夜雨聆风〰〰〰〰〰〰〰〰〰〰
前天，我开着字节ByteIntern的空中宣讲会听了一会儿，原本没抱什么期望，觉得不过是例行的校招宣传。
但TRAE的产品负责人说了一句话，我当时愣了一下。
📝 原话
现在做AI产品，最难的不是技术本身，而是技术供给变得不稳定。三个月前的最优方案，放到现在就不是了。所以产品经理得在需求和技术之间找到动态平衡。
我愣住，不是因为这句话有多新奇，而是因为这是我见过的人，第一次把这件事说得这么准。
说实话，我身边见过太多做AI产品的朋友，大多数人的困境恰恰就出在这里。但他们描述不出来。他们说的是「模型不够好」「落地太难」「用户不买账」，说的都是结果，没有人能准确说出病因。这个字节的PM说出了病因：技术供给不稳定，导致你的产品设计没有稳定的地基。
这不只是一个技术问题，而是一个认知问题。
他还说了一句：AI产品经理应该「仰望星空，脚踏实地」。既不能太保守被后浪拍死，也不能太激进直奔AGI去，结果当下落不了地。这是对的。但我越想越觉得，这句话背后藏着一个更重要、更扎心的问题：
这种人，不是培训出来的。是土壤里长出来的。而大多数公司，根本没有这片土壤。
· · · ✦ · · ·
技术供给不稳定，意味着什么
-
在展开「土壤」这件事之前，我想先把TRAE负责人那句话说透，因为很多人可能没意识到这个判断有多准。
2023年，有一批朋友拿大模型做Agent，设计很超前，连主动触达用户这种细节都想到了。但落地的时候才发现，当时的模型理解力根本不够，稍微复杂一点的指令就会跑偏。他们不是不努力，是他们的产品设计建立在一个「模型能力会快速成熟」的假设上，这个假设在当时根本还没有兑现。
时间来到2025年，同样的产品设计，在Claude 3.7、GPT-4o这代模型上可以流畅跑起来了。这中间隔了两年。你能说他们的产品思路错了吗？不能。你能说他们做的时机对吗？也不对。这就是「技术供给不稳定」最残忍的地方：你不知道你的产品设计，是超前了三个月，还是超前了三年。
真正的AI产品经理，需要同时持有两种相互矛盾的能力：对模型现状的精准判断（现在能干什么，现在不能干什么），和对未来演进的合理预测（三个月后能干什么，哪类能力会先到达拐点）。这两件事缺一个就会出问题——只看现在，产品会永远保守；只看未来，产品会永远做不出来。
仰望星空，需要什么
-
「仰望星空」，说的是好奇心、想象力、对前沿的持续追踪，还有——见过好东西长什么样。
最后这一条，是最常被低估的。
大家觉得保持「仰望」靠的是个人努力，多读论文、多刷推特、多关注发布会。这些确实有用，但都是间接的。真正让一个PM「仰望」能力稳固的，是他身边的环境。一个PM，如果他身边没有好的模型可以随手调用，没有好的产品可以日常体感，他的「仰望星空」就会慢慢退化成刷资讯。因为他根本不知道星空的形状。
TRAE从2025年1月发布到年底，累计迭代超过200次，全球用户突破600万，平均3.4天发一个版本。这种速度，意味着里面的PM每隔几天就得重新评估一次：上一个版本的设计假设，今天还成立吗？这种高频对话——产品经理和技术能力之间的持续对话——才是「仰望星空」的真实训练场。不是课程，不是论文，是真实的产品压力。
能培养出好AI PM的公司 — 越往下越稀有
脚踏实地，又需要什么
-
第二个词更具体，也更残忍。
「脚踏实地」，意思是AI产品经理虽然不写算法，但心里得有技术判断。同时，他还要了解用户需求，知道什么功能结合什么技术能真正戳中用户。这两件事，缺任何一个都做不了合格的AI PM。
技术判断从哪里来？不是从培训课来，是从反复实操中磨出来的。2024年，有几家AI客服公司初期用GPT API搭产品，对外说能做到「接近人工水平」。但上线之后，企业客户反馈说慢、贵、数据留不住。这些PM其实不是不懂技术，是他们的判断建立在演示场景下的模型表现上，而不是真实部署压力下的表现。演示和生产之间的落差，只有在真实压力下才能感知到。
用户洞察也是一样。不是从调研报告来，是从足够细致、足够真实的调研里来。这需要资源，需要组织支持，需要公司真的在乎用户是谁。
技术迭代速度 × PM判断准确率 — 所处位置决定成长空间
为什么大多数公司长不出来
-
我说大多数公司培养不出AI PM，可能有人会反驳：市面上多少公司在招AI PM，薪资都给到八十万、一百万了，怎么叫培养不出？
这里有个混淆。招人和培养人，是两件事。高薪挖人，是把别人土壤里长成的果子摘走。这不等于你自己的地能种出果子。
我的判断是：现在市面上真正能做好AI产品的PM，几乎都出自少数几家公司，之后才流向更多地方。其他公司挖来挖去，挖的是同一个蓄水池，但没有人在往里补水。AI PM的岗位需求这两年增长了240%，但供给几乎没有同步增长。这不是候选人不努力，是大多数公司的土壤根本长不出这种人。
真正能培养好AI PM的公司，本身需要同时满足几个条件：
第一，产品本身在AI前沿。 不是在主业旁边接个API的壳，而是产品核心逻辑本身就是AI能力的延伸。只有这样，PM才能在真实的产品压力下建立对模型能力的判断，而不只是在演示环境里感知。
第二，产品品类足够丰富。 一家公司如果只有一款AI产品，PM的训练集就太窄了。他只能建立单一品类的认知，遇到新场景就会茫然。模式识别这件事，靠的是足够多的有效样本。
第三，文化上允许「仰望」。 这是最软但也是最难复制的一条。很多公司口头上说鼓励创新，但实际的考核全是短期ROI。在这样的环境里，PM不敢真的花精力去想三年后的事。久而久之，「仰望」的能力就萎缩了。
· · · ✦ · · ·
「AI创新实验室」的陷阱
-
这里有一件值得单独说的事。
过去两三年，我见过很多公司说要建「AI创新实验室」，单独拉一个小团队来搞AI，和主业相对隔离，给一些自由度，让他们去探索。出发点是好的。但这个模式有个根本性的问题：实验室的产出，最终还是要回到公司的主业里去落地。而主业如果不在AI前沿，这个「落地」的过程就会是一场拉锯战——实验室想用新能力，主业团队不接受、不信任、嫌麻烦。
结果是，AI创新实验室的PM，做的东西很难真正上线，真正上线的东西又被削得面目全非。他们的训练集里，成功案例太少，失败的原因往往又不在技术上，在内部政治上。这种环境培养不出判断力，只培养挫败感。
这种公司的AI PM，在一个局部环境里养鱼，而不是在大海里游泳。他们知道鱼池的边界，但不知道大海的形状。
字节为什么说得准
-
回到那场宣讲会。那个TRAE的产品负责人之所以能把问题说得这么准，不是因为他特别聪明，是因为他每天工作在一个特定的环境里，这个环境让他持续看到好东西、踩到真实的坑、拿到足够细的用户反馈。
应用层：豆包（DAU过亿）、即梦、TRAE，覆盖对话、创作、开发三个核心场景，面对的是真实的海量用户，不是演示环境里的受控样本。
基础设施层：火山引擎不只服务内部，也对外提供服务。这意味着PM还能感知外部开发者对AI能力的真实诉求。
模型层：Seed团队、Seedance，字节有自己的研究能力，PM和模型团队的物理距离不远。「技术供给的变化」对PM来说不是一个滞后的外部信号，而是一个实时的内部感知。
这三层叠加的结果是：字节的AI PM面对的是一个持续变化的、真实规模的、多品类的产品环境，每天都在被迫更新自己的判断。这种更新，不是主动学习，而是生存压力。这就是为什么TRAE的负责人能说出那句话——那不是一个读出来的判断，是一个在日常工作中反复被验证的体感。
· · · ✦ · · ·
那不在这里的人怎么办
-
说实话，如果你现在不在字节、不在OpenAI、不在少数几家真正在AI前沿做事的公司，你能做的事情是有限的。但不等于没出路。
选产品线，不是选公司品牌。 很多人找工作只看公司名气，但对AI PM来说，你在公司里负责的具体产品线更重要。同一家公司，负责AI原生产品和负责传统业务数字化，两年后的经验积累可能天差地别。选之前认真问清楚：这个岗位，我能真正接触到AI能力的边界吗？接触到的是演示场景下的边界，还是真实用户压力下的边界？
把「技术供给不稳定」当工作方法用。 TRAE负责人那句话，本质上是一种工作习惯的描述。每季度主动重新校准一次你的产品设计假设：哪些判断是基于三个月前的模型能力做出的？当下的模型版本能不能让某些之前做不了的设计重新变得可行？不要把某次做出的「最优方案」当成固定答案，因为地基一直在动。
主动寻找「局部前沿」。 如果整个公司不在AI前沿，你能不能让自己负责的那一小块在前沿？找内部愿意创新的团队，找能拿到好模型资源的项目，在局部构建哪怕一小块真实的训练场。这比什么都不做强，尽管它的上限有限。
但我不想把话说得太好听：如果你在一家根本没有AI基因的公司，又不愿意换，那「培养自己成为AI PM」这件事，大概率会停留在培训课的程度。土壤不对，种子再好也发不了芽。
· · · ✦ · · ·
回到那场宣讲会
-
那场ByteIntern的空中宣讲，是给实习生开的，讲的是字节如何培养年轻人。我听完之后，觉得最值得反过来想的不是「字节给了什么」，而是「为什么只有极少数公司能给这些」。
字节能「富养」AI PM，根本原因不是它有钱，而是它自己就在那片前沿里。豆包、即梦、TRAE、Seedance——这些不是字节为了培养AI PM特地搭出来的训练场，这些本来就是它的正经业务。正因如此，在里面工作的人，才能在真实的压力和真实的用户中，磨出真实的能力。
那个TRAE的负责人说，「技术供给不稳定，要在需求和技术之间找动态平衡」。这个判断背后更深的意思是：AI时代，产品经理不再有一张固定的地图，只有一个持续更新的罗盘。
而罗盘这个东西，只有在真实的海上航行，才能校准。
你现在在的地方，是海，还是鱼池？
