引言

近年 AI 技术快速发展，许多企业开始考虑使用 AI 的产品开发，或向既有产品导入 AI。本文从 product management 视角，整理我在 AI 产品开发或导入时思考的事情，以及有效导入 AI 的策略和注意点。

2. Product Management 的本质

2.1 对 product management 的误解

PM 的工作不只是协调。进度管理、schedule 调整、部门间沟通很重要，但 PM 的本质是把 business requirements 和技术革新连接到 user experience。在日本，PM 职种仍然停留在协调业务的例子不少，可能是因为还没有摆脱 project manager 或 director 职种的既有印象。

我见到的一些事例里，PM 的角色常常停留在这些“协调”上。特别不好的例子，是把上司临时想到的意见传达给现场，工作中心变成这种传话。然而本来的 PM 应该承担直接连接产品成功的战略性角色。避免把 PM 和协调业务混同，推进拥有 vision 与 strategy 的 PM 活动非常重要。

近年来，日本也快速普及 product management 这个职种。尤其是 technology 行业和 startup 开始认识到 PM 的重要性，许多企业设置 PM position。这个趋势的目的，是强化 global market 竞争力和提高产品开发效率。但日本的 PM 职种中，停留在“协调业务”的例子仍然偏多。很多企业中，PM 专注于 project schedule 管理和部门间协调，参与 product vision 策定和战略决策的机会有限。我推测其背景在于，仍然没有完全脱离原本 project manager 或 director 职种的工作印象。

2.2 真正的 product management

Product management 的核心，是把 business requirements 与技术革新整合到 user experience 中。Business requirements 包括市场需求和收益目标，技术革新则是用新 technology 或方法改善产品和服务。Vision 与 roadmap 是实现这种整合的重要工具。

之后，把 user experience 落到实际 product 中的技术也很重要。用户访谈、事前 research、prototyping，以及技术革新与 user experience 的关系都很重要。Steve Jobs 曾说 user experience 在先，technology 随后跟来。

Vision 是描绘 product 或 service 的未来图景，成为整个 team 朝同一目标前进的指针。Roadmap 则是为了实现 vision 而显示具体 step 和 milestone 的计划。通过它可以管理 project 进展，并进行必要调整。

https://www.youtube.com/watch?v=EU8ANASrDoQ

Jobs 的哲学非常接近 product management 的本质。把它与协调型 management style 对比，就能更容易看出差距。

3. AI 产品开发战略

3.1 人类与 AI 的 hybrid model

导入 AI 时，许多企业首先应该考虑人类与 AI 的 hybrid model。它把人的判断力与 AI 知识劳动的 scalability 组合起来。尤其在导入初期，AI 精度和可靠性尚未完全确立时，这种 approach 有效。

阶段性导入可以最小化风险。AI 可能受到 data bias、不完整 data、hallucination 影响。由人监督 AI 判断并必要时修正，可以防止错误决策造成重大影响。它也能提高组织整体对 AI 的适应力，让员工逐渐理解 AI tool，并把人类工作转向更有价值的创造性任务。

AI system 基于学习 data 运作，但初期阶段 data 可能存在 bias 或不完整。AI 生成错误信息的 hallucination 风险也存在。由人类监督 AI 判断并必要时修正，可以防止错误决定造成重大影响。

此外，阶段性整合有助于提高组织整体对 AI 的适应力。员工可以理解 AI tool 的使用方法和优点，逐渐习惯新技术。这个过程会提高组织整体 AI literacy，为将来更完整的整合做准备。同时，AI 可以 offload 一部分作业，人类得以集中于更高价值的创造性业务。

阶段性导入也提供灵活性。可以基于早期 feedback 改良 AI model，让它适应实际业务 flow，最终再向更 autonomous 的 model 迁移。

3.2 AI 单体 model 的可能性

在 deep tech 企业中，AI 单体 model 也许能成为实现高度技术革新的强力工具。例如医疗图像诊断和材料科学预测。但即使在这些领域，完全依赖 AI 单体 model 也风险很高。

例如医疗诊断中，AI 自动进行画像诊断并检测异常；材料科学中，AI model 预测新材料特性。这些都是具体例子。即便如此，我仍认为不应完全依赖 AI 单体 model。

4. AI 导入的重要考量

4.1 Platformer 动向

AI 产品开发中，掌握主要 AI platform 的动向非常重要，包括 OpenAI、Anthropic、Google Gemini、Meta LLaMA。这些 platform 提供 LLM、machine learning tool、cloud AI service。

• OpenAI: GPT 系列，用于对话 AI、内容生成、编程支援等。
• Anthropic: 重视安全、可解释 AI。
• Google Gemini: 在搜索、广告、图像识别等领域推进次世代 AI。
• Meta LLaMA: 用于内容 moderation 和自然语言理解的大规模语言 model。

不应过度依赖单一 platform。风险包括服务变更和费用改定、数据 privacy 与 security、以及无法适应技术进展。

依赖风险可以分为几个方面。第一是 service 变更和料金改定：依赖单一 platform 时，service 变更或 API 费用急增可能对业务造成重大影响。第二是 data privacy 与 security：提供给 platform 的 data 可能面临泄漏或不正当使用风险，也必须考虑 privacy 侵害可能性。第三是对技术进展的适应：platform 技术或 service 更新时，如果无法快速对应，就会失去竞争力。

4.2 AI 伦理

随着 AI 技术进展，伦理配虑越来越重要。自动化 decision 可能产生不公平结果或侵犯 privacy。开发者和 product manager 必须考虑公平性、privacy 保护、说明责任。

AI 对社会的影响非常大。错误使用或基于偏向 data 的判断，可能引发重大问题。例如 AI 自动化 decision system 可能导出不公平结果，或侵犯 privacy。因此，在导入技术时，AI developer 和 product manager 必须始终进行伦理考量。

1. 公平性：AI system 不应对特定 group 持有偏见。需要排除 dataset bias，并确保 algorithm 透明性。
2. Privacy 保护：必须适当保护用户个人信息，并采取强固 security 对策，防止不正 access 和 data 泄漏。
3. 说明责任：需要确保 AI decision process 透明且可说明，让用户能够理解其判断。

AI 伦理也与法律规制和社会受容性密切相关。它还和 platformer 的竞争有关。platform 必须竞争，而 AI 伦理可能成为刹车。个人来说，AI 越与社会整合，知性的相对重要性会下降，伦理的重要性会上升。

4.3 web3

AI 可能扩大社会价值观中好的部分，也可能扩大坏的部分。伊藤穰一先生把 AI 比作 jetpack：朝好的方向使用会提高 performance，但如果管理不好，也会更快走向坏方向。

Lawrence Lessig 提出了规范、法律、市场、architecture/code 四种规制要素。从 architecture 角度看，Web3 可以成为 AI 伦理的重要技术要素。分布式网络和 blockchain 可以提高透明性、privacy 保护与用户的数据控制权。

(The pathetic dot theory or the New Chicago School theory was introduced by Lawrence Lessig in a 1998 article and popularized in his 1999 book, Code and Other Laws of Cyberspace. )

从 architecture 的观点看，Web3 作为 AI 伦理的技术要素扮演重要角色。Web3 以分布式 network 和 blockchain 技术为基础，强化 data 透明性与 privacy 保护。由此，用户可以控制自己的 data，并保证 AI system 被公平且透明地运用。分布式特性可以降低 data 不正使用和集中管理风险，支援 AI 的伦理性运用。

实现 AI 伦理，不只需要规范，也需要法律、市场机制，以及 Web3 这样的技术 architecture。

5. User Interface 与 UX

5.1 Chat UI 的优势

把 AI 与既有服务整合时，首先应考虑 chat UI。用户已经熟悉 messaging app 和 support chatbot，自然语言 interaction 的学习成本低。

Chat UI 也容易应用 hybrid model。不管对面是人还是 AI，只要适当明示，对用户来说可以提供一贯体验。AI 无法处理复杂 inquiry 时，人类 operator 可以接手。

5.2 AI service 的差异化

Prototyping 有用，但也有限界。使用 GPTs 等 tool 时，只写 prompt 就容易产生“已经做出接近完成品”的错觉。但实际可能缺少深层 user experience 和持续价值。

Prototype 可视化 idea，但无法充分评价长期 usability 或真实运用环境。得到的 feedback 可能浅，production performance 也不明。因此 AI prototyping 需要持续 user test 和实际环境试用。

1. 缺乏深层 user insight：通过 prototype 得到的 feedback 有限，不足以引出用户深层 insight。长期使用时的满意度和实际利用状况，可能无法准确反映。
2. 实用性评价不足：prototype 通常由限定功能或简化 system 构成，难以评价实际运用环境中的 performance 和耐久性。因此 release 后可能出现预期外问题。

使用 GPTs 的 prototyping 中，只制作 prompt 就容易误以为已经接近完成品。但为了持续回应用户期待，仍需要重视持续 user experience 与实用性的详细设计和开发。

6. AI 带来的人类与劳动变化

6.1 AI 替代知识劳动

AI 在知识劳动中的替代，类似 19 世纪蒸汽机替代体力劳动。AI 自动化信息处理、数据分析、decision support，提高生产率并削减成本，对所有产业产生影响。

Marc Andreessen 曾写 “Software is eating the world”，AI 也会同样改变所有产业。 https://a16z.com/why-software-is-eating-the-world/

他之后还写了 “The Techno-Optimist Manifesto”。 https://a16z.com/the-techno-optimist-manifesto/

我理解其中对技术的积极态度，但也担心技术格差、伦理问题、技术依存风险、环境负荷。需要一边最大化技术力量，一边谨慎观察其影响。

这是一份基于“技术革新会对人类未来带来非常 positive 影响”这一信念写成的 manifesto。它强调技术拥有解决社会问题、提高生活质量的力量；技术革新是解决未来课题的 key；技术进步伴随伦理问题，但这不应成为否定技术本身的理由；技术革新应以 global 视角推进，让全人类享受技术恩惠。

我能理解这种对技术革新的 positive 姿态，以及技术解决问题的力量。技术确实在许多方面改善了我们的生活，也给予未来希望。比如在技术与伦理方面，MIT 的 Probabilistic Computing project 试图通过概率论方法开发更透明、可解释的 AI system。Spam filter 中使用的 Bayesian filter 也是这种技术的一例。医疗 AI startup 中，也会听到以统计学为 background 的 R language team 和以 machine learning 为 background 的 Python team 相互竞争的例子。

但我担心以下几点：技术恩惠不一定公平分配给所有人，可能集中在一部分人或地区并扩大既有差距；技术可能引发新的伦理问题，例如 privacy 侵害和 AI bias；过度依赖技术可能降低人类基本能力和判断力；技术革新对环境造成的负荷也不能无视。

6.2 感情劳动的台头

我感觉经营工作的很大部分正在从知识劳动转向感情劳动。management 和 team management 的 best practice 被方法论化，AI 又让这些知识更容易使用。经营者和 manager 必须维护员工 motivation、team morale、客户信任与长期 partnership。

AI 与人的协作 model 在感情劳动领域尤其有希望。AI 支援 data analysis 和 automation，人类提供 emotional intelligence 和 empathy。在 AI 时代，被要求的也许不是高智能或金钱成功，而是高伦理感和更好的感性。

例如，AI 可以实时分析客户情绪状态，并提出最合适的对应方法。这样员工就能进行更 personal 的回应。さらに，AI 支援日常业务后，员工可以集中于更 creative 的问题解决和战略性业务。

总结

AI 与人类协作创造价值，可以通过 AI model intelligence、service integration、human transformation、AI ethics、以及 probabilistic computing 和 web3 等技术伦理补完来理解。

AI ethics 作为风险因素会降低价值，而技术补完可以降低风险并提高整体价值。关键在于，AI 价值由技术、service design、人类变化和伦理的复杂相互作用创造。

价值 V 可以由以下要素定义：

• AI model intelligence (A)：AI model 的知性
• Service Integration (S)：service 的整合
• Human Transformation (H)：递归发生的人类变化
• AI Ethics (E)：AI 伦理
• Technological Ethical Supplement (T)：Probabilistic Computing 或 web3

将这些要素组合，可以展开为下面的数式：

这个数式可以这样解读。AI model intelligence 与 Service Integration 的乘积，产生 AI 技术及其实现带来的初始价值。这个价值会通过递归发生的人类变化 H_i 的总和进一步放大。AI Ethics E_j 作为 risk factor，会成为降低价值的要素，并通过位于分母，对整体价值产生反比例影响。Technological Ethical Supplement T_k 则作为对这些 risk factor 的技术补完发挥作用，通过概率计算和 web3 等要素降低风险、提高整体价值。

也就是说，AI 与人类的协作 model 并不是单纯由 AI 性能决定，而是由技术、service 整合、人类变化、伦理风险与技术补完之间复杂相互作用来创造多面的价值。

本文在 AI 支援下写成，但要旨由作者确定。