看了 40+ 个 AI PM JD：所谓「AI PM」，其实不是一种工作
"AI PM" is not one job最近认真做了一轮 AI PM 招聘市场的 research。
原因很简单：“AI PM”这个词现在太大了。
同样写着 AI Product Manager，有的岗位和研究团队一起决定模型能力，有的在做 Agent Platform，有的专门负责 Evals，还有的核心工作是把 AI 接进金融、医疗、法律这些具体行业。
如果只是笼统地问：
AI PM 需要什么能力？
很容易得到一张没有尽头的学习清单：Python、RAG、Agent、MCP、Evals、ML、System Design……
但真实招聘里，这些并不是每个岗位都同样需要。
所以这次我没有从“AI PM 应该会什么”开始，而是反过来看：公司现在到底在招什么人？
截至 2026 年 8 月 20 日，我整理了 43 个公开招聘中的 AI 产品岗位。
里面既有 OpenAI、Anthropic、Scale AI 这样的 AI-native 公司，也有 Box、Binance、Apple、Ford、n8n，以及金融、保险、医疗等行业公司的岗位；地域覆盖北美、欧洲、GCC 和亚洲。
这不是一次严格意义上的全市场统计。43 个岗位是为了覆盖不同公司和岗位类型做的分层抽样，所以我不会拿它来推断“市场上百分之多少属于某一类”。
我更想回答的是：
当公司今天写下 AI Product Manager 这个职位时，它实际上在找什么样的人？
除了具体 JD，我也用了 Stanford AI Index 2026、PwC 2026 AI Jobs Barometer 等报告看更大的招聘趋势；TrueUp 则只用来辅助看 PM 市场的岗位量、职级和地区等聚合数据，不参与下面这套岗位分类。
这轮 research 最后拆成四篇：
- 这一篇：AI PM 到底有哪些不同的工作
- 第二篇：AI PM 到底需要多技术
- 第三篇：Evals、Harness、Forward-Deployed 这些新分工在做什么
- 第四篇：传统 PM 怎么找到自己的 AI 位置
先从第一张地图开始。
我没有按 Job Title 分类，而是看“这个 PM 到底在负责什么”
这是我整理 JD 时一个挺重要的变化。
如果按照 Title 分类，会看到大量：
AI Product Manager、Senior AI PM、Product Manager — AI……
很难得出什么。
但如果换一个问题：
这个 PM 真正负责的产品对象是什么？
差异一下就出来了。
我最后大致归成七类：
模型能力 → AI 运行平台 → 质量与风险 → 用户应用 → 行业工作流 → 企业 AI 转型 → 客户现场部署
这不是行业官方 taxonomy，只是基于这批真实岗位整理出来的一张实用地图。
第一层：离模型最近
1. Model / Research PM：直接围绕模型能力工作
这是离模型最近的一类 PM。
他们讨论的不只是：
“用户想要什么功能？”
还包括：
模型下一步应该增强什么能力；训练和后训练需要什么数据；某种 Model Behavior 是不是我们想要的；一项新能力什么时候已经稳定到可以发布。
OpenAI 有 Core Models PM。
Anthropic 的招聘里则能看到更细的：
Research Product Manager、Model Behaviors、Claude Code Model Performance。
这类岗位的技术门槛通常也最高。
搜索推荐、ML 产品、Data Platform、AI Infrastructure，甚至研究或工程背景，都会成为明显优势。
所以一个传统互联网 PM 看到这种 JD，觉得：
AI PM 怎么已经这么像 ML 了？
不一定是整个 AI PM 市场都变成了这样。
更可能只是你正在看离模型最近的那一种 AI PM。
2. AI Platform / Harness PM：负责模型周围的系统
模型本身其实只是一个组件。
一个 Agent 真正跑起来，还要解决很多东西：
API、SDK、Tool Calling、Context、Memory、Permissions、Sandbox、Retry、Fallback、Observability……
这些以前很容易被理解成“工程实现细节”的事情，现在开始形成一个独立的产品层。
OpenAI 有 API Agents、API Infrastructure 这样的 PM。
Binance 甚至已经直接出现：
Product Manager, AI Agent & Harness
它的职责里包括 Agent Task Flow、Capability Boundary、Failure Fallback、Harness Evaluation，以及 Tool Calling、RAG、MCP、多 Agent 等。
这类岗位比较自然的背景通常是：
Developer Tools、API、Platform、Infrastructure，或者长期做复杂系统的 PM。
它们的产品对象不是某个聊天界面。
而是：
怎样让其他人能够可靠地构建和运行 AI。
3. Evals / Safety PM：负责定义“到底好不好”
这是这轮 research 里我很感兴趣的一类。
普通软件比较容易验收：
按钮能不能点；金额算得对不对；接口有没有返回。
AI 麻烦很多。
同一个问题，每次结果可能不同。
一个模型版本升级以后，某项能力变好了，另一个地方却可能退化。
平均表现很好，也可能在几个非常关键的场景犯严重错误。
所以：
“怎么评价 AI”本身，开始变成产品工作。
Box 现在有一个直接叫 Product Manager, AI Evaluations 的职位。
这个 PM 会负责 Evaluation Dataset、Graders、Offline / Online Evaluation、Model Selection、Regression，以及什么模型可以进入 Production。
OpenAI 则有 Safety Measurement PM，负责测量真实使用里的 Harm，以及 Safeguard 到底有没有效果。
它和传统 QA 一个很大的区别是：
在开始测试之前，先要有人回答：
什么才算好？什么错误可以接受？什么绝对不能发生？
这些本身就是产品判断。
第二层：把 AI 变成一个真正有人用的产品
4. Applied AI PM：负责用户到底能不能完成任务
这是最接近大家直觉里的 AI PM：
Copilot、Assistant、Agent、AI Search、Recommendation……
这类 PM 不一定负责训练模型。
他们更关心：
用户能不能真的完成任务；什么时候可以相信模型；什么时候应该让人接管；失败以后怎么办；用户为什么愿意持续使用。
所以除了 DAU、Conversion、Retention，还会越来越多地看：
Task Success、Grounding、Quality、Latency、Cost、Fallback Rate。
这也是传统 PM 最容易找到迁移路径的一层。
但可能也是最拥挤的一层。
因为：
“做过互联网产品 + 会 Prompt”已经不是什么特别稀缺的组合。
真正拉开差距的，是有没有把一个不稳定的模型能力，做成一个：
可以测量、可以失败、可以恢复，也可以持续迭代的产品。
5. Vertical AI PM：负责 AI 进入一个具体行业以后怎么工作
AI 真正进入行业以后，领域知识又重新变得很值钱。
- 医疗 Agent 不能只是“回答得像医生”；
- 金融 Agent 不能随便执行不可逆操作；
- 法律产品要考虑证据、引用和责任；
- Cyber Agent 要知道哪些工具可以调用，哪些动作必须由人确认。
所以现在已经能看到：
Healthcare AI PM、Legal AI PM、Cyber AI PM、Insurance AI Product Owner。
这类岗位不一定最需要“懂模型最多的人”。
有时候公司更需要：
真正知道这个行业里，什么地方最容易出问题的人。
然后把这些行业知识变成：
Permissions、Approval、HITL、Eval Cases、Audit Trail、Risk Metrics。
到了这里，行业经验已经不是简历上的一句：
“熟悉金融 / 医疗 / 法律。”
它会直接改变系统怎么设计。
第三层：把 AI 真正放进一家公司
6. AI Transformation PM：负责企业到底应该怎么用 AI
还有一类岗位，并不负责某一个 AI 功能。
他们负责的是：
公司几十个 AI Idea，到底哪些值得做；
哪些应该 Buy，哪些应该 Build；
哪些先 Pilot；
怎么接进现有系统；
数据和权限怎么治理；
员工到底有没有采用；
最后有没有真实 ROI。
这类职位可能叫：
AI Transformation PM、AI Product Owner、Internal AI PM。
它们的模型技术深度未必像 Core Model PM 那么高。
但很依赖：
流程拆解、Enterprise System、治理、跨部门协作和 Change Management。
所以这类岗位的核心问题不是：
模型有多聪明？
而是：
这家公司有没有真的因此改变工作方式？
7. Forward-Deployed PM：直接去客户现场把 AI 做出来
这是我之前没有特别关注，但这次 research 后觉得很值得看的职位。
Scale AI 现在就在招聘 Forward Deployed Product Manager。
它的工作不是：
写完 PRD → 交给工程 → 等上线。
而是直接深入客户：
理解问题；接数据和 API；一起构建、测试、部署；再把一次性的解决方案逐渐抽象成可以重复使用的软件产品。
所以这个岗位有一点像：
PM + Solutions Architect + Consultant + Builder。
技术能力和客户能力都需要。
它也很符合 AI 现在的产业阶段：
Demo 已经没有那么难。
真正麻烦的，往往是：
怎么把 AI 接进真实业务。
所以，同样叫 AI PM，人才画像可能完全不同
如果把这七类放在一起，会发现：
- Model / Research - 模型应该变得多强、往哪里发展？
- Platform / HarnessAI - 怎样可靠地被构建和运行？
- Evals / Safety - 什么叫好？什么时候可以上线？
- Applied AI - 用户到底能不能靠 AI 完成任务？
- Vertical AI - AI 在这个行业里怎样才可信、可用？
- AI Transformation - 一家公司应该在哪里、怎样使用 AI？
- Forward-Deployed - 怎么把 AI 真正部署进客户工作流？
这些岗位当然会重叠。
一个 Healthcare Agent PM 可能同时做 Applied AI、Vertical AI 和 Evals。
一个 Agent Platform PM 也可能大量参与 Harness 和 Evaluation。
但这张地图至少解释了一件事：
为什么打开十个 AI PM JD，会觉得它们需要的能力完全不一样。
因为它们本来就在招不同的人。
所以我现在看 AI PM JD，会先看四件事
而不是先看职位名称。
1. 这个 PM 到底负责什么产品对象？
模型？平台？Eval？Agent？行业工作流？企业部署？
2. 他离模型和系统有多近？
理解能力边界就够了，还是需要亲自实验、写 Python、搭 Pipeline？
3. 公司为什么需要这个 PM？
提高模型质量？把 AI 上线？降低风险？推动企业采用？
4. 什么算成功？
Model Quality？Task Success？Customer Adoption？Cost？Safety？ROI？
这四个问题回答完以后，同样叫 AI Product Manager 的两个职位，可能已经几乎不是同一份工作。
所以这轮研究的第一篇，我最想先留下一个很简单的判断：
别急着问“AI PM 需要会什么”。
先问：我说的是哪一种 AI PM？
下一篇再继续往下拆一个更实际的问题：
这七种 AI PM，对技术的要求到底差多少？
「现在公司到底在招什么样的 AI PM」系列 1/4。研究基于截至 2026 年 8 月 20 日整理的 43 个公开 AI 产品岗位，并参考 Stanford AI Index 2026、PwC 2026 AI Jobs Barometer 等资料；TrueUp 仅用于补充 PM 市场的岗位量、职级和地域等聚合信息。文中的 7 类是对岗位职责的定性归纳，不代表全市场岗位比例。