Spotify的AI产品管理：三个视角
内容提要
三位同公司的AI产品经理指出，“AI PM”并非单一岗位，可分为三类：研究层PM以技术杠杆推动组织决策，需具备技术深度与组织判断力；模型层PM通过数据与评测塑造模型行为，帮助内部团队落地；体验层PM直面用户，应对开放式输入，构建持续评测与反馈闭环。三者共享产品基本功，但成功标准与专业侧重各不相同。
延伸解读
同一套词汇，三种成功标准
三位PM都谈“质量”“评测”“上线”，但含义随问题空间变化：研究层PM的成功可能是组织做出正确技术选择或改变投资方向；模型层PM的回报是模型改进在多个用户体验中转化为更好的推荐；体验层PM则看用户是否喜欢并回流。读者若用单一KPI衡量AI PM，容易误判其贡献，应先明确该岗位对谁负责、影响以何种形式显现。
研究层PM：影响决策比交付功能更关键
研究层PM把产品视为“技术杠杆”，核心是把大想法转化为组织可合理做出的决策：从具体问题出发、找到有用测试、事先约定何种证据支持下一步。文章指出研究影响可能数月后才出现在其他团队路线图或指标中，因此需在证据完成前就连接相关团队，否则决策窗口可能关闭。这要求比传统PM更深的技术理解与组织判断力。
模型层PM：数据与评测是真正的杠杆
模型层PM的客户是内部团队，模型行为通过训练而非代码直接指定，因此工作重心落在“教模型什么”和“如何检查它学到了什么”。文章强调评测设计要把“对某位听众、某个时刻的好推荐”转化为可一致评估的标准，并连接离线评测与线上指标。其成功标准很明确：让其他团队愿意并有信心用该模型上线，而非模型本身看起来好。
体验层PM：开放式输入让评测成为持续产品
体验层PM直面用户，输入是模糊、欠指定或复杂的请求，传统A/B测试与离线评测不足以覆盖开放场景。文章提出需用真实使用模式构建数据集、设计反馈闭环、定制LLM评审器，并判断改动是真正改进还是仅仅不同。用户一句“我不是这个意思”同时是体验、模型乃至训练数据的信号，需被规模化捕捉并回传各层，这使评测成为持续产品而非上线前阶段。
Q&A
AI产品经理到底分几种类型？各自负责什么？
文章指出AI PM可分为三类：研究层PM以技术杠杆推动组织决策，需具备技术深度与组织判断力；模型层PM通过数据与评测塑造模型行为，帮助内部团队落地；体验层PM直面用户，应对开放式输入，构建持续评测与反馈闭环。
研究型AI产品经理的成功标准是什么？
研究层PM的成功可能表现为团队做出正确的技术选择、形成帮助多个团队更自信工作的方法论，或展示组织可能性的成果。其影响往往需要数月才显现，常体现在其他团队的路线图或指标中，因此影响力是关键。
模型层AI产品经理如何塑造模型行为？
模型层PM通过数据与评测来塑造模型行为。行为通过训练学习而非代码直接指定，因此需要决定模型学什么、用哪些数据、如何验证。两个核心杠杆是教模型什么（数据）和如何检查它学到了什么（评测）。
体验层AI产品经理面临的最大挑战是什么？
最大挑战是输入是开放式的：用户提出模糊、不明确或复杂的请求，不映射到目录中的单一实体。传统A/B测试和离线评估不足，需要构建新工具，如基于真实使用模式的数据集、反馈循环、LLM评判器和定制评估器，并将评估视为持续的产品。
三类AI产品经理的工作如何协作？
三者工作深度连接：研究想法可成为可复用的模型能力，进而开启用户体验的新可能。研究层提供技术杠杆，模型层创建可复用能力，体验层让一切对用户生效。体验层最接近用户，能最直接看到哪些模型缺口和研究问题最重要，形成跨栈的共享优先级信号。
AI产品经理需要哪些核心能力？和传统PM有什么不同？
产品管理的基本功仍然适用：清晰定义问题、深入理解客户、衡量重要指标、用证据而非热情建立信念。但AI产品需要根据所负责的领域进行不同专业化：研究层需要技术深度与组织判断力；模型层需要理解数据与评测；体验层需要应对开放式输入并构建持续评估。AI栈增加的是基本功之上的专业化层，而非不同的工作。
