企业级AI中真正的瓶颈出现在演示之后

企业产品管理一直需要将复杂的业务需求转化为人们能够有效使用的软件。产品经理需要收集需求、平衡相互冲突的优先级、协调技术团队，并判断新功能是否产生了有意义的成果。我在多家《财富》100强企业从事企业级AI项目相关工作近15年，而过去两年间，这份工作的性质发生了翻天覆地的变化。

GenAI正在改变这些工作的完成方式。过去需要花费数小时进行访谈、审查文档和手动分析才能获取的信息，如今几分钟内就能被总结或整理出来。产品团队可以在投入工程资源之前，生成工作流概念、分析客户反馈、起草用户故事并探索潜在解决方案。

这种转变并未降低产品管理的重要性，反而提高了人们对它的期望。随着常规工作的加速，产品经理将不再主要以产出的文档数量来衡量，而是更多地以决策质量为标准。我反复观察到的一种现象是：试点项目往往基于未经清理的数据进行，且在开发开始前，其成效评估标准尚未明确。

从手动探索到实时智能

需求收集是企业产品开发中最耗时的环节之一。产品经理可能需要审查支持工单、访谈业务利益相关者、分析使用数据、研究现有工作流程，并协调相互冲突的需求，才能为开发团队清晰地定义问题。

GenAI可以通过在海量非结构化信息中识别反复出现的主题来加速这一过程。客户访谈、会议记录、服务台记录、调查问卷回复和销售笔记均可被总结并归类为常见的痛点。这样，产品经理就能将更多时间用于验证这些发现，而非手动查找信息。

在一家全球最大的电商公司，我曾参与开发一个机器学习系统，该系统能从涉及每年超过400亿美元末端物流支出的合同中提取条款，其提取准确率高达95%。在此系统问世之前，像“有多少家承运商合同允许我们在合同期内调整费率”这样的问题，意味着必须由人工逐份打开合同进行查阅。得到答案往往需要数周时间，而且一旦签署了新协议，这些信息就会立即过时。此后，同样的问题只需通过查询即可解决，因此我们不再限制哪些问题值得提出。

该模型只是项目的一小部分。大部分工作都集中在三个问题上：

• 究竟哪些条款类型值得提取?
• 当模型与采购经理意见不一致时，由谁来裁决?
• 一旦数据生成，工作流程将如何调整?

更快的发现速度并不能解答这些问题。

我目前负责的CPQ(配置、报价、订单)和合同生命周期项目中也存在同样的问题。我们或许希望在报价配置环节前端部署一个生成式助手，让销售人员用通俗语言描述交易，从而获得报价草案。演示效果或许令人印象深刻，但真正的问题往往出在产品目录上。多年积累的变体可能导致同一个商业概念分散在多个产品代码中，且各自遵循不同的规则。助手生成的报价单可能在技术上有效，但在商业上却是错误的。要解决这个问题，需要对产品目录进行优化，并开展清理产品结构、规则及依赖关系等不那么显眼的工作，以确保人工智能能够可靠运行。这些工作很少像助手本身那样受到关注，但如果没有这些基础工作，助手就无法投入生产使用。

优先考虑成果而非功能数量

人工智能也改变了产品团队评估机会的方式。传统的路线图通常依赖于利益相关者的影响、客户需求、竞争压力以及对潜在价值的估算。尽管这些因素仍然重要，但GenAI使得综合分析这些因素并验证拟议功能背后的假设变得更加容易。

产品经理可以在推荐投资之前，综合比较支持需求、采用模式、客户反馈、实施成本、收入影响以及运营风险。AI能够汇总证据、识别矛盾并建模可能的场景。这为优先级排序奠定了更坚实的基础，特别是在信息分散于众多系统的大型企业中。

然而，更快的分析速度也会带来一个新问题：大量看似合理的想法。当团队能够快速产出功能概念、规格说明、界面文案、原型和实施方案时，生成选项就不再是主要制约因素。选择正确的问题变得更为重要。

产品经理需要将路线图决策与可衡量的成果联系起来。不应仅仅因为竞争对手提供了AI助手，就将其列为优先事项。团队必须明确该助手预期能带来哪些改进，例如缩短服务解决时间、提高转化率、降低处理成本，或帮助员工以更少的错误完成工作流程。

这一原则尤为重要，因为AI功能可能会带来在原型中并不总是显而易见的成本和风险。产品负责人必须考虑模型准确性、数据访问、安全性、合规性、监控以及人工审核等因素。例如，微软针对 Copilot 部署的指导建议，在广泛实施前应进行试点测试并审查信息访问政策。

最强大的路线图未必包含最多的人工智能技术，而是包含那些与客户价值和商业价值联系最紧密的投资。

产品经理的角色将更加战略化

产品管理中的某些环节将日益自动化。AI可以生成初步的用户故事、总结会议内容、起草发布说明、整理研究资料、制定测试场景，并维护部分产品文档。这些活动依然必不可少，但手动执行将难以形成差异化优势。

战略判断将变得更加重要。产品经理需要决定AI在产品中的定位、何时适合自动化、需要何种程度的人工监督，以及如何衡量成功。他们还需识别出哪些情况下，传统软件功能比人工智能驱动的功能更可靠或更经济。

跨职能领导力同样至关重要。人工智能产品需要工程、设计、安全、法律、数据、合规、运维和业务团队之间的协调配合。各团队对风险和价值的评估可能各不相同。产品经理必须在确保各方达成共识的同时，避免将讨论仅局限于技术可行性层面。

产品负责人还需要更强的实验能力。由于人工智能的行为会因用户和情境的不同而有所差异，某项功能在演示中表现良好，但在实际生产环境中却可能失败。团队应针对具有代表性的用户进行测试，监控实际输出结果，建立升级处理流程，并将结果与预先设定的基准进行对比。

在我所见到的几乎所有企业AI项目中，有两件事往往被忽视。第一是功能背后那些非结构化数据：条款库、产品目录、报价数据、授权记录。如果忽略这些工作，演示版AI可能运行正常，但正式上线后却会失效。第二是每次推理的成本。我预计到2027年，单位经济效益将决定哪些AI功能能够存活下来，但产品经理却很少负责这一指标，他们本应负责的。如果他们等待被指派这项任务，可能会推出一款演示效果很好但后来被砍掉的产品。

一个有用的检验方法是选取企业级产品中的一项AI功能，并回答三个问题：它旨在改善哪项业务指标，以及该指标目前的水平如何?当AI给出错误答案时会发生什么?在全量生产环境下运行将产生多少成本?如果无法回答这三个问题，该功能很可能仍处于试点阶段，而非已准备好投入生产的能力。

随着AI承担越来越多的行政和分析工作，产品经理将有更多精力专注于战略规划、组织协调和业务影响。那些善用这部分精力的人，影响力将与日俱增，而非减弱。

关于作者：Eshaan Jain是Mphasis公司T-Mobile客户团队中Salesforce和Vlocity CPQ的首席产品负责人。

来自 “ https://www.hpcwire.com/bigdatawire/2026/10/05/the ”