什麼樣的人一打眼就知道,他很ai native

我自己的頻道
6粉絲
2026年11月16日
視頻概述
AI 生成這段影片深入探討了如何定義與識別一名「AI Native」的產品經理。作者認為 AI Native 並非僅指會使用 AI 工具,而是指在 AI 出現後,其工作方式、思考方式及學習方式是否發生了根本性的改變。
我們在面試裏面怎麼看一個AI
產品經理是不是AI Native
這個問題,其實很多人都不太會回答
一方面,很多人自己也說不太清楚
到底什麼叫AI Native
另外一方面,面試官很多時候也不是
拿着一個非常明確的標準給你打分
他可能也講不清楚定義,但聊着聊着,他就會有一個感覺
哎這個人他的AI感覺不錯,這個人他只會用幾個工具,不太行
所以AI Native這個點,我們一次性跟大家講清楚
我會覺得AI Native不是會不會用AI
而是AI出現以後
你的工作方式
你的思考方式
包括你的學習方式
有沒有隨着AI去改變
這個是我理解的真正的AI Native
所以看哪些?看三個點
第一個核心,我們先看一個人的學習方式
有沒有改變?
先說傳統的學習方式
過去很多知識的變化其實沒有那麼快
所以我們的學習習慣通常是
我們先系統學一套東西
形成一套方法
後面長期複用
舉個例子啊,比如說
很多人,不管是產品也好,運營也好,
包括很多業務的崗位,
都會去做競品調研競品分析
那我們的方法是什麼呢?
先看對方的產品做了什麼,
它的策略是什麼,
再分析它爲什麼這麼設計,背後的設計邏輯
以及它的設計目標,
再接下來去看它到底要解決的業務問題是什麼,
用戶的問題是什麼,
要實現它什麼樣的戰略或者業務目標
最後,我們看看這一套思路分析下來,
對我們有沒有參考價值
這套方法你學會以後,你可以用很多年
雖然每一個人對業務對產品理解不一樣,
產出的質量不一樣,深度不一樣,
但是方法一定是類似的
但是有了AI之後
學習的東西完全不一樣
現在AI變化快到什麼程度?
可能你今天剛總結出一個所謂的
最佳實現,
對吧?你覺得做這件事的方法
第一第二第三步很好,
但是三個月以後,
模型能力一變
你這套東西就已經不再實用了
所以經常會有一句話說
AI時代如果你學得足夠慢
有些東西你可能真的就不用學了
因為等你學完它已經變了
所以AI時代的學習
我覺得至少有三個非常明顯的變化
第一個呢
就是所謂的學習重點
我會覺得AI時代的學習重點
一定是自己對AI能力邊界的判斷
你得知道今天的模型到底能做到什麼
我怎麼用
才能把它的能力更大程度的發揮
我舉個例子
比如我在工作裡面
我們作為電商的團隊
電商的產品或者電商的運營
我要做一個東西叫選品的agent
這個很多地方都會用到
那很多人如果不理解模型能力邊界
他的第一做法一定是
我現在庫裡面有幾千上萬
甚至幾十萬個商品
大概就是說,基於我的需求
你就去檢索這些巨量的品類數據庫
你從裏面挑,到底我們這次在做活動的時候
我們選哪幾個商品給哪些用戶進行打折
你如果這麼做,它的幻覺一定非常非常大
要達到的效果也完全跟你想象的不一樣
但你如果能先把商品向量化
去用規則做匹配
挑出幾十個甚至幾百個備選的商品
再讓模型去做精細化的判斷,基於你的目標
它的效果就會好非常非常多
顯然這就是在利用模型的核心能力
去做它更擅長的事
這就是不同的產品經理對模型邊界能力的理解
就會導致他在設計產品的時候
核心鏈路核心流程完全不一樣
第二個學習的東西
我稱之爲叫什麼
你不僅要學,你也要會忘
什麼意思?這個其實挺反人性的
人學會一套方法之後,會本能的依賴它
因爲這套東西以前幫你成功過
所以多數人都會有路徑依賴
但AI變化太快以後,有些過去非常有效的方法
反而會成爲你的包袱
比如說在過去模型能力不夠強的時候
我們做一個agent
多數人會習慣把流程拆成十幾個固定的節點
後來模型的推理能力明顯變強了
但是很多人還是堅持按照原來的方式做
這就會導致你沒有很好的利用模型的能力
同時你的工作流或者你的agent它的創造力
他們解決問題的能力都是不夠強的
那這時候你這種經驗豐富反而可能讓你反應更慢
所以 AI Native 的人他會
有一個非常明顯的特點就是
不迷信自己過去的經驗
而且能夠基於模型的變化基於市場的變化
不斷去探索更優的解法
第三個我稱之為叫什麼
叫真正的知行合一
我們過去學東西是什麼呢
其實某種程度上來講叫先知後行
以前很多時候是先學再做
比如說不會 SQL
先學 SQL 不會開發先學開發
先學編程語言
等到我們掌握到一定程度之後
來我們實操一下開始解決問題
現在很多時候已經不是這樣了
比如我們作為產品經理要分析用戶流失
我們一定不是系統的去學兩周怎麼去取數
可能直接會先讓AI幫我們去拆分析的思路
需要什麼數據,讓AI幫忙寫SQL
跑錯了把報錯扔回去對吧,哪裡看不懂
當場去學整個過程其實就是我們邊做邊學
第二個差別在什麼地方呢
我會覺得在用AI的時候
如果你發現AI輸出的結果不完全符合自己的需求的時候
你會怎麼處理?
什麼意思這個點其實特別具體也特別容易看出差別
現在很多人都會用AI,但我們都知道
AI的輸出其實是並不穩定的
它跟模型跟上下文跟你的提示詞包括知識庫工具
甚至任務的拆法都有關係
比如說你讓AI幫你寫一個產品方案
第一版妥妥的絕對是60分不會太高的
不要想著它一下子能給你一個80分的方案
但是這個時候多數人的處理方式是什麼
我們會從裡面挑幾個還能用的段落
摘出來摘到自己的文檔裡面剩下的自己去重寫
這算不算用了AI,絕對算用了AI
但是它跟我覺得AI Native還是不一樣的
我覺得AI Native的方式是什麼
我會這麼思考為什麼模型的輸出不夠好
是我給它的Context太少了
還是目標用戶沒有講清楚
還是我們給它的任務太大了,它中間其實有點飄移
甚至如果是一個agent,是不是流程本身拆的就有問題
我基於這些去定位問題,然後讓模型不斷調整
直到這個東西它能夠比較穩定的完成任務
所以你看,在這裏最本質的差別是什麼
其實是做事的方式
已經變成了什麼呢
就是從人主導去解決問題
變成了人去解決AI的問題
讓AI輸出的更好
一個是用AI做輔助
一次解決一個問題
另外一個是用AI當做核心的輸出主力
你一次可以解決一類問題
同樣是一個產品方案
前者每一次AI都給了你幫助
後者第一次你在輸出的時候會花很多時間去調試AI
但解決之後以後類似的問題
AI直接一次性可以輸出一個80分的方案
你只用做微調,這樣的效率和質量是巨大的飛躍
當然這個部分我會在第三點去重點的講一下
所以在面試裏面我們經常會問
你是怎麼用AI的
在工作裏面怎麼使用AI提效
到底融合在了你什麼樣的工作流程中
改變了哪些工作方式
那第三個就是
看你解決問題的方式
有沒有變化
這個我覺得是最核心的一層
正常情況下我們遇到一個任務
第一反應是什麼呢就是
我會怎麼去落地它
對吧第一步第二步第三步
這就決定了一件事情做得好不好
完全取決於自己對這件事的判斷和認知
你會了就做得好不會就做不好
但我會覺得一個人足夠AI的
它的方式是什麼
就是接到任務之後第一步是拆解這個任務
哪些步驟AI完成哪些步驟我來完成
舉個例子比如說讓一個AI產品經理做一個內部工具
正常人的想法是什麼
我得去看看核心用戶的反饋
行我先設幾個問卷跟他們去聊
然後分析需求然後做產品規劃然後出方案
但是如果你是更AI native的
流程是這個流程沒問題
那我可以這麼幹了對吧
我直接針對這個產品做一個迭代的工作流
模型可以直接去收集需求判斷需求
然後我再次check它
需求確認了模型直接輸出方案
我再次check,然後就可以去提交開發了
你看這兩者裏面,首先工作的內容變化了
所以重點也會變化,要求的能力也會變化
同時你會發現不管這件事情你乾沒幹過
你的能力邊界打開了,模型成爲了你的能力邊界的延伸
所以後續如果你想要去做AI產品經理
或者說想要學AI相關的產品知識
你可以直接去看我們給
大家準備的這個AI產品必須要了解的PRD
裏面是基於某個大廠的文檔所做的抽象和總結
非常非常詳細
