分类: 个人随笔

通过WPeMatico自动添加.

  • AI时代下,产品经理对于职业的思考?

    AI技术正在重塑高等教育领域的产品经理角色,从传统的需求翻译官转变为兼具教育洞察与AI技术的价值架构师。本文将深入剖析高等教育AI产品的核心能力模型,揭示如何跨越技术堆砌陷阱、构建跨界融合思维,并探讨产品经理在数据驱动决策、技术理解与用户体验重构等维度的能力升级路径,以及在AI时代保持不可替代价值的实战策略。

    一、职业定位重构:从 “需求翻译官” 到 “AI + 教育的价值架构师”

    AI 技术正在颠覆产品经理的传统定位 —— 不再是单纯连接用户需求与技术实现的 “中间人”,而是要成为懂教育规律、通 AI 逻辑、善价值平衡的复合型架构师。在高等教育场景中,这一定位更显关键:

    • 跳出 “技术堆砌” 陷阱:面对智能自适应学习、科研协作平台等方向,不能盲目追逐 AI 热点,而要先明确 “教育痛点是否真需 AI 解决”(如简单的教务查询无需复杂模型,过度 AI 化反而增加用户成本);
    • 强化 “跨界融合” 思维:既要理解 NLP、知识图谱等技术的边界(如医学 AI 答疑无法替代临床实操指导),又要深谙高校师生的核心诉求(教师怕 AI 替代教学价值、学生需个性化但拒绝 “算法茧房”);
    • 扛起 “责任担当”:教育产品的 AI 化涉及数据隐私(学生学习数据、科研成果保密)、教育公平(避免技术加剧资源差距)等特殊命题,产品经理需成为 “技术伦理守门人”,而非单纯的功能设计者。

    二、核心能力升级:三大底层能力 + 教育场景专项技能

    参考 AI 产品的通用能力框架,结合高等教育领域特性,产品经理需重点打磨以下能力:

    1. 数据驱动决策能力:从 “表面指标” 到 “模型 + 业务双维洞察”

    • 突破传统产品的 “DAU / 留存” 思维,建立 AI 产品专属指标体系:例如做智能答疑工具,不仅关注 “答疑响应时长”,更要监控 “模型准确率、学科覆盖完整度、幻觉率”;做自适应学习系统,需追踪 “知识图谱匹配度、学习路径优化效率” 等底层指标;
    • 警惕 “数据陷阱”:高等教育数据具有特殊性(如科研数据涉密、学生成绩数据敏感),需在数据采集前明确 “脱敏规则”,避免因追求模型效果而触碰合规红线;
    • 建立闭环思维:将用户反馈(如教师对 AI 批改结果的修正、学生对学习路径的调整)转化为模型优化的有效数据,形成 “需求 – 产品 – 数据 – 迭代” 的正向循环。

    2. 技术理解与协同能力:从 “模糊沟通” 到 “精准对话 + 边界共识”

    • 无需精通代码,但要懂 “AI 产品架构逻辑”:例如清楚向量数据库对文献检索工具的重要性(支持语义关联搜索)、模型缓存层对降低高校使用成本的价值(减少算力消耗);
    • 掌握 “技术语言翻译术”:当算法工程师提及 “模型泛化能力不足”,能快速转化为业务场景问题(“该 AI 工具在冷门学科答疑时容易出错”),并协同制定产品层面的解决方案(如增加人工兜底机制);
    • 明确 “技术边界”:例如知道 VR+AI 虚拟实验室无法替代真实工科实验,需在产品设计时明确 “辅助实操” 的定位,避免过度承诺导致用户预期偏差。

    3. 用户体验重构能力:从 “确定性交互” 到 “不确定性管理”

    • 应对 AI 的 “概率性输出”:高等教育产品的用户(教师、学者)对 “准确性” 要求极高,需通过产品设计管理预期 —— 例如 AI 生成科研文献摘要时,标注 “置信度评分”;AI 推荐学习路径时,提供 “自定义调整入口”;
    • 强化 “可解释性” 设计:区别于消费级 AI 产品,教育类 AI 需让用户 “知其然且知其所以然”:如 AI 批改编程作业时,不仅标注错误,还需说明 “报错逻辑 + 知识点关联”;AI 推荐课程时,展示 “匹配依据(专业要求 / 兴趣标签)”;
    • 避免 “过度智能化”:高校用户(尤其是资深教师、学者)重视 “自主决策空间”,产品设计需平衡 “AI 辅助” 与 “人工主导”,例如智能排课系统需保留 “手动调整权限”,文献分析工具需支持 “自定义筛选规则”。

    4. 教育场景专项能力:深耕 “行业认知”,打造不可替代壁垒

    • 理解高等教育的 “组织逻辑”:例如做 B 端教务管理系统,需懂高校 “院系协同、学分制度、教学评估标准”;做科研协作平台,需清楚 “跨机构合作的知识产权归属规则、科研经费使用规范”;
    • 聚焦 “垂直学科特性”:不同学科的 AI 需求差异显著 —— 医学类产品需对接临床案例库,法学类需关联法条数据库,工科类需适配实验设备参数,产品经理需积累对应学科的 “场景知识库”,避免做 “通用型 AI 工具”;
    • 兼顾 “社会价值”:高等教育的核心是 “育人” 与 “公平”,产品设计需考虑 “技术普惠”,例如跨区域教育资源均衡工具需 “轻量化适配”(降低偏远地区硬件门槛),终身学习平台需 “兼容非学历教育成果认证”。

    三、职业风险应对:在 “替代焦虑” 中找到 “不可替代的价值”

    AI 确实会替代部分产品经理的基础工作(如需求梳理、原型绘制、简单数据分析),但在高等教育领域,以下价值永远无法被 AI 替代:

    • 教育本质的洞察能力:AI 能处理数据,但无法理解 “教育的人文属性”—— 例如知道学生的 “学习焦虑” 不仅源于知识缺口,还可能涉及心理压力,需在产品中融入 “情绪安抚 + 资源对接” 功能;
    • 复杂场景的权衡能力:高校场景涉及多方利益(学生、教师、行政、科研机构),AI 无法平衡 “教学效果、管理效率、合规要求” 的多方诉求,产品经理需作为 “协调者” 找到最优解;
    • 长期价值的坚守能力:AI 技术迭代快,但高等教育的核心需求(知识传递、科研创新、人才培养)具有稳定性,产品经理需跳出 “短期功能迭代”,聚焦 “长期教育价值”,避免被技术浪潮带偏方向。

    四、成长路径规划:从 “入门” 到 “专家” 的三阶进化

    1. 入门阶段(0-1 年):夯实 “AI + 教育” 基础认知

    • 技术层面:学习 AI 产品核心概念(大模型、知识图谱、Prompt 工程),理解主流技术栈的应用边界;
    • 行业层面:深入高校场景调研(访谈教师 / 学生 / 行政人员),梳理不同角色的核心痛点与需求优先级;
    • 实践层面:参与单一功能模块设计(如 AI 答疑工具的作业场景适配),重点锻炼 “需求转化为 AI 功能” 的能力。

    2. 成长阶段(1-3 年):打造 “场景 + 技术” 复合能力

    • 深耕垂直领域:选择 1-2 个细分方向(如科研效率工具、教务管理系统),积累行业知识库与资源(对接高校院系、学科数据库);
    • 强化协同能力:主导跨职能团队协作(算法、开发、高校合作方),推动 AI 产品从原型到落地的全流程;
    • 建立数据思维:搭建产品专属的指标监控体系,通过数据驱动迭代优化,解决实际业务问题(如降低模型幻觉率、提升学科覆盖度)。

    3. 专家阶段(3 年 +):成为 “价值引领者”

    • 战略层面:参与产品赛道规划,预判高等教育 AI 的发展趋势(如终身学习、教育公平相关产品的爆发机会);
    • 生态层面:推动 “高校 + 技术 + 产业” 的资源整合(如对接高校科研团队优化模型、联动企业落地科研成果转化工具);
    • 行业层面:输出 “AI + 教育” 的产品方法论,参与制定行业合规标准(如学生数据隐私保护规范、AI 教育产品评估标准)。

    本文由 @灵美姐姐 原创发布于人人都是产品经理。未经作者许可,禁止转载

    题图来自Unsplash,基于CC0协议

    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

  • 豆包手机:AI革命的昙花一现与流量封杀

    nubia M153搭载的豆包手机助手,在2025年掀起了一场AI手机的狂欢。这款设备通过系统级Agent实现”意图即应用”的交互革命,仅凭语音指令就能跨平台操作所有App。然而短短7天后,它遭遇了微信、淘宝等巨头的联合封杀——这场闪电般的围剿揭示了一个残酷现实:AI正在挑战移动互联网时代的流量霸权与数据主权。

    2025年12月1日,一款名为“nubia M153”的工程样机横空出世。它没有顶级的摄像头,也没有极致的屏幕,却在几分钟内被抢购一空,二手市场甚至炒至万元。这就是搭载了豆包手机助手的“AI手机”。由字节跳动与中兴合作推出,它承诺的不是更快的处理器,而是一个全新的世界:你只需要动嘴,剩下的交给AI。

    然而,这场狂欢仅仅持续了不到一周。12月8日,微信强制下线、淘宝风控报警、银行App拒绝服务……这款被视为“AI时代iPhone”的产品,在上线短短几天后,遭遇了互联网巨头的联合“围剿”。这不仅仅是一款产品的失败,更是一场关于未来流量入口的残酷战争。

    一、一句指令,接管所有APP

    豆包手机的核心卖点不是普通AI助手的查天气、设闹钟,而是对日常App的“全自动接管”——用户无需手动操作任何软件,仅凭一句话就能完成跨平台复杂任务。

    • 购物场景:想买东西,无需逐一打开淘宝、京东、拼多多。只需说“帮我找一件200块以内的黑色卫衣,在三大平台比个价,把最便宜的加购物车”。手机屏幕自动亮起,AI接管了操作。豆包自动检索、对比价格、筛选商品,全程无需用户盯着屏幕,还可以切到后台运行;
    • 出行场景:规划出行,只需说“订明天下午3点上海到北京最便宜的机票,再约一个机场到公司的接机服务”,它就能联动携程、滴滴等App完成订票、下单;
    • 生活服务:说明口味偏好与预算后,AI 会在美团、饿了么筛选最优外卖选项,完成支付前的所有操作(支付环节需手动确认以保障安全)。

    以上全程无需人工干预。

    这不仅仅是效率的提升,这是对智能手机交互逻辑的彻底颠覆。你不需要再打开美团看首页推荐,不需要刷抖音找灵感,不需要点开微信翻找聊天记录。你只需要表达你的意图,AI就是你的“手”和“眼”,在各个App之间自由穿梭,为你打工。

    这意味着,手机的交互中心从“一个个孤立的图标(App)”,转移到了一个“统一的智能体(Agent)”。 豆包手机试图定义的,不是一个新的功能,而是一种新的范式:“意图即应用”。你无需寻找和打开应用,只需发出指令,手机便会调用全世界应用来为你服务。

    二、封禁的必然:捅破了巨头的“流量金库”

    为什么豆包手机会死得这么快?为什么巨头们会如此恐慌,以至于不惜一切代价进行封杀?

    1. 流量漏斗的崩塌

    在过去的移动互联网时代,流量就是巨头的生命线,它们早已构建起一套成熟的“注意力变现”模式。以淘宝买衣服为例,常规流程:打开淘宝后,会先看到首页的开屏广告、推荐信息流,再通过搜索框查找商品,过程中还要浏览不同店铺的详情页、对比评价,往往花了大半天才能完成下单。有时候挑礼物,光是搜索相关知识、对比不同产品就耗掉了整整一下午。而这漫长的过程,正是平台的盈利核心——首页广告位、信息流推荐、竞价排名,这些都是阿里、美团等公司的主要营收来源。

    但豆包手机助手的出现,彻底打破了这套规则。

    当用户无需打开淘宝首页、无需刷信息流就能完成购物,平台精心设计的广告位就成了“摆设”,广告商自然不会再花钱投放;当豆包直接帮用户完成全网比价,淘宝的竞价排名失去了意义,商家也无需再为排名付费。

    更致命的是,这种模式几乎适用于所有场景:用豆包助手自动回复微信消息,用户就不会再刷朋友圈,微信的广告收入会大幅缩水;用它自动处理外卖、出行需求,美团、携程的首页推荐流量也会骤降。对于这些巨头而言,豆包不是一个简单的工具,而是一个“流量掠夺者”,它将用户的注意力从超级App转移到自己身上,直接动摇了整个移动互联网的商业根基。

    2. “越权” 的系统级威胁

    微信、淘宝、美团,这些App之所以超级,是因为它们占据了手机桌面的第一入口。但豆包手机助手是系统级的Agent(智能体),它能够直接调用各大App的功能,而无需通过App的“同意”。

    • 对微信来说: 你用AI回消息,就不看朋友圈,不刷视频号,微信的广告收入因此受到重创。
    • 对淘宝来说: 你用AI比价,只买最便宜的,不看直播,不逛店铺,直接影响了淘宝的GMV(成交总额)和商业生态。
    • 对银行来说: AI拥有模拟点击的底层权限(INJECT_EVENTS),这成为了一个潜在的巨大资金安全隐患。

    在这种情况下,巨头们若不采取行动,他们的流量和收入模式将受到威胁。于是,它们选择联手封杀豆包手机,防止被AI“降维打击”。

    3. 数据主权与生态霸权的争夺

    巨头逻辑:每个App都是一个“数据孤岛”或“围墙花园”。你在淘宝的行为数据,是淘宝的资产;你在微信的社交图谱,是微信的核心壁垒。它们用这些数据训练自己的算法,向你推送广告和服务,形成商业闭环。

    豆包逻辑:作为系统级Agent,它试图打通所有数据孤岛。它能看到你在淘宝比价、在美团点餐、在微信聊天,从而为你提供全局最优解。但这相当于要拆掉所有花园的围墙,动摇了巨头商业模式的根基——数据垄断。封杀它,不是封杀一个功能,而是保卫自己的数据主权。

    除此之外,字节与巨头的天然竞争关系,也注定了豆包的困境。抖音与微信的流量之争早已是公开的秘密,连抖音链接都无法直接分享到微信,足以说明底层生态的壁垒的坚固。

    三、未来预测:谁能真正掌握AI入口

    从行业格局来看,最终能掌握AI入口的,绝不会是字节这种单纯的模型公司,而更可能是没有直接竞争关系、或占据底层生态的玩家——比如华为、小米等硬件厂商。

    • 底层适配能力:自有手机品牌与操作系统深度绑定,能避免 “模拟点击” 等违规操作,通过官方权限实现合规的跨场景协同;
    • 生态中立性:与腾讯、阿里等巨头无直接流量竞争,可通过 “能力赋能” 实现共赢(如为淘宝提供内置 AI 比价技术,按效果分成);
    • 硬件支撑:能针对 AI 算力需求优化芯片与续航,解决豆包在工程机上暴露的 “发热、卡顿” 等问题。

    豆包手机助手或许会成为历史,但它留下的火种不会熄灭。它用一种近乎悲壮的方式,告诉了所有人:用户的需求是真实的,解放双手的愿望是强烈的。虽然目前它被巨头的生态围墙撞得头破血流,但它证明了App时代的规则,在AI时代就是“枷锁”。

    正如抖音集团副总裁李亮所言:“AI带来的变革是真实存在的……不论这次是不是会成功,但AI一定是未来。”

    本文由 @王小佳 原创发布于人人都是产品经理。未经作者许可,禁止转载

    题图来自Unsplash,基于CC0协议

    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

  • 7486条内容种草实战:饱和攻击失效后,品牌该如何做好2026年的种草?

    2026年种草营销正面临“真实性崩塌”危机:饱和式投放、模板化内容与AI生成泛滥,正在将用户信任推向临界点。本文系统拆解舒泽团队服务50+品牌的实战方法论,从精准狙击、养草资产沉淀到用户共创与角色升维,揭示种草从“告知”转向“证明”的底层逻辑,并预警AI内容泛滥下“真人真实”将成为新信任门槛。

    过去一年半的时间里,舒泽一共为50+品牌提供了增长策略咨询。

    如果单纯从内容种草而言,舒泽团队一共投放了7486条内容,相当于月均400+条,分布在小红书、抖音、知乎、B站等平台。这些内容,有的是从0开始启动的新品牌,有的是老品牌遭遇增长瓶颈进行赛道换新,也有的是品牌陷入舆情之中老板想着救一救冲一冲,甚至还有的是品牌广告内容做得太多了想回归下心智……

    在舒泽介入之前,很多品牌其实做得已经蛮满的(注意,我说的是“满”,而不是“好”)。他们疯狂投KOL、铺KOC、堆素人、垒关键词,试图用数量淹没算法。特别是在做KOC内容的时候,很多团队为了心里踏实,把brief直接写成了另一版本的产品说明书,恨不得把所有的内容都塞进KOC的嘴里,以便于不放过每一个关键词位。同时,直接把预算、档期、人力都用饱和式的攻击办法推拉到极限,像极了想练大块头又没有专业方法只能把重量拉满的增肌男。

    即便如此拉满,在咨询过程中,很多老板/品牌部/市场部/营销部的负责人还是常常问:为啥越做,感觉品牌越使不上劲儿?

    *先做一个总结性的回答:这种饱和攻击的失效,如果2025年是因为流量拥挤,那么2026年的挑战将是真实性崩塌,所以如果方法不对,只能是做多错多,越来越使不上劲儿。

    01 饱和攻击的现状:品牌方、用户、达人三方越做越难

    其实,这种饱和攻击的背后是品牌方、用户、达人三方共同的难题。

    对于品牌方来说,钱花出去了,但是心智没占住。

    无论是QuestMobile显示的移动应用增长成本的逐年增加趋势还是中国互联网普及率的客观数据,都在说明一个问题:流量没有变多,但争抢流量的人变多了。

    有一个洗护品牌,2023年在小红书月均投放内容超过150篇,其中头部商单约18-20个(单个均价约1.4万元左右),剩下的为一些铺量内容;到了2024年下半年,特别是2025年上半年,同样的预算,CPE却涨了27.4%,笔记的自然流量也下降36.7%。

    为什么?因为平台的内容池太满了,特别是小红书和抖音。用户在APP的时间是有限的,但是平台的内容确实在指数级的增长,这就导致你的笔记要想被看到,要么砸更多的钱投流,要么被算法淹没在信息流里。

    但今天,有一个更为扎心的现实就是:就算这些内容被看到了,用户也不再买账了,更何况谈占领心智呢。其实,舒泽想说:当你按下给品牌种草变成种广告的那一个按钮后,心智占领就变成了心智污染。

    对于用户来说,我只是想看点真的东西,好的不好的,但就是看不到。

    舒泽在2025年5月的时候让团队做了一个小的调研,虽然样本数比较少,只有173个用户,但是背后的态度趋势值得重视。

    其中有一个核心关键问题是:你现在还相信,那些素人的种草吗?

    其中有162个回答是:不信。

    同样基于身边53个真实社交圈的好友调研后,也有48个好友反馈不信,其中甚至有26个直接吐槽起了对应的品牌,甚至这些品牌的种草内容变成了用户的避雷内容。

    对于什么是会变成品牌负资产的低质内容,舒泽结合真实的用户反馈,总结了这样三种雷区:

    1.模版化套路

    比如“姐妹们,这个绝了!用了一周真的是明显白了一个度”,这种内容看多了,用户的第一反应就不再是我也想买,而是这又是广告,烦死了。

    2.铺量式的轰炸

    用户最讨厌在一个搜索场景下,我刷到10条笔记,有四五条都在讲同一款产品。有一个朋友直接和舒泽讲“这不是种草,这简直就是骚扰”。

    舒泽见过一个最夸张的国产洗发水品牌,标榜自己来自欧洲。一周内投放了300多篇KOC和素人笔记,特别是素人笔记内容高度同质化,甚至连配图风格都一样,最搞笑的是很多内容小红书是南方的IP地址,抖音出现一样的内容却是北方的IP地址,评论区也全是假的水军。真不知道,是什么样的品牌负责人如此聪明?是什么样的投放机构如此专业负责?

    3.很脏的痛点绑架

    比如,“不用这个你就会长皱纹”“爱自己就要送自己一个XX”,这种内容可能对一些低认知的用户短期有效(吧),但长期来看只会让越来越多的内容观众厌恶这个品牌,舒泽对这种品牌常常是生理性厌恶。

    以上这三点,是舒泽分析得出的会成功引起用户反感的品牌负资产内容。其实,借用上个月看到的一个中国互联网广告数据报告中的一句话:用户的成熟度在快速提升,他们对应用内容质量的要求也在迅速提高,对强转化为目的的硬广内容容忍度在指数级降低。(作为一个10年多的行业从业者,舒泽觉得用户不是不愿意被种草,而是不愿意被当傻子~)

    对(真的)达人来说,这是一场劣币驱逐良币的(伪)升级

    我认识一个做家居、护肤测评的小红书博主,粉丝大概2.7万,虽然不多,但内容质量很高。特别是护肤测评,每篇笔记都会做成分分析,甚至有的会拿朋友的脸做对比测试,写详细的测评笔记。

    她在10月的时候告诉我,她今年接到的商单数量下降了60%。我问她为什么?她说很多品牌觉得性价比不高,同样的预算找她做一篇深度测评还不如找20个小KOC或者50个素人发布一些理想化的卖点模版笔记,然后机构还能给这些笔记做数据,这样品牌方的人脸上也好看……

    这就是现实,铺量优先,质量其次。结果,认真做内容,能给品牌带来正资产的达人接不到单,水军账号和数据造假者却活得滋润。

    舒泽在之前《小红书推品:4.2万元预算,如何撬动387.43万的曝光,还能销售回本?》一文中有提到过一个概念叫“EVAF达人检测模型”,互动指数、内容价值、数据真实性、品牌匹配度。现在回头看,真正能通过这个模型筛选的达人,在市场上反而是性价比最低的那批。

    所以,目前整个种草环境已经陷入了恶性循环:内容越来越水——用户越来越不信——品牌越来越焦虑——投放越来越卷——内容更加工业化批量化同质化……

    02 饱和攻击失效的原因:本质和逻辑的把握出现方向性问题

    饱和攻击失效,其实是必然。但关于失效的原因,如果简单的归因为流量红利消失,或者是用户注意力分散就过于片面了。

    舒泽认为营销,特别是种草营销已经从单纯的告知和触达,变成了证明和运营。

    也就是说,过去信息稀缺,用户不知道有什么产品,品牌营销的任务是让用户知道。所以,铺量是有效的,你喊得越响,用户记得越牢。而现在,信息过载,用户的解决list上不缺选项,用户缺的是判断。品牌营销的任务不再只是单纯的让用户知道,而是让用户相信你是最优解。这是本质性的变化。

    所以,当你的产品只是用户list上的一个选项(注意!只是一个选项),你需要做的不是继续喊我很好,而是证明我为什么是你的最优解。无论是铺量、模版还是脏绑架解决的都只是覆盖问题,而不是说服问题,哪怕你可以让2000万个人都看到你,但如果这2000万人看完之后的反应是“哦~又一个……”,那这2000万个触达就都是无效的。

    当然,饱和攻击思维的失效,其实根本是因为品牌行业的从业者很多鱼龙混杂(我不理解什么人都能做品牌这件事,反正我在招聘品牌部的成员时,我选择极其苛刻)。这种鱼龙混杂的品牌从业者没有科学的认知体系和底层逻辑,导致了不知从哪看的一知半解的方法论就批量化应用,甚至形成这个帮派、那个组织。这些从业者:

    他们常常把触达=认知。

    传统的种草逻辑是,用户被触达的次数越多,对品牌的印象就越深刻,购买意愿就越强。但是,大哥大姐们,这是电视广播时代的思路,现在还用这个思路,真的蛮有(不)趣(专业)的。

    目前的状态,要搞清楚,当用户被同类信息反复推荐轰炸的时候,大脑就会自动屏蔽这些信息(舒泽甚至有空会挨个举报)。

    最糟糕的是,很多品牌从业者,还意识不到过度触达不仅无法建立认知,还会产生负面效果,给品牌带来负面资产。这就像文章开始舒泽说的有人吐槽这不是在种草,这是在实施骚扰。

    之前有一个母婴用户的CMO求助舒泽,他们在三个月对同一个画像用户触达了8次,且内容话术高度雷同,但结果是用户对品牌的主动搜索不升反降。

    他们常常把曝光=信任。

    种草的本质是什么?种草的本质是营销。营销的本质是什么?营销的本质是告知价值和证明价值,从而建立信任。

    但,当种草被变成一门批量化工业化模版化生产的生意时,这个信任就被稀释了。特别是,现在各个平台上内容的商业化程度越来越高,用户基本能达到一眼识别的程度。

    如果说信任的建立需要真诚和时间,那么信任的消解可能只是看了几篇你为了增加曝光量而铺的量、或者脏脏的标题党。

    他们常常把短期转化=长期价值。

    很多品牌营销的种草KPI是这样设定的:本月投放50万,要求带来100万的GMV,ROI不低于1:2。先不说这个KPI有没有问题,舒泽觉得这事儿很短期、很收割、很白牌。

    小红书之前提过一个概念,ROI(T+X)。T是投放日,X是消费决策周期。在写这篇文章的时候,舒泽特意查了很多品类的用户决策周期,护肤精华大概在20天+(客单价高的甚至在30天+),部分母婴甚至达到了60天+。

    这意味着什么?这意味着很多目前的投放逻辑都是错的,内容铺量而出,关注当月转化,而不关注长期耕耘。(其实写到这里,也是一个悖论:明明做的就是工业化的铺量内容,耕耘一个不长草的地,有意义吗?这件事的核心还是在选择怎么种草的那一个起始环节就错了。)

    舒泽之前,多次在不同的文章说过,种草的核心价值不是卖货,而是帮助品牌建立心智。因为用户就算看到了种草也不一定当场就买,但是这个种草不代表没有用。他们可能会在其他渠道继续被种草,然后在某个时刻产生想要的转化。这就是舒泽之前提出的场域协同种草的底层认知逻辑模型。

    如果你只盯着短期ROI,就会陷入不停投放——效果递减——加大投放的死循环。

    03 解决问题的底层逻辑:存量竞争时代种草的核心作用

    舒泽习惯于先讲问题,再讲底层逻辑,最后讲解法。

    这个解法,我们首先要基于一个共识,即:在存量竞争时代,品牌营销种草的最核心作用只有两个,一个是降低用户的选择成本,一个是降低用户的信任成本。

    有了共识,我们再来看一个关于用户怎么刷内容的底层逻辑:

    当用户在刷小红书或者抖音的时候,他们处于一种放松的、直觉主导的、低耗能的状态。

    *心理学上把人的思维系统分为两种,系统1和系统2。系统1是直觉思维,快速、自动、不费力。系统2是理性思维,缓慢、刻意、耗费精力。

    用户在刷短视频或者笔记的时候,调用的体系几乎全是系统1。他们不会认真分析你的成分,也不会仔细阅读你的参数,不会像做研究一样对比你和竞品的差异。

    他们会在很快的时间内做出一个判断,这个和我有关吗?low吗?有意思吗?值得继续看下去吗?如果出现了一丝否定的答案,那么手指一滑你就消失了。所以,很多内容其实都是带有先天失效基因的,只不过在当今媒介语境下更加严重。

    今天这篇文章不是讲内容的,所以此处就不再展开。舒泽受《故事经济学》和《影响力》等经典影响,创造了品牌内容资产沉淀之故事种草三标准三要素法则。

    以上,做种草的内容,第一步到底是我想要传递什么信息,还是思考用户会在什么状态下会看到这条内容,什么样的内容会在这个状态下打动他们,就能看出策略段位的高低了。

    04 七大解法:如何让种草形成品牌资产

    然后,舒泽总结了七个互相关联的方法论体系。

    一、从饱和攻击到精准狙击:核心圈定法+真实老用户撬动叠加触达法+内容节点流转法+EVAF筛选法

    2024年,舒泽服务过一个新锐洗护品牌,帮他们做了一次投放策略的重构咨询。他们之前的做法是每个月投放固定的150-180篇内容,覆盖16-20个品类关键词,然后合作至少100个达人。(因为有些达人是多篇建立信任,所以总数量大于总人数。)

    舒泽让他们按照我的方法,从push人群、投放内容、达人筛选三方面进行更精准的拆解和重组:

    1.不是所有的用户都值得你花钱触达

    舒泽给他们的策略是画两个圈,一个圈是最有可能为你发声的人群,第二个圈是你筛选三遍后觉得最精准的人群,然后花重精力投放这两个圈交叉部分的人群。

    这背后的逻辑是:用传统媒介投放+官方UGC活动的双重逻辑来重构整个内容投放,一方面确保在核心人群中打透,另一方面通过1+N的传播影响模型增加真实用户对真实用户的触达撬动和曝光撬动,从而产生非直接的深刻的价值心智影响。

    2.不要做全内容,而是要做节点内容

    舒泽根据洗护用户的决策习惯和决策路径,让品牌方准备三类内容:

    -认知阶段内容:聚焦在痛点的唤醒,不要提品牌和产品,只唤起痛点问题

    -考虑阶段内容:聚焦在产品的解决方案,和品牌的一些信任背书,只作为答案选择出现

    -决策阶段内容:聚焦在产品的使用体验,和品牌的个性化服务,全真实达人个性化真实反馈

    以上内容,和品牌型内容、电商活动内容按照节奏出街。

    3.不是粉丝多数据高就值得投,精准筛选匹配度

    让品牌方用EVAF模型重新筛选达人池达人,最后入选的达人真实互动画像(不是粉丝画像)和我们想要的人群重合度超过70%。

    结果,大概三个半月的时间,品牌的进店成本下降了46%,搜索词排名从50+升到12,GMV较上一个周期增长53%,而这次整个预算只有上一个周期的89%。

    当然,在这个模块还有一个很核心的点,就是这个品牌按照营销的证明功能,做了场景化证明、对比化证明、用户化证明。

    二、从种草到养草:关键创意假设库+内容IP系列矩阵+UGC激活

    90%的品牌方都把种草内容当作一次性消费,投完了就投完了,下个周期再投新的,这其实是巨大的浪费。

    舒泽之前和团队提出过一个概念叫内容故事资产沉淀,好的种草内容,要能持续产生价值,甚至能成为品牌用户故事的一部分。

    具体做法,舒泽之前在很多文章都写过,今天就再系统性的梳理一下:

    1.建立长尾内容库和关键创意假设库

    无论是小红书还是抖音,搜索流量都是很重要的增长点,特别是小红书已经成为生活搜索引擎。

    这意味着,一篇优质的笔记即使发布了半年、一年,只要关键词布局合理,依然可以被搜索推荐、被阅读互动,甚至转化。

    我建议品牌建立己方的长尾内容库,和竞品/行业/跨行业的关键创意假设库,把那些数据表现好、用户评价好、认知撬动高的内容整理出来,定期更新、持续优化,让他们成为品牌的智库和资产。

    2.打造内容IP矩阵

    单篇笔记的生命周期是有限的,但如果能把主题类型内容做成系列IP,那它的生命周期就可以被延长。

    这个既可以官方做,又可以三方做,时间长了,这个系列IP就会成为品牌的内容资产、故事资产。

    3.沉淀真实的用户反馈

    不要一味的闷头采买投放,也要考虑怎么激发已经购买的用户的UGC,这种UGC其实是最有价值的草。

    三、从达人采买到用户共创:设计分享峰值+提供共创条件+社群游戏+新品共创

    其实这个相当于把上一条第三点单独拿出来重点讲,就是让用户成为种草的主体,而不只是被种草的对象。

    传统的种草模式是单向的:品牌——达人——用户。这个模式是最标准的模式,不会错。但这个模式也有一个致命问题,达人是中介,而中介的风险和成本都很高。

    舒泽更建议,品牌在2026年的新模式可以尝试打造:品牌——用户——用户。

    怎么理解这个模式?

    1.找到可分享体验的峰值,并且场景化放大它

    就像舒泽之前做3C做潮玩做个护的时候,往往会找到产品体验中一个“哇”的时刻,这个可能就是用户最有分享冲动的时刻。把这个时刻设计好,设计得足够有视觉冲击力或情感冲击力,用它来对冲系统1和系统2的影响。

    *我们设置峰值体验,本质上就是为了强行打断用户系统1的划过惯性,瞬间激活系统2的关注,或者反过来利用系统1的直觉直接下达指令。

    2.降低UGC的创作门槛

    很多用户想分享使用体验,但苦于不知道怎么拍、怎么写。

    品牌方可以提供周期性、节点性的创作创意玩法模版库,这个可不是模版化的批量生产,也不是让用户抄,而是给一个参考框架,满足用户的表达欲,降低创作难度。

    3.建立用户社区或社群

    主题社区和私域社群不是用来促进销售、发放优惠券的,而是要用来经营用户关系。在社区社群里,通过符合品牌BI的人设发言来鼓励用户分享真实体验、提出改进意见、发散创意玩法、参与新品测试,同时伴随UGC利益点,这些用户就会成为品牌最忠诚的自来水。

    4.让用户参与产品共创

    最高级的种草,是让用户觉得这个产品是我参与设计的。

    舒泽见过一个有趣的案例,某个新锐的彩妆品牌在开第二曲线SKU赛道的新品研发阶段,邀请了100个主品牌的核心用户参与试用和反馈。最终这个新品上市时,这100个用户不仅达成了92%的购买率,还主动拉朋友购买,甚至主动在自己的社交媒体账户分享这个产品和当时自己的试用感受和科技体验感受,因为她们觉得自己是这个产品的联合创造者。

    以上,就能把用户从单纯的被动接受者变成忠实的主动传播者。舒泽认为,如果你能做到这种从媒介资源采买到赢得用户主动表达的策略转变,你的种草效率会有质的飞跃。

    四、从苛求单次转化到必须完成长期影响:预期调整+73法则

    很多时候,很多品牌方不见得是策略不对,而是心态不对。品牌是长期主义的事业,种草是持续投入的工程。

    舒泽的建议是直接把种草预算分成两个部分,70%用于建设,30%用于收割。

    建设是什么?是品牌认知、用户心智、品牌内容故事资产。

    收割是什么?是大促转化、效果投放、短期ROI。

    很多品牌因为这个心态预期的问题,就把比例搞反了,甚至90%的预算来用于收割。结果可不就是越收割,可收割的就越少,越急躁,用户越疏远你。

    舒泽想说,心智占领其实没有捷径的,就像我完全不相信很多营销套路,只有时间和持续的真诚投入才能完成品牌的坚实的长期影响。

    五、从平台内卷到垂类场景破圈

    2022年开始很多品牌都在小红书抖音上卷,结果CPM越来越高,CTR越来越低,特别是2024年下半年和2025年,小红书已经卷到不成样子。舒泽对此的建议是跳出来,找到新的触点。

    1.决策强效期,要更加注重线下场景,因为线下场景很多是强制触达,用户没办法划走、没办法跳过。而对于创意内容,用户的二创内容又会给品牌带来新的增长可能。

    2.决策对比期,更加注重人群垂类场景,不是所有的用户都在小红书、抖音上完成消费决策,一些主题的运动社区、母婴社区、二次元社区其实用户粘性更高、信任度更强,虽然体量小,但转化率往往更高。

    3.消费复购和衍生种草,更加注重私域场景,之前舒泽在多篇文章中都提到了私域对于种草的深刻影响,作用于内容增长、质量增强和费用降低。特别是很多私域借助其庞大的用户基础和社交链接,通过中长内容会带来更多的信息增量,能实现深度种草。根据舒泽的多轮实操,看下来,私域种草的成本更低、用户粘性更高、复购转化更好。

    以上,虽然只举了3个例子,但实际的实操中根据行业不同品类不同还有更多可能性。舒泽想说的是破圈的本质是在新的场景里建立新的触点,而不是在旧的战场上无限内卷。

    六、从卖家到组织者的重新角色定义:舒泽认为的种草与品牌价值表达交融的深度形态

    *普通的媒介主管、品牌经理、品牌总监/营销总监无法完成。

    这是一个十分深刻的转变。传统思维里,品牌是卖家,用户是买家。品牌的任务是把产品卖给用户,用户的任务是买或者不买。

    但目前态势下的营销种草,如果还以这个为定位是有问题的。因为用户不喜欢被推销,尤其是我之前提到的反复类推销内容的信息骚扰。当你以卖家姿态出现的时候,你的用户就天然的会有一层防御心理,你为了收割圈钱。

    更好的定位是什么,品牌可以成为社区组织者,这个相当于把五.3的内容升维。

    什么是社区组织者?就是一群有共同兴趣、共同追求的人的连接者和服务者。我举个例子,一个护肤品牌,传统定位下就是卖护肤品的,但是通过认知升维可以把自己的社区组织者定位为帮助敏感肌人群解决皮肤问题的服务平台,不光是护肤品,还有皮肤免疫增强食谱和运动。

    区别是:传统的卖家逻辑是我有产品,你来买;但组织者逻辑是,我们这是一群有一样问题的人,我来帮大家找到解决方案,顺便我自己也做了一些产品。这个逻辑下的转变带来的变化就是:用户不再把你当作要赚我钱的人,而是当作要帮我解决问题的人,信任感和后续运营空间就指数级增强了。

    对于这个点,也就是舒泽为什么会在任何品牌任职的时候争取整个品牌市场营销用户四大模块的主导权的原因,因为这个具体实操涉及整个战略制定和资源调度层面。一些有效的具体实操做法如下:

    1.营销活动的设计要从促销转变为赋能,不要只想着让用户买买买,要想怎么去赋能用户去表达、去社交、去实现品牌与用户的价值交互。一个好的营销(注意我不是说促销)活动,用户参与完之后的感受应该是品牌帮我完成了某种表达,而不是我被这个品牌用这个产品给割了。

    2.品牌内容的生产要从单向输出转为双向对话,不要只是自己说,要让用户也说。评论区的互动(这个是舒泽认为2026年种草工作最应该关注和提升的模块)、社群里的讨论、用户反馈的采纳等等,这些都是对话的形式。

    七、矩阵协同,来彻底重构种草的组织方式:舒泽一直奉行的综合种草政策

    上文也具体提过很多品牌做种草可能100个不够就500个,500个不够就1000个,但这种人海战术其实在种草工作上越来越不专业了。之前在《1.4万字实操解码高客单价产品在B站、知乎、小红书、抖音和垂类媒体的协同营销》一文中具体讲过这个问题,这里不再展开分析了,舒泽结合了23年写过的BGC+PUGC+UGC,直接上干货。

    第一层是1个品牌主阵地,也就是品牌官号。他的角色是品牌人设的树立者、权威信息的发布源、搜索流量的承接者。很多品牌官方号做得很官方,高高在上不接地气,这是有问题的。舒泽认为官方号应该是一个有温度的官方博主,有人设、有个性、会互动。

    一般情况,舒泽建议1主+2辅的矩阵,主号做品牌和产品的核心内容,一个辅号做用户福利和私域引流,一个辅号做一个高端/专业/硬核的背书,这三个号相互配合,形成立体的发声阵地。

    第二个层面就是N个核心KOL/KOC,这是经过苛刻筛选的优质发声伙伴,数量不需要太多,他们的角色就是在相关圈层攻坚,建立信任壁垒。这些人的合作,要深度合作,不要给死板brief,只给核心Message,让他们创造,允许他们成为他们自己。

    第三个层面就是X个真实的素人,特别是购后的素人。这个无论是之前的文章,还是本篇文章都已经讲了很多。他们的角色就是氛围组,主要负责场景化的长尾关键词覆盖搜索入口。具体的一些更详细实操,看我这篇文章《8300字拆解KOC、素人和营销号的协同投放》。

    舒泽认为,做完这些,其实就已经脱离了一个普通的种草工作,已经是一个品牌的全面输出维度。但,只有当你能做到这些,你才能站在品牌视角,你的种草内容才能形成品牌资产。

    05 一个变量,洞察2026年的新变量

    文章的标题也有说:做好2026年种草。

    所以写到这,舒泽又不得不提2026年种草的一个最大变量——当机器开始种草,也或者说当AI开始种草。

    请你设想一个场景:2026年的某一天,当你打开小红书,刷到一篇护肤测评,图片很精美、文案很流畅,就连使用感受都被描述得细腻真实,你觉得这个产品可能真的适合你,于是你准备下单。然后,你突然意识到一个问题,这篇笔记可能从第一个字到最后一个字,甚至图片都是AI生成的,写这篇分享的人,可能从未用过甚至摸过这款产品。

    这可不是科幻,这就是2025年正在发生的事儿,甚至很多机构大力诱导品牌方要这么做。2025年,AI生成的能力已经跨过了可用的门槛,一个能很好掌握工具的人,一天甚至就可以产出过去一个团队(4-5人)一周的内容量。从文案、图片,再到视频、音频,成本正趋向于0(指单内容)。

    当生产成本趋近于0,产量会发生什么?

    对,就是爆炸!

    舒泽对于2026年的判断是,内容供给将迎来一次结构性的过剩,这可不是说10%还是20%的增长,即使不到指数级,但也绝对能称之为数量级。

    这对品牌来说又意味着什么?

    意味着你之前所担心的内容同质化,在这种情况下会显得很古老和玩笑。同质化?那是因为产量还不够大,当AI辅助下产量足够大的时候,用户面对的将是一片无法分辨真假的内容沼泽。

    那,用户又会怎样反应呢?

    他们会启动更强的防御机制,每一条内容,第一反应不再是这说的对不对、有没有道理,而是这是真人说的,真听真看真感受吗?信任的门槛则会从内容是否真诚上升到内容是否是由真人生产,这是一个根本性的变化。

    舒泽觉得平台也不会坐以待毙,可以预见的是小红书啊抖音啊快手啊微信啊这些大的内容平台一定会升级审核机制。但,这背后还有两个问题:1.大量促使平台和AI内容会达到一个微妙的平衡(用户依旧怀疑加剧);2.很多所谓完美的内容失去看见的机会(用户根本看不到)。

    所以舒泽认为2026年种草的挑战,在怎么做出好的内容基础上,还有一个就是怎么证明你的内容是真的。这也就是舒泽在前面的段落花费很大的力气讲底层逻辑,为什么种草是证明而不再是单纯的告知、是赢得而不是简单的采买、是共创而不是单向输出背后的逻辑。

    怎么做出真的、人味的内容,舒泽之前很多篇文章讲的都很详细,这里就不再赘述了。

    ————————————

    这篇文章写到这,又差不多9000多字了。最后舒泽想说几句题外话:

    1.作为老板、作为决策者别执拗的认为你的种草同学没做好,我写的这7大点方法论,有4大点其实都是你作为策略制定者、作为决策者,自己对于这件事的专业度不行、认知能力不足和战略规划不到位。

    2.所有的品牌方,别把种草理解成一种获客手段,花钱——投放——触达——转化,这个理解是很肤浅的,种草的本质是关系经营。这不仅是一种认知的升维,也会让很多问题迎刃而解。

    本文由人人都是产品经理作者【舒泽品牌手记】,微信公众号:【舒泽品牌手记】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。

    题图来自Unsplash,基于 CC0 协议。

  • 放弃预测噪声,AI绘画才真的“轻”了?何恺明JiT架构的底层逻辑颠覆

    AI绘画领域正面临一场范式革命,何恺明团队的最新论文《Back to Basics》直指扩散模型的核心缺陷,提出了颠覆性的x-prediction解决方案。本文深度剖析了当前主流AI绘画模型因目标错配导致的技术债务,并揭示JiT架构如何通过回归本质目标,实现从复杂组件堆砌到极简端到端设计的范式转变,为行业带来成本结构和生态布局的全新思考。

    最近,ResNet作者何恺明团队一篇《Back to Basics》的论文在AI圈引发热议。作为曾以一篇论文被引用超20万次、定义现代深度学习架构的学术大牛,这次他把矛头对准了生成式AI领域公认的“标准答案”——扩散模型,提出了一个颠覆性观点:如今AI绘画模型的臃肿复杂,根源竟是从一开始就定错了核心目标。

    一、现状困局:为错配目标买单的技术债务

    现在行业主流的AI绘画模型,比如Stable Diffusion这类潜扩散模型(LDM),架构复杂到让开发者头疼。但这种复杂并非技术升级的必然,而是为了掩盖一个“反直觉”的目标设计——让模型预测噪声(ε-prediction)。

    这就像让员工去数满是雪花的电视屏幕上每个噪点的位置和数量,本身就是一项高难度、反常识的高维计算任务。为了让模型能完成这个不合理的目标,行业不得不叠加各种“中间件”,却埋下了重重隐患:

    1. VAE有损压缩:图像细节的“隐形损耗”

    为了处理高分辨率图像,LDM必须先通过VAE(变分自编码器)进行压缩。主流SD模型的压缩率高达f8,也就是长宽各缩小8倍,512×512的图像会被压缩到64×64的潜空间。这种压缩是不可逆的,就像把高清照片压成模糊缩略图再还原,文字模糊、人脸微表情丢失、图像中出现莫名的“黑洞”伪影,本质上都是VAE这个“中间商”造成的信息损耗。

    2. 额外编码开销:拖慢速度的“冗余环节”

    为了让模型理解图像,还需要把图像切碎、编码,这不仅增加了推理延迟,让生成一张图要等更久,还让文本和图像的多模态对齐变得异常困难。很多开发者都有过类似经历:为了调优VAE和U-Net的特征对齐,研发周期被迫拉长数周,而推理时的显存占用始终居高不下,成为落地时的一大障碍。

    这些层层叠加的技术组件,本质上都是为了弥补初始目标设计的缺陷,最终形成了沉重的技术债务,让AI绘画模型陷入“越优化越复杂”的循环。

    二、核心破局:换个目标,让系统“轻装上阵”

    何恺明团队的核心洞察,是把模型目标从“预测噪声”改成“直接预测原图”(x-prediction)。这背后藏着一个关键的数学逻辑——流形假设。

    简单来说,真实世界中的有效图像(比如一只猫、一朵花),在数学上其实分布在一个极低维度的“流形”上,就像在广阔沙漠中只有一条清晰的道路;而噪声则充满了整个高维空间,如同沙漠中漫天的黄沙。

    过去让模型预测噪声,相当于让AI在漫天黄沙中寻找规律,难度极大,只能靠VAE降维等手段辅助;而让模型直接预测原图,就相当于让AI始终朝着那条清晰的道路前进,目标函数的收敛性自然更好。

    MIT最新研究显示,一旦切换到x-prediction目标,之前复杂的VAE、Tokenizer等组件都成了多余。只需要一个最基础的Transformer(ViT),就能跑通AI绘画的全流程——这就是JiT(Just image Transformers)架构的核心逻辑。

    三、架构革命:极简主义的“少即是多”

    JiT的设计哲学堪称激进,它砍掉了所有非必要的“特殊设计”,回归到最纯粹的端到端优化:

    • 无需Tokenizer:不用把图像切成小块编码,直接处理原始图像数据;
    • 无需VAE:在像素空间直接生成图像,所见即所得,彻底避免压缩带来的信息损耗;
    • 可选CLIP:即便不依赖大规模预训练的文本编码器,也能生成有意义的图像。

    这种架构变革,让AI绘画模型的开发逻辑从“搭积木式”的组件拼凑,回归到“端到端”的统一优化,从根源上简化了技术栈,也为解决长期存在的技术债务提供了新思路。

    四、商业落地:机遇与挑战并存

    作为产品人,JiT架构的价值远不止于技术简化,更可能重构AI绘画的成本结构和行业生态,但落地过程也面临三重现实考验:

    1. 研发成本的“降维空间”

    目前训练一个Stable Diffusion 2级别的模型,仅硬件成本就约5万美元,再加上调试VAE、数据清洗、对齐微调的人力成本,总拥有成本(TCO)相当高昂。JiT证明了去掉VAE预训练环节的可行性,如果复用这种架构,下一代模型的冷启动训练时间有望大幅缩减,迭代速度将显著提升,这对企业来说是重要的成本洼地。

    2. 生态迁移的“转换成本”

    虽然JiT架构更简洁,但商业化落地面临巨大的生态壁垒。目前AI绘画的整个生态(比如ControlNet、LoRA、AnimateDiff等插件)都建立在Stable Diffusion的潜空间之上,若转向JiT,所有社区插件都需要重写。对商业公司而言,技术优势往往难以对抗生态优势,除非JiT能在生成质量上实现类似Sora对视频模型的“降维打击”,否则短期内很难撼动SD的主导地位。

    3. 算力需求的“平衡博弈”

    直接在像素空间运行Transformer,计算量会大幅增加。传统LDM通过潜空间压缩,能将计算需求降低约48倍,而JiT为了应对计算暴涨,采用了激进的像素打包策略(比如将16×16或32×32的像素打包处理),本质上是用“颗粒度”换取“计算效率”。这可能导致JiT在手机等低算力端侧设备的部署难度,比SD还要大,如何平衡计算效率与生成质量,是其商业化的关键。

    五、回归本质:产品复杂时,先检查目标是否正确

    目前来看,JiT的生成效果(FID Score)虽有竞争力,但尚未达到商业级的惊艳水准,还不是Midjourney V6的直接竞争对手。但它的战略意义远超技术本身——它教会我们“去习得”(Unlearning):过去三年在扩散模型上堆砌的复杂组件,可能只是为了弥补初始目标错误而打的补丁。

    这对产品人有着深刻的启示:当我们的产品逻辑越来越臃肿,需要靠无数个边缘案例的补丁来维持运转时,不妨停下来反思:是不是从一开始,我们的北极星指标(North Star Metric)就定错了?

    技术的进步往往不是源于组件的堆砌,而是源于对核心问题的重新审视。JiT架构的出现,让AI绘画回归到“直接生成图像”的本质目标,也为整个行业提供了一个重要思路:回归本源,或许才是突破瓶颈的最短路径。

    本文由 @命运石之门 原创发布于人人都是产品经理。未经作者许可,禁止转载

    题图来自Unsplash,基于CC0协议

  • B端产品从0到1全流程:实战复盘与场景拆解

    深耕产品领域十年,我曾亲历多行业的系统从概念到落地,金融领域系统从合规要求到用户体验优化,智慧城市系统从业务流程到技术实现的完整过程。今天我将这些实战经验凝练成B端产品从0到1的完整路线图,结合具体场景拆解,为产品同仁们提供一份可操作的行动指南。

    第一阶段:明确为何而战—找准产品核心价值

    在启动任何B端产品项目前,必须回答一个根本问题:我们解决了什么核心问题?

    B端产品的本质不是功能堆砌,而是为特定业务场景提供效率工具或解决方案。以我亲历的金融双录系统为例,当时监管机构要求金融机构在销售理财、保险等产品时必须同步录音录像,以确保销售过程合规。

    表面上看,这是一个技术实现问题——如何录制和存储音视频。但深入分析后,我们发现核心痛点在于:

    1. 如何在满足监管要求的同时,最小化对现有销售流程的冲击?
    2. 如何在录制过程中引导销售人员和客户完成必要步骤?
    3. 如何确保录制内容可回溯、可验证、符合法规要求?

    这些洞察使我们的产品方向从“录制工具”转向“合规销售辅助系统”,重新定义了产品价值主张:不是增加销售负担,而是通过结构化流程帮助销售合规展业,降低机构合规风险。

    这个阶段,我们的工作重点是:

    1. 深度访谈10家以上金融机构的合规部门、销售团队和IT部门
    2. 分析监管文件的具体要求和潜在执行难点
    3. 梳理现有销售流程中的合规断点和改进机会
    4. 明确产品的核心指标:合规率、平均录制时长、销售接受度

    关键产出:产品价值主张文档,包含目标用户画像、核心痛点分析、成功标准定义。

    第二阶段:看见战场全貌—全景式业务调研

    B端产品与C端的显著差异在于,B端产品必须融入现有业务流程和组织结构。以供应链金融系统为例,我们最初只关注核心企业融资需求,但调研后发现,一个成功的供应链金融系统需要平衡五方利益:

    1. 核心企业:优化现金流,加强供应链管控
    2. 上游供应商:获得低成本融资,加速资金周转
    3. 金融机构:控制风险,拓展优质客户
    4. 物流公司:提供货物监管,拓展增值服务
    5. 技术支持方:确保系统稳定,数据准确

    我们通过三个月的时间,完成了以下调研工作:

    1. 流程跟踪:跟随10笔实际供应链金融交易,记录每个环节的痛点和优化点
    2. 利益相关方工作坊:组织跨角色会议,可视化业务流程中的断点和冲突
    3. 竞品分析:不仅分析同类产品,还研究传统线下流程的优势与惯性
    4. 技术可行性评估:评估区块链、物联网等新技术在场景中的适用性

    调研中发现的关键洞察是:供应链金融的核心难点不是技术实现,而是多方信任机制的建立。这促使我们将产品重点从“融资效率”转向“信任构建”,引入了区块链存证、物联网监控等技术手段。

    关键产出:业务全景图、利益相关方分析矩阵、业务流程优化方案。

    第三阶段:绘制作战地图—结构化方案设计

    有了清晰的战场认知后,我们进入方案设计阶段。这个阶段的核心原则是:先流程,后界面;先业务,后功能

    以大数据教学实训平台为例,我们面对的是一所高校的定制化需求。传统的做法是快速出原型,但我们选择了不同的路径:

    第一步:教学流程重构

    我们发现,大数据教学的核心瓶颈不是工具缺乏,而是理论与实践脱节。因此,我们与教研团队合作,重新设计了“理论-案例-实操-项目”四阶段教学流程,产品只是这个流程的支撑工具。

    第二步:模块化架构设计

    基于重构后的教学流程,我们将产品拆解为四个核心模块:

    1. 理论教学区:集成课件、视频、在线测试
    2. 案例实训区:提供行业数据集和标准分析流程
    3. 沙箱实操区:学生可在隔离环境中编写和运行代码
    4. 项目管理区:支持团队协作和项目成果展示

    第三步:渐进式功能规划

    我们采用MVP(最小可行产品)思路,将首版功能聚焦在“解决最痛的点”:

    1. 版本1.0:重点建设沙箱实操区,解决学生无处练习的痛点
    2. 版本1.5:增加案例实训区,提供结构化学习路径
    3. 版本2.0:完善理论教学区和项目管理区

    这种渐进式设计让我们在三个月内就交付了可用的首版产品,并获得了早期用户反馈,指导后续迭代方向。

    关键产出:产品架构图、核心流程设计、MVP功能清单、交互原型。

    第四阶段:前线作战指挥—敏捷开发与迭代

    B端产品开发的最大挑战是平衡标准化与定制化。在金融双录系统的开发过程中,我们总结出一套“核心统一+灵活扩展”的开发模式。

    核心统一:所有金融机构都必须满足的基础功能,如音视频录制、加密存储、合规检查等,我们开发为标准模块。

    灵活扩展:针对不同金融机构的业务流程差异,我们设计了可配置的流程引擎和界面定制工具。

    具体开发节奏上,我们采用双周迭代模式:

    1. 第1-4周:完成核心录制功能,并在1家试点银行测试
    2. 第5-8周:基于试点反馈优化用户体验,增加基础管理功能
    3. 第9-12周:开发流程配置工具,支持不同销售场景
    4. 第13-16周:对接机构现有系统,完成数据整合

    每个迭代周期结束时,我们都会组织用户验收测试,确保产品方向不偏离真实需求。这种紧密的反馈循环帮助我们避免了一个常见陷阱——过度工程化。初期有团队提出使用AI技术自动检测销售话术合规性,但用户测试显示,这一功能需求优先级很低,且技术成熟度不足,我们果断将其调整为长期研究项目,而非短期开发目标。

    关键产出:产品路线图、迭代计划、用户反馈报告、数据看板。

    第五阶段:巩固战果—上线运营与持续优化

    B端产品的上线不是终点,而是深度服务的开始。金融双录系统上线后,我们建立了三级运营体系:

    一级:系统稳定性保障

    1. 7×24小时监控系统运行状态
    2. 建立分级报警机制,关键问题15分钟内响应
    3. 每月发布系统健康报告

    二级:用户支持与培训

    1. 为每家机构定制上线计划,包括数据迁移、用户培训和并行运行
    2. 建立分层培训体系:管理员深度培训、销售员实操培训、技术支持人员故障处理培训
    3. 编制可视化操作手册和常见问题库

    三级:持续优化与增值服务

    1. 每月分析使用数据,识别优化点
    2. 季度组织用户交流会,收集深度反馈
    3. 基于用户需求开发增值模块,如销售质量分析工具、智能合规检查等

    上线半年后,我们的系统在首批10家机构中的日活率达到92%,平均录制时长从初期的8分钟降低到4.5分钟,客户满意度达到4.6/5.0。这些数据为我们后续拓展市场提供了有力证明。

    关键产出:上线检查清单、用户培训体系、运营数据看板、客户成功案例库。

    十年实践的六条核心经验

    回顾十年B端产品经验,我总结了六条核心理念:

    1. 从业务中来,到业务中去:B端产品的起点和终点都是业务价值,技术只是实现手段。
    2. 先理解流程,再设计功能:产品设计必须建立在对业务流程的深度理解之上。
    3. 平衡标准化与定制化:通过可配置设计满足不同客户的个性化需求,同时保持核心架构的统一。
    4. 小步快跑,快速验证:通过MVP快速获得市场反馈,避免长时间闭门造车。
    5. 上线只是开始:建立完善的运营体系,确保产品持续创造价值。
    6. 数据驱动决策:建立关键指标系统,用数据指导产品优化方向。

    B端产品从0到1的过程,是一场业务、技术和用户体验的深度整合之旅。没有一成不变的方法论,只有不断适应变化、深入业务场景的实践智慧。希望我的这些实战经验与场景拆解,能为你的产品之路提供一些有价值的参考。

    未来B端产品的竞争,将不再是功能的竞争,而是对业务理解的深度和对价值创造的专注度。当你的产品真正成为客户业务的一部分,而非外部工具时,你就构建了真正的竞争壁垒。

    本文由 @潮流的洋葱 原创发布于人人都是产品经理。未经作者许可,禁止转载

    题图来自Unsplash,基于CC0协议

  • 当 AI 剥夺了「手艺人」的快感,我们还剩下什么?

    当AI助手10分钟生成完美HTML原型时,传统产品经理的生存危机感骤然降临。这篇文章赤裸展现了一个资深PM面对AI碾压级生产力时的身份焦虑,揭示了工具革命下职业价值的本质拷问:当执行层技能被AI降维打击,我们究竟该守护什么核心竞争力?

    前几天,我做了一件事。

    面对一个B端需求,我没有像往常一样打开 Axure 画线框图,也没有打开 Word 写 PRD。我只是在一个对话框里敲了几行字,把需求告诉了我的「AI数字员工」。

    10 分钟后,它给了我一个可以直接交互的 HTML 高保真原型,甚至还顺便帮我列出了 10 个我都没想到的逻辑漏洞。

    看着屏幕上那个近乎完美的代码运行界面,项目组的同事在群里发了一排大拇指,夸我「效率爆炸」。

    但我坐在工位上,没有一丝成就感。相反,我感到了一阵前所未有的心慌和空虚。

    这种感觉,就像是一个练了 10 年刀法的武林高手,突然有一天手里被塞了一把加特林机关枪。敌人是被扫平了,但你看着手里那把练得包浆的刀,突然不知道自己存在的意义是什么了。

    如果你也在高强度使用 AI,我相信你一定懂这种感觉。

    我们引以为傲的「手艺」,正在贬值

    我是 93 年的,从程序员到产品有些年头了。

    在这个行业里,我们这一代 PM 建立自信的方式很传统:靠硬技能。

    谁的 Axure 交互做得更顺滑?谁的逻辑文档写得滴水不漏?谁能手写 SQL 跑出那个该死的数据?这些是我们赖以生存的护城河,也是我们加班熬夜换来的安全感。

    但最近这段时间,这种安全感正在崩塌。

    当我发现,我引以为傲的逻辑推演,AI 可以在几秒钟内完成;我费劲心思画的界面,AI 可以直接生成代码……我开始忍不住问自己一个致命的问题:

    如果去掉了这些「执行层」的工作,我还是谁?

    如果任何一个刚毕业的实习生,只要会写 Prompt,就能产出跟我一样(甚至更好)的文档和代码,那我这十年的经验,到底算什么?

    「心流」消失了,只剩下冷冰冰的决策

    还有一种失落,来自「创造感」的剥离。

    以前,虽然写文档很累,但在梳理业务逻辑、把一个复杂的混乱系统一点点理顺的过程中,我是有心流的。那是工匠雕琢作品时的快乐。

    现在,这种过程被跳过了。

    我变成了单纯的「甲方」。我下指令,AI 出结果。虽然结果很好,但它不属于我。那种「这是我亲手做出来的」自豪感消失了,取而代之的是一种不劳而获的焦虑。

    我像是一个流水线上的质检员,看着传送带上源源不断送来的半成品,这让我感到极度不安。

    我们到底该进化成什么?

    这份迷茫困扰了我好几天。直到昨天,我和一位朋友聊天,他说了一句话,让我稍微释怀了一些。

    他说:「工具越强,判断力就越昂贵」

    我突然意识到,我可能把「手段」当成了「目的」。

    画原型、写文档、写 SQL,这些从来都不是产品经理的目的。我们的目的,是解决问题,是创造价值。

    以前,因为工具落后,我们被迫花了 80% 的时间在「砌砖」。现在,AI 把砖砌好了,我们终于被迫要去面对那个更难、也更核心的角色「建筑师」。

    • AI 可以生成一万种方案,但它不知道哪一种方案能搞定那个挑剔的客户。
    • AI 可以写出完美的逻辑,但它听不出老板和客户话里的弦外之音。
    • AI 可以不知疲倦地工作,但它无法理解项目一线同事在深夜加班时,看到一个报错弹窗时的那种崩溃和无奈。

    那些关于「人」的部分,那些需要同理心、需要权衡利弊、需要背锅担责的决策,才是我们真正的护城河。

    写在最后

    承认迷茫并不丢人。这或许是每一个从「手艺人」向「指挥官」进阶时,必须要跨越的「恐怖谷」。

    我现在依然会焦虑,但我开始尝试换一种活法。

    不再执着于和 AI 比拼谁画图快,而是试着把省下来的时间,去沟通、去实践、去思考那些 AI 无法触及的商业本质。

    AI 再强,也只是副驾驶。

    握着方向盘的,始终是有血有肉的我们。

    作者:PM超进化 公众号:PM超进化

    本文由 @PM超进化 原创发布于人人都是产品经理,未经授权,禁止转载

    题图来自Unsplash,基于CC0协议

  • 为什么你的小红书有点赞,却不涨粉?

    在小红书,涨粉乏力往往不是内容问题,而是账号包装缺失。用户点进主页后仅用几秒判断是否关注,名称、头像、简介、背景图和封面共同构成“第一印象系统”。本文拆解如何通过精准命名、信任型头像、价值导向简介与统一视觉风格,系统性提升账号转化效率。

    大部分人做小红书,都会经历一个相似的阶段:内容并不是随便写的,选题、结构、表达都认真研究过,也在持续更新,但账号就是不怎么涨粉。

    时间一长,开始怀疑是不是平台不给流量,是不是内容方向选错了,甚至怀疑是不是自己不适合做内容。

    但如果你回到真实的用户路径,就会发现一个经常被忽略的事实:在小红书,绝大多数用户不是看完一篇内容就直接关注的。他们的真实行为是,刷到内容,被某个观点吸引,点进主页,用极短的时间判断你是谁、靠不靠谱、值不值得持续关注,然后才决定要不要点下关注。

    也正是在这个点进主页的环节,大量账号悄无声息地流失了潜在粉丝。问题往往不在内容本身,而在一个更底层的地方“账号有没有被系统性地包装过“。在小红书,账号本身就是你的第一条内容,如果这个入口没有被设计好,内容再努力也很难被真正放大。

    一、账号名称:用户对你第一认知

    很多人起名字时,只考虑好不好听、像不像一个ID,但在小红书名称承担的并不是装饰作用,而是一个非常现实的问题:用户能不能在第一眼就理解你是干嘛的。

    1.真名或常用昵称

    比如老泡、金枪大叔、小马宋、空手等。这种名字的优势是亲切、有个人感,适合已经有私域基础或熟人认知的人。但它的问题也很明显,对陌生用户几乎不提供任何信息,如果用户不知道你是谁,名字本身很难促成点击。

    2.专业或兴趣领域加昵称

    比如老泡聊AI、金枪大叔讲营销等。这是对新号、冷启动账号最友好的一种方式,因为它在名字层面就完成了筛选,让用户一眼知道你大概讲什么、是否和自己有关。

    3.专业岗位或身份加昵称

    比如营销专家老泡、健身教练阿豪。这种命名方式自带权威暗示,但前提是你的内容、经历和表达,真的能长期支撑这个身份。否则,专家两个字,很容易从加分项变成不信任的来源

    4.地区加功能

    比如上海广告研究社、北京留学咨询。这种方式非常适合服务型、工具型或本地型账号,因为它同时解决了你在哪里和你能解决什么问题这两个判断。

    5.产品或品牌加昵称

    比如老泡营销咨询、右右设计工作室。这种命名方式更偏向商业化账号,适合已经有明确产品或服务输出的人。

    不管采用哪一种起名方式,都要遵循几个非常重要的原则:名字尽量控制在2到5个字,简单好记;拼写清晰,方便用户搜索;尽量做到多平台统一,降低认知成本;同时要避免高度同质化,否则很容易被淹没在相似账号中。

    记住,名字的目标不是显得多有创意,而是让用户第一眼就懂你。

    二、账号头像:让用户第一时间产生信任感

    当用户点进主页,头像是紧接着发生作用的第二个关键元素。很多人选择头像时,关注点停留在好不好看,在小红书头像真正承担的功能只有一个:用户信不信你。

    账号头像最核心的原则只有一句话:头像风格,必须与账号定位相符。只要风格错位,信任就会被削弱。

    1.真人头像

    尤其是半身正脸、工作场景、授课或创作状态的照片。这类头像的优势在于真实、可信。需要注意的是,真实感往往比精修感更重要,过度美颜、旅游照、随意自拍,反而容易拉远距离。

    2.漫画头像或IP化形象

    适合轻内容、陪伴型、情绪型账号。这类头像更有亲和力,但如果你的内容偏专业、偏方法论,漫画头像往往会降低权威感。

    3.文字或品牌Logo头像

    更适合公司号、品牌号或工具型账号,看起来稳定、专业,但个人IP如果一开始就使用Logo,容易显得没温度,关注门槛会更高。

    头像没有绝对的好坏,关键在于:它是否和你在账号中扮演的角色一致。

    三、账号简介:让用户第一眼记住关注你

    如果说头像决定的是我愿不愿意继续看,那简介决定的,就是我有没有必要关注你。

    小红书简介的目标不是全面介绍自己,而是让用户在极短时间内记住你,并知道关注你有什么用。

    根据大量有效账号的共性,简介最好采用一种非常清晰的结构,去回答三个问题:你是谁、你在哪方面有经验或权威、你的经历能给我带来什么。

    比如第一行,用来说明你的身份或定位,让用户知道你是谁、和他有什么关系;第二行,用事实或成果体现你的经验与可信度;第三行,直接告诉用户关注你能获得什么价值。

    举个例子:

    这样的简介,每一行都在帮用户做判断,而不是在自我展示。需要特别注意的是,简介里应尽量少用持续分享、专注输出这类空话;用户真正关心的,是你能解决什么问题,而不是你的态度有多认真。

    四、背景图与主页封面:把隐性信任可视化

    背景图和主页封面,是很多人最容易忽视,却对转化极其重要的部分。它们的作用不是装饰,而是强化信任、放大专业感。

    1.权威证明型背景图

    比如证书、媒体报道、课程、演讲、出版物等,这是把文字里的履历直接视觉化,建立信任速度非常快。

    2.真实场景型背景图

    比如咨询现场、授课画面、工作中的真实状态,它传递的信息很简单:你确实在长期做这件事。

    3.利益点展示型封面图

    利益点展示型封面图的设计原则,也非常明确:风格统一、体现真实、突出要点。

    用户不会逐条分析你的内容,而是快速扫一眼整体主页,判断这是不是一个长期认真在做的账号。

    如果封面风格杂乱、主题分散,即便单篇内容不错,也很难形成专业、可信的整体印象。

    五、账号包装是内容价值的放大器

    当你把名称、头像、简介、背景图和主页封面放在一起,就会发现小红书的涨粉从来不是某一个点决定的,而是一整条路径是否顺畅。

    内容负责吸引点击,账号包装负责承接信任,只要其中任何一环断裂,结果往往都是看完就走。

    小红书不是一个比谁更努力的平台,而是一个比谁第一眼就对的平台。

    账号包装的意义,也不是为了显得好看或高级,而是为了让对的人,更快、更放心地选择你。当这些基础都顺了,内容的价值,才会被真正放大。

    本文由人人都是产品经理作者【老泡】,微信公众号:【老泡OG】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。

    题图来自Unsplash,基于 CC0 协议。

  • 当模型开始“思考”:CoT 到底在训练什么?

    RAG 项目上线后,开发者们往往会陷入一个误区:只要答案正确,模型就算成功。但当模型开始展露思考过程(CoT),你会发现真相远非如此——推理中的逻辑漏洞、无效信息与错误前提瞬间暴露无遗。本文深度拆解 Chain of Thought 的本质不是让 AI 更聪明,而是教会它如何用人类认可的思维方式「正确地犯错」,揭示从 Prompting 到 RM 的多重约束如何共同塑造可信赖的 AI 推理能力。

    如果你已经做过一段时间 RAG 项目,心里大概率会产生一种错觉:只要资料找得准、答案写得好,模型就算“可用了”。

    但当模型真正进入推理阶段(Reasoning / DeepThink),你会很快意识到:事情远没有这么简单。

    因为这时,模型不再只给你一个“看起来对的结果”,它开始把自己的思考过程也摊在你面前

    而你第一次看到那些 think 内容时,往往会愣一下——“原来它是这么想的?”

    一、模型会“想”,并不一定是好事

    直觉上,我们总会觉得:

    能展示思考过程,一定比直接给答案更高级、更可信。

    但在真实项目中,情况恰恰相反。一旦模型开始显式推理,它的问题反而更容易暴露。

    你会看到很多熟悉又危险的场景:

    • 推理过程写得很长,看起来很努力,但中间偷偷跳过关键步骤
    • 前提一开始就错了,后面却一路“自洽”地推到一个错误结论
    • 思考内容和最终回答高度重复,信息效率极低

    如果没有 think,这些问题可能会被一个“还凑合的答案”掩盖;但一旦把思考过程亮出来,模型到底靠不靠谱,一眼就能看出来

    二、CoT 不是让模型“想更多”,而是“想对一点”

    很多人第一次接触 CoT(Chain of Thought),都会产生一个误解:

    是不是让模型把脑内过程全写出来就行?

    但在训练和标注层面,CoT 从来不是“放飞思路”。相反,它追求的是一种被约束、被整理过的思考方式

    一个真正合格的 CoT,不是看起来“聪明”,而是:

    • 每一步推理都有必要性
    • 前后逻辑能对得上
    • 没有为了展示能力而炫技
    • 最终服务的是回答,而不是思考本身

    换句话说,CoT 训练的不是“会不会想”,而是“怎么想才不出事”。

    三、为什么模型也需要“快思考 / 慢思考”?

    在 CoT 项目里,经常会用一个非常人类的类比来解释它的意义。

    人其实一直在两种模式之间切换:

    • 快思考:靠经验、直觉、惯性,反应快,但容易犯错
    • 慢思考:一步步分析,消耗注意力,但结果更稳

    而大模型在默认状态下,几乎就是一个极端放大的快思考系统。它的优势是反应快、表达流畅,但代价是——它很少停下来检查自己是不是走偏了。

    CoT 的作用,本质上就是给模型强行踩一脚刹车。哪怕只是一个简单的提示词:

    “让我们一步步思考。”

    你都会明显感觉到,模型的输出结构开始发生变化。

    四、Prompting CoT、SFT、RM,其实各司其职

    在项目里,CoT 往往不会单独出现,而是和 SFT、RM 一起被讨论。如果从“模型在学什么”这个角度来看,它们的分工其实非常清楚。

    • Prompting CoT不改模型,只改提示。像是在跟模型说:“这次你别急,按我给的节奏想。”
    • SFT(监督微调)把“好的思考路径 + 好的回答”变成训练数据,让模型逐渐内化这种结构。
    • RM(奖励模型)不直接参与回答,而是在背后判断:哪种推理更合理,哪种更符合人类偏好。

    在成熟项目里,这三者更像是一个组合拳,而不是谁“更高级”、谁“可以被替代”。

    五、CoT 标注,标的不是“聪明”,而是“靠谱”

    很多第一次参与 CoT 项目的人,都会把注意力放在:

    答案对不对?

    但很快就会被纠正一个认知:在 CoT 项目里,答案对了,思考错了,一样不行。

    标注时,真正被反复检查的往往是:

    • 模型是否准确理解了用户需求
    • 推理中是否存在明显逻辑错误
    • 是否有大量无意义、重复的思考内容
    • think 和 response 是否真正对齐

    你会遇到大量这样的数据:答案勉强能用,但思考过程完全不合格。

    而在 CoT 项目里,这类数据通常必须被改写。

    六、一个很容易被忽略的关键点:信息效率

    CoT 项目真正难的地方,往往不在“推理能力”,而在信息控制能力

    一个好的 CoT:

    • 不会为了显得聪明而写太多
    • 不会把 response 又在 think 里复述一遍
    • 不会暴露与任务无关的思路
    • 每一步都能说清“为什么要走到这里”

    从这个角度看,CoT 训练的,其实是模型的表达纪律,而不只是逻辑能力。

    写在最后

    如果说 RAG 解决的是:

    模型该不该说、该说什么

    那 CoT 解决的,其实是:

    模型是怎么想的,这个想法值不值得信

    到这里,这一整天的内容已经形成了一条非常清晰的主线:从查资料 → 用资料 → 做判断 → 结构化思考。

    而这条主线,正是大模型从“能用”,走向“可信”的必经之路。

    共勉!棒棒,你最棒!

    本文由 @青蓝色的海 原创发布于人人都是产品经理。未经作者许可,禁止转载

    题图来自unsplash,基于CC0协议

  • 个体能在AI中突围吗?

    AI技术的爆发式发展正在改写职场规则与商业逻辑。从2022年的’寒气传递’到如今的AI变现风口,超级个体的崛起揭示了一个残酷真相:技术降低了专业门槛,却放大了执行力的差距。本文将深度剖析AI时代下’一人公司’模式的可行性,揭示那些被忽视的变现门槛与底层逻辑。

    2022年8月份,有一句话在互联网上光速传播:把寒气传递给每个人。

    这句话的影响力,有多大?

    依然清楚的记得,当时的老板为此单独组织全公司开会,云里雾里的说了很多,其实投资领域的公司,很多趋势都看得明白。

    意思很明确:勒紧钱包讨生活。

    当时ChatGPT还没有爆火,半夜没有很多王炸模型发布,也没有标题党整天说,不买AI课程,就可能被淘汰。

    职场内卷的主题还是:多学技能做六边形战士。

    2022年底ChatGPT爆火,到2025年底,人工智能依然是热搜榜常驻嘉宾,任何风吹草动,都可能被渲染成历史时刻。

    从时间线上看,寒气不完全由AI导致。

    人工智能的快速发展,叠加这几年裁员的新闻,正好形成了非常混乱的十字路口,头部公司在卷模型参数和跑分,用户在卷AI玩法和流量。

    由此重新带火的概念:超级个体或一人公司。

    作为花过一分钱买资料的韭菜,看过超级个体的模式:靠一个人和AI助手完成:产品,知识,内容,管理等各个维度的事情。

    用一句大白话说:借助AI打造自媒体,然后做流量变现。

    这四个板块在企业里都是难题,由专业的团队运作,也很难轻易拿到成果,交给个人来执行,反而成了AI热潮中的一个风口。

    人工智能助推裁员的趋势,同时又带来机遇。

    这算不算:开了一扇门,又开了一扇窗?但是门有门槛,窗户有窗台,出了门之后,想从更高的窗台进屋,并非容易的事。

    不论企业还是个人,变现的基础是:一手产品和一手用户。

    如何给产品处心积虑的设计卖点,才会吸引更多的用户为此付费,这是拦住很多项目商业化的核心难题。

    在一人公司的模式中:追求做大流量做小产品。

    流量足够大的前提之下,产品无论软件硬件,还是知识付费,亦或是咨询服务,总会有更高的销售概率。

    哪怕以最低价格卖出去一份,也算是商业路径打一圈。

    这里面有三道很难跨越的门槛:自媒体保证持续的流量,设计可销售的产品,稳定之后还要逐步扩大,做成养活自己的公司。

    先摆摊再开店,最后还要冲进商圈。

    这些难题如果个人都能解决,那么在企业里打一圈都不成问题。

    在目前的环境里,从心底认可两个群体,一个是曾经抓住自媒体风口,另一个是抓住现在AI变现的风口,既需要眼光,又需要坚定的心态。

    这两个群体,有很多相似性。

    AI降低各种专业技能的门槛,必然会放大个体的执行力,人和人之间的能力差距,反而会被拉大,很多想法和思路,可以快速的出样品,放在流量渠道验证。

    现在的AI:当然会做内容,当然也会做产品,当然还会做运营。

    但是不具备,从根本解决问题的能力。

    内容找什么角度,产品用什么创意,如何通过运营手段,把产品销售出去,这些事想一想说一说,似乎都不是那么难。

    唯独自己一上道,发现每一步都没有确定性。

    从本质上理解,当下的AI对于普通人来说,更多是提高效率,并没有创造需求,这场技术变革中,以通用智能的角度看,还处于刚开始的阶段。

    先置身其中,再不断的寻找确定性。

    本文由 @李召羊 原创发布于人人都是产品经理。未经作者许可,禁止转载

    题图来自Unsplash,基于CC0协议

    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

  • GPT-5.2功能范式!让产品经理的我看到哪些机会点?

    GPT-5.2的发布标志着AI从工具到智能体的革命性跨越。40万Token的上下文容量、增强的多模态能力与深度推理功能,正在重塑产品设计的底层逻辑。本文将剖析如何通过容错设计、角色化交互与主动协作机制,让这一代AI在中国本土场景中真正发挥’超级助理’的价值。

    GPT-5.2于2025年末发布,是OpenAI对GPT-5系列的重要升级。与之前版本相比,它在多方面有质的提升:

    1. 上下文容量更大,旗舰版上下文窗口高达40万Token;多模态能力增强,不仅能读文本,还更擅长识别屏幕截图、图表、UI界面并提取结构化信息;
    2. 推理能力升级,引入更深层次的思维链和多级“推理投入”调节(新增xhigh级别);
    3. 工具与智能体调用更加灵活,在API中提供新的参数和上下文压缩功能。

    OpenAI指出,GPT-5.2并非简单“更大的聊天模型”,而是由Instant/Thinking/Pro三个变体构成的多模态智能体家族,针对长文档推理、工具调用和视觉理解等任务进行优化。

    这些底层升级带来了一场功能范式的变革:产品不再只是给模型“按钮 + 功能”,而是与一个可“扮演角色”的智能体协作。GPT-5.2让AI在复杂工作流中表现更像“超级助理”而不是单点工具。

    接下来,我将从容错与场景、功能向角色迁移、主动交互设计以及商业模式等角度,结合中国本土视角,深度拆解GPT-5.2对产品的影响和机遇。

    技术升级重新定义“可用性”

    GPT-5.2的提升虽多,但仍不可能保证100%正确。这样的场景下,产品经理必须重新思考可用性:如何通过容错设计、场景选择和预期管理,让“非完美”AI依然产生价值?

    容错设计:AI本质上是“概率引擎”,回答可能多种多样。产品不应给出绝对结论,而应设计防错机制。例如,在推荐场景中,可加注说明“基于历史行为推荐,仅供参考”;提供多个备选答案让用户选择。对医疗、法律等要求严谨的应用,还要提供解释信息,如“贷款被拒,因为负债率过高”,而不是简单拒绝。在界面设计上,团队应避免对AI结果生搬硬套,鼓励“微调-试错-迭代”的非线性开发方式,不断通过用户反馈优化模型。

    场景选择:针对不同风险级别灵活应用。知名PM指南将场景分为“红灯、黄灯、绿灯”三类:在高风险场景如金融审批、医疗诊断等,AI结果必须人机回环——AI给出建议,最终由人审核并解释;而在低风险场景如垃圾邮件过滤、游戏NPC等,则可让AI直接输出,只需标注“AI生成”即可。这样既利用了AI效率,也控制了误伤风险。总之,应优先选择容错度高、受益大于风险的任务来部署GPT-5.2,避免在关键任务上盲目全权交给AI。

    用户预期管理:面对准确率,必须主动引导用户认知AI局限。交互层面要透明化AI身份与可信度:界面上明确标注“××由AI生成”,并可展示模型置信度或信息来源。文案上要提醒用户“我可能会错,请您核实重要信息”,切忌宣传“100%正确”。用户应保持决策权:AI生成结果可让用户编辑、删除、撤销;对于如自动发送邮件等高风险操作,需二次确认而非自动执行。此外,及时的反馈闭环也很重要:在每条AI回答后增加“点赞/点踩”按钮和问题分类(如“不相关”“过时”“有害”),将用户纠错反馈纳入训练流程,让系统“越用越准”。

    通过上述设计,产品既能利用GPT-5.2的长处,又能让用户在“模糊结果”中找到容错空间和信心,从而真正“可用”。

    从功能到“智能体”

    GPT-5.2带来的另一个革命是产品交互范式的变化:从传统的“按钮+功能”界面,向“角色+动作”的智能体交互迁移。即产品不再把AI当成黑盒工具,而是赋予它具体角色,让用户像指挥助手一样与之对话、协作。

    以下结合国内常见场景举例说明:

    智能办公助手:以办公软件为例。过去我们在办公套件里要手动选菜单生成报告、图表;如今可以让GPT-5.2以“资深助理”身份介入。钉钉ONE等平台已经推出了AI办公助手,例如自动生成文档和会议纪要、自动构建知识库并智能检索信息。

    下图显示了GPT-5.1(左)与GPT-5.2(右)在自动创建“人力规划模型”表格时的对比:GPT-5.2生成的表格布局更专业、细节更完善,错误率更低。

    如上图所示,用户仅输入高层需求,GPT-5.2便能生成规范的电子表格报表。Office产品经理可以将此类“AI助手”整合到工具栏或对话框中,让用户像和同事沟通一样,只需输入“帮我写份简报”或“列出PPT大纲”,AI便能快速交付内容,省去繁琐操作。

    智能客户关系管理(CRM):传统CRM更多是记录系统,业务人员要靠自己查询客户信息和商机。GPT-5.2能将CRM升级为“智能经营中枢“。模型可主动分析客户数据并自动完成筛选、评分与推荐:比如它会自动标记最有成交可能的潜在客户、提醒应跟进的客户;在销售过程中,AI助理还能自动撰写跟进邮件、生成沟通话术。

    换言之,GPT-5.2不再是后端计算,而是变成一名“销售助理”:它查看客户资料、建议行动计划、甚至发起自动触达。产品设计上,可以给用户一个角色+动作入口,比如“智能商务助理”对话窗口或自动提醒推送,把原本孤立的查询功能变为AI主动输出。

    内容创作平台:在媒体或营销平台中,GPT-5.2可以化身“智能写手”或“创意编辑”。例如国内星光AI助手等已经支持“一键生成营销文本、配图和短视频脚本等多类型内容”。内容平台可以集成GPT-5.2,让用户只需提供主题、风格要求,AI便能完成从标题、正文到配图、脚本的整个创作动作。产品上这意味着“发布按钮”前增加AI步骤:用户点击“生成稿件”,后端AI智能体会生成初稿,用户再对稿件做微调和审核。这样设计下,GPT-5.2不只是一个工具按钮,而是扮演了“内容策划师”、“视频编导”等角色,与用户展开角色扮演式交互。

    总的来说,在新范式下,产品由单一功能集合变为“多Agent生态”,用户不再手动串联功能流程,而是对话式地分配任务、审阅结果。这种转变要求产品经理在设计时把AI当成人物角色,规划它的行为方式和边界,从而让GPT-5.2的能力真正融入业务场景。

    未来已来——主动性、异步性与“教育”用户

    GPT-5.2带来了新的设计理念:AI可以主动发力、异步反馈并引导用户学习使用,这对国内用户行为特点提出了新要求。中国用户习惯即时响应、不喜欢多余操作,因而产品需要巧妙地将“智能体”能力与用户体验结合:

    AI主动提示:智能体可在用户尚未察觉前主动提供建议。比如,当用户输入“帮我安排会议”时,AI不仅给出初步日程,还会主动问“您偏好周几开会?”、“需要多长时间?”等引导性问题,形成多轮协作。在界面设计上,可通过悬浮提示、侧边栏建议等形式,让AI时时“盯着”用户需求,及时抛出补充信息与选项,而不是等用户按“执行”后再被动响应。此外,对于如支付、提交等关键操作,AI应主动请求用户确认,以可控的方式教育用户:AI即使可以自动完成,系统也要让用户插入判断,确保用户习惯逐步过渡,透明而有参与感。

    异步反馈:对于需要较长时间处理的任务(如大文档分析、复杂调用等),产品可以设计异步模式,改善中国用户的耐心阈值。比如用户提交生成需求后,系统应立即给出视觉反馈(如“我们正在努力生成中…”),而不是让用户空等。生成过程可以分阶段展示:第一阶段先返回部分结果或大纲,用户确认无误后继续深入细节。产品可以引入进度条、子任务清单等形式,让用户感觉到AI在“持续工作”,而非长时间毫无响应。加速首字生成时间和输出流畅度也是关键:研究建议聊天场景首字响应应控制在200ms以内,否则用户会认为系统“卡住了”。GPT-5.2本身性能更强,但在产品设计中仍要利用加载动画等策略及时给用户反馈,满足喜欢“秒回”的使用习惯。

    延迟回报式学习:面向不断提升用户对AI的熟悉度,可设计渐进式奖励机制。例如对首次尝试AI功能的用户,给予操作指引或引导教程,一步步展示GPT-5.2的能力和边界;同时通过游戏化元素(如成就徽章、等级体系)鼓励用户多尝试多反馈,形成闭环学习。产品可以记录用户历史输入与AI反馈情况,利用GPT-5.2的记忆能力,在后续会话中自动复用已验证有效的方案。这样用户在与AI互动中逐渐建立信任:因为系统“越用越聪明”,他们看到自己的反馈被采纳。结合“即时反馈+渐进学习”的设计,既满足了用户一开始希望快速见效的需求,也逐步教育用户拥抱AI协作的工作方式。

    简言之,新交互下用户像队友一样与AI共事,需要产品在设计上强化协同与教育功能。借鉴微软Magentic-UI等前沿实践:如其“共策划工作流设计器”让人机共同制定每一步方案,用户可随时修改、确认、介入;界面实时显示AI操作,让用户清楚看到AI在做什么。这些设计有助于“教学”用户理解AI行为、建立信任。面对用户“不喜欢多步骤但爱即时响应”的特点,合理平衡主动协作与简洁流程,将GPT-5.2无缝融入产品中,就是关键的一课。

    结语:PM的我们,可以做什么?

    GPT-5.2带来了新一代的功能范式跃迁:产品经理不再是单纯的“功能配置师”,而要成为AI的“调教师”和协作设计师。在这个过程中,PM需要完成思维转变:

    ①从“功能交付”到“效果交付”,关注AI提升效率、降低错误率等实际效果;

    ②从“确定性思维”到“概率思维”,习惯在不完美中寻优,并在成本、速度、质量间权衡;

    ③从“孤立工具”到“智能体生态”,设计由多个角色协作完成任务的新型应用。正如业内总结:“AI时代PM的核心竞争力,不是用了多牛的模型,而是懂不懂‘数据策展’、会不会‘模型选型’、能不能‘风险控制’”。未来的产品经理更像是一名模型教练:他们要训练和微调GPT-5.2,设置合理的提示和回路,让AI能力持续进化;同时与设计师、数据工程师一同塑造人机协作体验,强化反馈学习,让每一次交互都朝着更智能的方向迭代。

    拥抱GPT-5.2,就是拥抱智能涌现的时代。通过合适的设计和场景落地,我们可以让这一代模型既“靠谱”又“接地气”,为用户提供新颖有趣又切实可行的产品体验。在日新月异的AI浪潮中,未来产品的制胜之道,不仅是打磨功能本身,更在于驾驭模型、编织协作,让智能真正成为用户无形中最坚实的助力。

    本文由 @兔主任观测员 原创发布于人人都是产品经理。未经作者许可,禁止转载

    题图来自Unsplash,基于CC0协议