AI 语境下的产品战略

AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

“AI” 对产品管理的影响是多方面的，其中最大的一类影响与机会，在于产品战略。清晰地理解战略、理解 "AI"，以及懂得如何思考那些影响你战略的因素，都很重要。

在这篇文章里，我用对产品管理实用、可落地的方式，分别界定了战略与 "AI"，然后讨论了在五个不同语境下的战略含义——技术、产品、客户、竞争与商业。

目标在于，让我们对自己所做的战略选择保持清晰，并且在面对 "genAI" 及其广泛潜在应用与影响时，带着清晰的理解与意图去选择。

我最近在 ProductTO（一个位于多伦多的产品爱好者聚会 😃）主持了一场题为 "AI 语境下的战略" 的对话。

大约 20 人到场，讨论十分热烈。

我觉得值得把这个话题更详细地写下来，因为（在我看来）它是一个值得理解的重要话题。

我用定义和拆解这句话来开启讨论，这样大家就都清楚我们在谈论什么。所以这里我也如法炮制。

1、什么是战略？

第一个问题是 "什么是战略？"。我从这个开始，是因为战略被定义得五花八门，事实上，很多人常常错误地定义它。

例如，在讨论中，有人以 "如果我的战略是明年增长 50%……" 开启了一个问题。我回应他："那不是战略，那是目标。"

简而言之，我喜欢 Roger Martin 对战略的界定方式。更具体地说，他将其描述为：

战略（Strategy）： 名词——"一套迫使客户做出期望行为的、相互整合的选择。"

我确实喜欢相互整合的选择这个概念，而且推动客户行动往往确实是战略的目的。例如驱动意图、认知、获取、增长、留存。从客户/市场的视角来框定事情，几乎总是一件好事。

我与 Martin 意见不同的地方在于，他声称战略必须"迫使客户做出期望的行为"。虽然我不否认某条战略可能聚焦于这一点，但我不同意所有战略都必须聚焦于迫使客户做出期望的行为。这真的取决于相关联的目标。

话虽如此，这是我给战略下的定义。

战略（Strategy）：名词——一套你相信最能让你实现某个雄心勃勃目标的对齐决策/选择。

我之所以说"实现雄心勃勃的目标"，而非 Martin 的"迫使客户做出期望的行为"，是因为商业中并非所有目标都绑定于具体的客户行为。而我明确提及"实现目标"，是因为战略必须有其目的。你可以有目标而没有战略，但没有目标，就不可能有战略。

别误会——许多战略都绑定于客户行为——但并非全部。例如，当思考营收增长、客户留存或市场扩张等时，它们无疑都需要客户/潜在客户以有利于你公司的方式行动。

但是，也可能存在其他目标，与技术的、运营的、组织变革等绑定，它们可能涉及雄心勃勃的目标，却并不涉及客户行为。

使用"雄心勃勃的目标"这个措辞的另一个理由在于：如果你的目标是渐进式的——例如营收增长 10%，或产品性能提升 5% 等——那么达成它的路径可能是显而易见的，或者仅凭效率提升就能实现。

你当然仍要做选择，那或许也算一种"战略"，但"以更高效率做更多相同的事"，并不需要艰难地去界定，也不真正需要许多（新的）对齐选择。

然而，当你有一个雄心勃勃的目标——例如增长 50%——而"更多相同的事"（哪怕更高效）并非选项时，你就需要尽可能多地梳理出潜在的成功路径，并选择你认为最适合成功的那一条（或几条），与你的资源、能力和机会相对齐。

拥有清晰、可行动、可度量的目标，是定义一套高成功率战略的基础。对我而言，一个目标必须具备 3 个属性。它必须具体、可度量、有时限。具备了这 3 点，它就可行动。缺少其中任何一点，它就是模糊的——有用——但模糊且不可行动。

我在关于目标的那篇文章里对此有深入探讨。

通过业务与产品目标驱动清晰与对齐让你的产品团队聚焦之事与业务成果对齐，从而驱动业务成果。

一个有趣的点。我让现场与会者，如果他们在工作中有清晰、可度量、有时限的目标，就把手高高举起。没有一个人把手高高举起。每个人都略微抬了抬手，给出了一个中规中矩的反应。

这很能说明问题。如果领导者不给清晰的目标，他们又凭什么指望团队和个人有效运作、达成预期的成果？这是我请与会者回到办公室后，去和他们的经理解决的事。😃

2、为实现目标而定义战略

这是一个重要且深入的话题。我在两篇关于战略路线图的文章里有详尽阐述。第 1 部分提供理论，第 2 部分给出一个详细示例。

如何创建真正的（战略）路线图——第 2 部分如果你想创建真正的（战略）路线图，那么你需要理解路线图的真正含义。

我在下面摘录了第 2 部分中使用的示例。

一家公司希望在来年于墨西哥实现 35% 的营收增长。 这是一个清晰、雄心勃勃的目标。他们无法靠"更多相同的事"做到。他们确定了若干可供考虑、以达成该目标的选项：

1. 提高产品售价
2. 增加可销售的产品
3. 寻找额外的经销商伙伴（以更好地渗透市场）
4. 加大营销力度（要么更广，要么更有针对性）
5. 帮助现有伙伴增大交易规模或销量
6. 激励伙伴雇佣更多销售人员（以增加销量）
7. 为伙伴提供额外的销售培训（以提升效果）
8. 为产品增加新的集成（以扩大可服务市场）
9. 在墨西哥开设办事处，直接销售/支持（与伙伴并行）

在审视了这些选项并理解了他们的市场、竞争、运营及其他语境之后，他们选定了 4 个加粗的选项——#4、#7、#8、#9——作为战略选择。可概括为：

• 加强在墨西哥的销售与营销
• 改进产品以满足该市场需求
• 在墨西哥建立本地的销售/营销存在，以支撑这些努力

公司相信，这些选择组合在一起（即对齐的选择）是驱动预期营收增长的最佳押注（他们的战略）。或者按 Martin 的视角，是迫使客户做出"购买更多他们产品"的期望行为。

当然，这些选择背后有公司所考量的语境。包括他们执行每一项的能力、对目标贡献营收的时机与能力，以及竞争对手的反应（他们必然会回应），还有这如何影响公司的成功概率。

但那是另一次讨论的话题了。我会在本文更下方深入语境。

3、什么是 "AI"？

下一个问题——什么是 "AI"？——要回答简单得多。尽管人工智能领域相当广阔，涵盖许多不同的东西——见下图——但今天绝大多数企业在使用 "AI" 这个词时，语境几乎 exclusively 聚焦于利用生成式 AI，尤其是各种形式的 LLM 与智能体。

是的，"传统"机器学习模型仍在使用，语音识别、机器视觉等其他 "AI" 元素也是，但生成式 AI 通常处于企业所理解的 "AI" 的核心。

理解关于几乎所有 "AI" 技术（包括生成式 AI）的另一件事：它全部是基于概率的。即在设计与架构上都非确定性。

这是一种与我们过去通常使用的软件非常不同的"软件"。事实上，在整个计算史、当然也包括商业计算史中，绝大多数软件——数据库、数据处理、会计、营销、销售、开发、生产力工具等——都被假定并理解为确定性的。

即，软件被设计成反复做特定的事，对于相同的输入与相同的语境，给出相同的输出。任何与此行为的偏差，通常被视为必须修复的 bug。

这在 "AI" 上当然不成立。机器学习模型就是概率函数。人脸识别是基于概率的。神经网络是参数化的概率分布。LLM 基于概率式的 token 生成来产出输出；幻觉也因此而生。

这两类技术应当被视为互补的。即，各自有优势/劣势，大多数新的商业应用都将是二者的组合。

不要试图用一种取代另一种。不要试图让概率系统表现得确定。

例如，星巴克就吃了苦头：他们试图用机器视觉而非人工来精确盘点库存，以自动化库存管理系统。问题太多，他们在不到一年内就关停了该系统，回退到旧系统。

星巴克最终认定 AI 库存管理没那么好 | Sprudge Coffee人工智能不擅长计数。

简而言之，"AI" 是一整套基于概率的技术，可被用来为产品增添各种新的、或此前难以实现的能力。仅此而已。

4、我们所说的语境是什么？

无意双关，但在谈论 "AI"、当然还有战略时，讨论语境真的很重要。我指的不是上下文窗口——尽管在几乎所有关于 LLM、智能体等的讨论中它都隐含其中——我指的是与你想要定义的战略相关的情境语境。

战略不生于真空。我们已经讨论过它与目标的关系。但要定义一套可能成功的战略，你需要把现实注入其中。我曾详细写过，如果忽略现实，战略如何变成幻想。你可以在下面读到。

如何阻止你的战略变成幻想战略是许多创业者、产品经理和高管钟爱的话题。但创建好的战略……

语境、细节、情境，全都重要。例如，对抗一个更大的在位公司的战略，会非常不同于对抗众多崭新而弱小创业公司的战略。

思考战略时，可能有许多类语境需要考虑。它们可能包括：

• 技术
• 客户
• 产品
• 运营
• 法律/伦理
• 竞争
• 市场
• 经济/商业
• 员工/内部
• 安全
• 环境
• 或许还有更多。

从产品管理的视角，让我们聚焦于技术、客户、产品、竞争与经济/商业。这已经不少了，但在思考战略时它们都可能重要。这并非说环境、安全、法律、伦理等其他语境不重要。它们重要。只是我在这里不聚焦它们。

有一点要注意：这些语境并非 100% 相互独立。它们之间有关联与重叠，但我会尽量让它们保持分明。

4.1 技术语境

第一个要考虑的语境是技术语境。通常谈论语境与战略时，我不会把技术放在首位，但在 "genAI" 这个 case 下，我绝对认为它应排第一，原因有几条。

我们已经谈过，"genAI" 代表了一类企业可利用的新工具与技术。

如前所述，传统确定性计算与基于 AI 的"概率"计算的组合，给了我们解决客户与市场需求的新选项。

编程智能体的影响

但技术语境还有另一面必须置于前台中心。复杂编程智能体（例如 Claude Code、OpenAI Codex、Cursor 等）的兴起，意味着写代码、创建新功能、更新现有功能等，从未如此容易或迅速。

当然，关于这些代码的结构化、可扩展性与可维护性如何，确实存在疑问，但那不是我在此要展开的，尽管这些是人们在编程智能体与产品开发的语境中应当考虑的。

但关键在于，增添新"功能"或修改、重构、移植等代码，从未如此容易或迅速。关于这些智能体能多快创建复杂应用，有一些相当惊人的故事在流传。例如：

谷歌团队埋头研究一年 = Claude Code 一小时搞定？一位 Google Gemini 负责人透露，Claude Code 用一小时复现了她团队花一年做的事，引发关于 AI 的争论……

所以，从完全手动的软件开发，到基于智能体（非常）快速的原型、开发与部署，这一转变从根本上改变了软件开发流程的性质，因此也会影响我们所定义的任何战略。

注：对基于智能体、快速的功能代码生成，有一种看法是——"工程不再是产品开发的瓶颈"。这诱使人们更快造更多东西、更频繁发布、"更快速地交付价值"等。

尽管快速交付有好处，但这并非单行道。消费（兴趣、需求与采纳）才应当驱动产品（与交付）。仅仅因为你能造更多就造更多，并不是答案，因为每个人都能造更多。赢家将是那些更懂市场（发现）、随时间做出更好更有影响力决策（战略）、并懂得如何在众多竞争者中让自己脱颖而出（差异化）的公司。

快速变化的格局

另一个要考虑的因素，是围绕 "AI" 的技术（与政治）格局变化之快。具备新能力的新模型定期涌现。尽管美国超大规模厂商一路领先，但并不能保证它们会保持领先，或能维持其（当前不可持续的）商业模式。

正如我们最近看到的，Anthropic 的 Fable 与 Mythos 模型——被美国政府法令从市场撤回（阻断非美国公民访问）——政治格局在 "AI" 的推出中正扮演越来越重要的角色。"主权 AI" 一词变得越来越常见，因为各国意识到，它们不能让其他国家决定自己对 "AI" 基础设施与服务的访问。

战略含义

那么这与战略有什么关系？

在 《你的战略需要一个战略》 一书中，作者给出了一个关于如何在不同语境下思考战略的框架。下图是他们框架的一个略微简化版本。

纵轴表示未来/市场的不确定程度。横轴表示你在市场或行业中的影响力。显然，我们身处高度不确定/不可预测的时期。所以焦点在上方两个象限。

除非你是市场塑造者，一家能直接影响 "AI" 市场的大而有影响力的公司——例如 NVIDIA、TSMC、OpenAI、Anthropic、Google、Microsoft、DeepSeek、Amazon 等——否则你就在左上象限。我们大多数人都是。

战略的重心需要是更短期的押注，而非"全押"或"深陷"。实验与学习是关键。这意味着市场警觉——让你的组织成为学习型组织——并持续分析、吸收相关信息以做出好的押注，这很重要。长期目标与相关联的战略，应由多个更短期的目标组成，并随着学到更多而必要调整。

4.2 客户语境

从客户视角，没有人或买家会在早晨醒来时说："哎呀，我真希望我用的产品里有更多 AI。" 他们就是不会。他们或许对 genAI 能提供的能力有些想法或洞见，但总体而言，我们的客户关心的是用我们的产品更有效、更高效地把工作完成。

而如果别人家的产品能比我们的好太多，他们往往（并且正确地）会切换。切换并不总是容易，供应商也做了很多事让切换变难（供应商锁定），但选项始终在那里，我们需要意识到它。

话虽如此，我们也要理解，每家公司都会通过某种形式的 "AI" 采纳来寻求时间/成本节约。这很可能是公司领导层下达的硬性要求，而关于如何找到这些节约的供应商对话，其" Overton 窗口"正大开着。

在过去几十年里，我记不起有比现在更强烈的改变与采纳新技术的意愿。但那种采纳必须连接到结果。麻省理工 2025 年的一项研究发现，95% 的 AI 实施未能达成其期望结果。

所以，理解客户想要达成什么、机会在哪里、找到帮助他们的最佳方式、满足他们的需求、并通过我们的产品让他们更高效，这要由我们负责。这需要深入的研究与发现工作，而这是很多科技公司并不擅长的。

在我们的 2026 年 B2B 产品管理现状 报告中，我们发现只有 9% 的受访者表示他们在做发现工作方面没有重大障碍。

前 4 个因素：

• 能便捷接触客户
• 有足够时间做发现
• 有效做发现所需的培训
• 其公司重视发现，并将其视为做出更好决策的一种方式

都是发现取得成功所必需的。只有 9% 的受访者认同全部 4 条陈述。这意味着 10 个受访者（进而公司）中有 9 个至少不认同这四条中的一条。

而当我们深入数据时，发现约 70% 不认同其中 2 条或更多，意味着他们在做好发现工作上有 2 个或更多的重大阻碍。这是一个非常大的数字。

注：你可以在此处下载完整的 60 页**《B2B 产品管理现状》**报告。里面充满了 B2B 高管应当理解的数据与洞见。

战略含义

现在，开展市场发现并利用洞见做出更好的产品与业务选择，并非新事，也与 "genAI" 无具体关系。但 "genAI" 给了我们更多工具来帮助客户完成工作。而要善加利用这些工具、创建健全的战略，你需要比以往更深入地进入市场与客户需求。

4.3 产品语境

根本上，产品之所以存在，是为了满足客户（或市场）的需求、欲望、问题。向来如此，也不会因 "AI" 而改变。但因 "AI" 而改变的有两件事。

第一，如前所述，"AI" 工具——尤其是与 GenAI 相关的——开辟了众多可应用于满足客户或市场需求的新可能用例。

例如，规模化做定性分析、对数据与analytics的自然语言查询、个性化报告、动态仪表盘、自动化合规与文档审查、能（半）自主运行的智能体应用等。这些只是可用于支撑新产品的、造福客户的新用例中的一小部分。

所以，"AI" 将帮助我们扩展产品能力，并（有望）增加我们产品在客户环境中的足迹。

第二，就战略而言或许更重要的一点，是 B2B 产品的性质正在改变。这是自 SaaS 引入与增长以来 B2B 软件性质最大的转变——即从本地或自托管（单租户）软件，转向云原生（多租户）应用。

记得的人会知道，当 Salesforce 初次进入市场时，它是一个"原生"云应用。他们有一个非常大、非常显眼的 "No Software" 广告 campaign，来教育市场：你不需要安装或管理任何软件就能使用它。你只需要一个网页浏览器（和一张信用卡 😃）。

今年早些时候，大约 25 年后，Salesforce 推出了一款新产品——Salesforce Headless 360——专门面向程序化与智能体式访问。

Introducing Salesforce Headless 360. 无需浏览器。Salesforce 上的一切现在都是 API、MCP 工具或 CLI 命令，智能体可以使用其中全部。

他们写道：

Salesforce Headless 360 带来三项新创新：

• 新的 MCP 工具与编程技能，让你的编程智能体完全访问你的平台

• 一个新的体验层，在从 Slack 到语音到 WhatsApp 的每一个表面上，渲染丰富、原生的交互

• 新的工具，让你在智能体投产前、后都能控制其在生产中的行为

战略含义

这两大转变——genAI 开启的新用例，以及智能体作为与软件交互手段的兴起——需要从你目标客户的语境出发去理解。

即，尽管大多数人/公司会欢迎能让他们更高效的新 "AI" 功能，但许多公司可能尚未准备好、或不愿意去创建和管理智能体来完成各种任务。可能存在法律、监管、风险、合规方面的原因，或者这些公司在技术或运营上尚未准备好迎接那种改变。

每个公司都有责任深入其客户群与市场细分，识别并勾勒对智能体式应用的需求与就绪度。仅仅因为 Salesforce 在做，不意味着你也需要做。

4.4 竞争语境

与产品语境紧密相连的，是竞争语境。

我们的许多产品决策都绑定于、或受竞争影响，反之亦然。我们的产品不生于真空，在如何将产品推向市场时，我们始终要考虑竞争者——那些已知的、以及相邻或新兴的。

早先在技术语境中，我谈到了智能体式编程，以及它如何从根本上改变软件开发流程。尽管这是你的竞争者绝对会利用的，它也是你的潜在客户同样寻求利用的。

买家正在变成构建者

在过去几个月里，我在公开的 "我们用 AI 构建的东西" demo 上，看到了好几个由 IT 团队构建、意在取代外购厂商应用的企业应用。

创建者承认，他们的应用不如所模仿的应用完整或健壮，但他们正朝那个目标努力。

在一个案例中，一位自称"非技术"的 IT 经理，demo 了一个复杂的、用于卡车调度的物流应用。他说他们目前每年向厂商支付近 1000 万美元，用于生产环境中使用的商业等价物。他说他 demo 的这个氛围编程版本，能做到商业应用约 80% 的功能。他"兼职、做了几个月"就在搞这个应用。

战略含义

这是 genAI 带来的软件市场的另一个重大转变。现在，你不只是在与多个外部竞争者竞争，还要与内部的买家竞争者竞争。对许多公司而言，自建还是外购的争论，从未像现在这样强烈。

所以作为厂商，你必须改变做法。许多"传统"应用……

4.5 商业语境

虽然我把商业语境放在最后，但它既不是最不重要的，也不是最后才该考虑的。如前所述，这些语境相互关联，因此需要放在一起考虑。

如我所描述，genAI 的商业影响是显著的。从大幅降低你、你所有竞争者、事实上还有你客户的软件开发时间与成本的编程智能体，到从按席位（对大多数 SaaS 应用）向基于 token、基于消费、甚至基于结果的定价模式的转变。如果你开始向产品中加入智能体能力，这些就不仅仅是定价上的转变，而可能是你公司的商业模式转变。

SaaS 厂商必须调整定价模式，因为智能体 AI 正在改变行业转向基于结果的定价带来机会，尽管存在近期挑战

成本模型考量

另一个商业影响，与许多 LLM 与智能体应用的底层成本模型相关。与传统软件不同——传统软件每用户的增量成本几乎可忽略不计——LLM 与智能体的计算/推理成本与使用和用户数成正比。

前沿模型（GPT、Claude、Mistral 等）按消费计价，并且可能很快变得非常昂贵。开放权重与其他不太知名的模型可能更便宜，但在某些用例中能力也较弱。

大语言模型列表 - 维基百科需要额外的引用以验证……通过（了解如何以及何时移除此消息）改进本文……

而智能体应用消耗 token（进而增加成本）的速度，几乎是指数级的。

Token 冲击与 AI 消费的隐藏成本 - Spiceworks把 AI 当作公用事业而非 SaaS 来管理你的 AI 消费成本。按工作流追踪成本，使用支出上限，并……

Shardul Mehta 写了一篇关于 "AI" 经济学的好文章，我鼓励你去读。

SaaSpocalypse：为何 AI 正在杀死软件为何传统 SaaS 指标在欺骗你，以及如何修复你产品的经济引擎。产品负责人的新……

战略含义

总体而言，在产品中实现 "AI" 能力的商业影响，与传统 SaaS 非常不同。任何产品战略都必须理解成本，并将其与代表所提供价值的定价和打包相绑定。

与那些已募集数百亿美元、并在补贴其模型使用的前沿模型公司不同，我们其余这些凡人组织，需要戴上现实的眼镜来看成本。产品管理必须聚焦于产品的业务管理，而不仅仅是功能交付。那种日子需要成为过去。

而在定价一侧，基于消费与结果的定价，可能代表着商业模式的改变。不再是稳定的订阅流，你将面对（可能不稳定的）基于消费与结果的营收流，至少在你理解客户的需求与使用模式之前是这样。

记住，实验是关键，而战略是实现目标的选择。在思考 "AI" 对你公司的商业影响时，把这些记在心里。

5、结束语

智能体式编程——非常快速地设计、开发与部署新产品能力的能力——是我们几十年来在软件中见到的最重大的流程变革之一。

但如前所述，这种快速开发能力是人人可用的——你、你所有竞争者、甚至你的客户——去利用。这里根本上两条路：

• 利用这种编程魔法来加速你的交付流程，在更短时间内发布更多代码与功能。这包括"路线图"项，以及销售请求、bug、工程需求、高管想法等。何不把交付速度 10 倍化？

或者

• 理解虽然编程速度有巨大价值，但更重要的是工作背后的战略与愿景，以及它如何被推向市场。在一个软件开发对所有人（大公司小企业 alike）都迅速且"几乎免费"的世界里，在市场上胜出的，将是对客户与市场的深度认知，以及在整个产品与业务中利用那种认知的能力。即在战略、定价、打包、定位、传达、差异化，当然还有你所创造的产品中。

这是我看到的公司的两条路。当然，也有二者的混合，但最终，就像现在一样，公司要么主要聚焦于交易/交付，要么聚焦于市场。

这是公司已经采取、且我相信将继续采取的两种战略。

但对于那些理解"赢在产品，就是赢在长期博弈"的公司——持续做出制胜的押注、让自己与他人差异化、理解市场需求与动态并比竞争者反应得更好——那些就是我相信会在 "AI" 语境下成为赢家的公司。

原文链接：Product Strategy in the Context of AI

汇智网翻译整理，转载请标明出处