# AI加入后，产品经理的工作怎样改变？

版本 2026-10-24.studies.5；中型B2B AI应用团队中高级IC PM，一个固定合成工作周期；仅计该PM本人的主动人工分钟，不累计其他参会者/客户/工程师的人时，非日历历时、职业总体或真实业务观测。不得把转移给其他角色的工作算作消失；若有转移须在uncertainty明示。

一条“系统引用了错误政策版本”的反馈，如何经过证据、问题界定和产品取舍，变成可验收的需求？沿着这条链，再看整个岗位的分工与人工预算。

AI可以参与整理、起草和核查；决定工作能否交付的，是证据能否回溯、需求是否有依据，以及异常是否有明确处理方式。工作被AI参与，与人是否还要投入时间，是两件分别计算的事。

## 两份政策冲突时，产品应该怎样回答？

支持人员遇到两个版本的请假制度，无法判断哪份适用。报告用12条虚构反馈说明：产品工作如何把这类困惑转成可检查的交付。

合成案例，由确定性脚本装配；未运行AI或真人计时。需求前的批准决定为预置输入，没有演示PM05/06决策。

### 保留证据：先把冲突留下来，不替用户选版本。

哪些信息来自原文，哪些仍不知道？

原工作：PM逐条整理反馈，确认客户身份、日期和版本；重复、缺失与冲突都要保留。

AI参与：AI可以抽取字段、定位原文、提出重复候选；带着出处输出一张证据表。

需要核查：在这一工作安排中，PM核对关键来源，判断能否合并；未知客户不猜身份，冲突版本不静默择一。

产物：PM01 逐条反馈证据表

验收：每条结论可回到原文；消息数和客户数分开，冲突与缺失可见。

### 形成问题：版本冲突是现象，根因仍是待验证的解释。

这是已经观察到的问题，还是对原因的假设？

原工作：PM区分观察与推断，搜集反例，判断样本能支持怎样的问题描述。

AI参与：AI可以并列“来源权威不清”等候选解释，回链支持材料，同时找出澄清后能正确回答的反例。

需要核查：PM判断解释是否站得住，决定还需调查什么；不能从少量便利样本推算总体发生率。

产物：PM04 问题假设与反例

验收：问题假设同时保留支持、反证和未知，不能把候选根因写成事实。

### 起草需求：有了明确决定，才知道需求该写到哪里。

草案依据什么取舍，谁确认过这个范围？

原工作：PM与有权责任人确认范围，再将决定写成需求和异常行为。

AI参与：AI可以依据已批准范围起草：显示政策名称、版本和生效日；冲突或缺失时先澄清或转HR。

需要核查：确认权威来源、批准产品范围和承诺仍需真实发生。本合成案例专门注入了批准材料，不能把草案当批准。

产物：PM07 带引用的需求草案

验收：需求带决定与反馈引用；不自动改写客户政策源文件。

### 写成验收：把“不能答错”改成可以拒收的具体条件。

出现什么输入时，系统必须暂停确定答复？

原工作：PM与领域责任人列出正常、冲突、缺失和高影响错误场景，并裁定预期行为。

AI参与：AI可以扩展场景、维护需求引用、检查断链；例如政策版本冲突时，要求显式呈现冲突并请求有权人员确认。

需要核查：预期行为是否正确、严重度如何划分仍需核验。脚本查出结构问题，不等于判断了产品语义质量。

产物：PM08 验收场景与结构检查

验收：验收既能拒绝错误行为，也允许满足同一合同的合法实现。

## 整份工作

### 发现值得解决的问题

先辨认用户现象、证据强度和方案机会。

PM01 汇集并归类客户反馈证据；PM02 执行客户发现访谈、澄清问题并整理证据；PM03 编制市场、竞品与外部规则证据简报；PM04 界定用户问题、目标客群与价值假设；PM05 制定产品目标、策略与优先级取舍

### 把决定变成可交付需求

组织依赖、需求、原型、验收与协作。

PM06 绘制路线图依赖与方案比较；PM07 根据已批准决定编写需求评审草案；PM08 定义验收条件与 AI 行为边界；PM11 制作原型或流程样例以验证概念；PM12 协调跨职能评审、处理分歧并推进决策；PM13 根据批准事实准备发布文档草稿与培训材料

### 看结果，再修正判断

用指标、实验和上线观察检查产品结果。

PM09 执行预定义产品指标查询与数据校验；PM10 设计实验、指标和停止规则；PM14 跟踪上线质量、使用反馈与产品指标；PM15 整理高影响客户问题的事实与升级材料

### 让AI流程持续可控

评测、治理和工具工作流也需要维护。

PM16 维护 AI 功能评测样例与质量分析；PM17 整理 AI 功能治理与责任证据包；PM18 定义 Agent 工作流需求、权限与接管机制

## 同一范围的条件预算

合成基线100小时；实际人时与成功率未知。

- 当前助手：人工预算75.2小时；独立执行D/B 14.5%。固定参考模型M

- 工具Agent：人工预算65.5小时；独立执行D/B 24.4%。同一参考模型M，保持推理预算上限

- 验证型Harness：人工预算59小时；独立执行D/B 34.5%。同一参考模型M

- 模型突破假设：人工预算51.7小时；独立执行D/B 45.1%。条件性更强模型M+；接口、权限、推理预算上限、Harness与抽查规则保持harness设置

- Harness突破假设：人工预算52小时；独立执行D/B 43.1%。仍为参考模型M；推理预算上限不提高

- 近期RSI假设：人工预算45.4小时；独立执行D/B 54.9%。M+与更强Harness共同可用；条件性改进仅在独立留出通过后应用

- 五年期强RSI假设：人工预算10.7小时；独立执行D/B 89.8%。2031年及以后充分自迭代强AI的条件预计，不是实现概率或时间预测。以近期RSI活动费率为锚点，另外假设准备/审阅/交接与返工自动化；真人意愿、授权、价值选择仍非AI可伪造。

局部敏感性只改变独立执行份额，沿用活动费率；不是置信区间或全部成本上下界。

2031+充分RSI是思想实验前提，不是实现日期或概率预测。

## 预算之后，仍要回到产品结果。

如果确认和返工变少，释放的容量可以用于更多用户研究、更好的实验或更充分的质量检查。这个研究没有观察到时间实际去了哪里，也没有测出真实节时；是否改善交付，要看质量与完整投入。

### 结果—机会—方案—假设测试树

从期望结果出发，连接客户机会、备选方案、关键假设和可观察测试。

帮助团队保留多个方案并明确先验证什么；方法指南没有证明本地质量或节时效果。

### Example Mapping：把需求澄清成规则、例子和问题

围绕已批准故事梳理业务规则、具体例子和未决问题，再将确认后的例子用于验收。

让需求规则和例子可讨论、可追溯；BDD说明不等于生成式AI效果研究。

### 将生产问题转成可追溯的评测回归项

把经授权的生产失败转成版本化样例，由领域人员裁定gold，再用固定数据比较配置并复核线上新问题。

产品文档描述trace、数据集与版本比较能力，不证明评分足以代表业务质量或净节时。

完整任务、外部研究、路线、参数和案例：/studies/ai-product-manager?view=evidence&version=2026-10-24.studies.5