传统 PM 想转 AI，先别急着把所有技术补一遍
Before you try to learn everything这是「现在公司到底在招什么样的 AI PM」系列最后一篇。
这一轮我整理了截至 2026 年 8 月 20 日的 43 个公开 AI 产品岗位，又参考了 Stanford AI Index、PwC AI Jobs Barometer 等招聘市场研究。
前三篇做了三件事：
第一篇先看，所谓 AI PM 到底包含哪些不同的工作；
第二篇拆了，不同岗位对“技术”的要求究竟差在哪里；
第三篇再看，为什么 Evals、Harness、Forward-Deployed 这些以前不常见的分工开始出现。
写到这里，其实很容易产生一个副作用：
更焦虑了。
原来以为 AI PM 可能学学 Prompt 就好。
现在发现还有：
Python、RAG、Agent、Evals、MCP、Harness、System Design、Model Behavior……
而且这个列表每天都还在变长。
所以最后一篇，我想把问题重新收回来：
如果过去不是 AI PM，现在到底应该怎么找到自己的位置？
我现在反而越来越不建议从：
“AI PM 需要会什么？”
开始。
因为这个问题太容易把人带进一张永远学不完的清单。
第一步：先盘点自己已经有什么，不要先盘点自己不会什么
这是我觉得有经验的 PM 转 AI 时，最容易忽略的一件事。
做了几年甚至十几年产品以后，过去的积累可能是：
Payments；Healthcare；Search；Developer Tools；Risk；Enterprise SaaS；Design；Data Product；Customer Delivery；Growth。
AI 出现以后，这些经验并没有突然失效。
真正值得问的不是：
我要不要把自己重新训练成一个“AI 人”？
而是：
我过去最有壁垒的经验，和 AI 的哪一层结合以后，会变得更值钱？
例如：
Search / Recommendation→ Retrieval / Personalization / Model Product
API / Platform→ Agent Platform / Harness
Risk / Trust & Safety→ Evals / Safeguards
Finance / Healthcare / Legal→ Vertical AI
Enterprise SaaS→ AI Transformation
Solutions / Consulting→ Forward-Deployed
Consumer / Growth→ Applied AI
从这里开始，路线会一下缩小很多。
第二步：选择产品层，不要只选择一个大标签
前三篇里其实一直有一个共同结论：
“AI PM”这个词太大了。
如果粗略把 AI 产品想成：
模型↓Platform / Harness↓Evals / Safety↓应用↓行业工作流↓企业部署
不同层需要的人完全不同。
一个长期做 Enterprise Workflow 的 PM，如果花半年时间硬补 Pre-training，希望直接和 ML Research 背景的人竞争 Core Model PM，我不确定这是最好的投入。
反过来，一个长期做 ML Platform 的人，如果只去申请一个普通 AI Chatbot PM，也可能把自己的壁垒浪费掉了。
所以问题不是：
哪一种 AI PM 最厉害？
而是：
哪一层 AI，会放大我本来就很强的东西？
我觉得这比“我还缺多少 AI 技能”重要得多。
第三步：用 Evidence 替代“我学过 AI”
课程、文章、Tutorial 当然都有价值。
进入一个新领域，总要先学习。
但从招聘角度：
“我学习过”证明的是：我接触过。
它很难证明：我真的会做。
这轮看 JD，一个很明显的趋势就是：
Hands-on、Prototype、Evals、Failure Handling、Model Quality、Python、SQL……
越来越常出现。
所以如果真的要补 AI 产品经验，我反而会倾向于：
少做几个 Demo，把一个项目做深。
一个有说服力的 AI 项目，至少应该能回答这些问题。
为什么这里需要 AI？
为什么不用普通规则、搜索或者 Workflow Automation？
系统是怎么分工的？
Model 做什么？Rule 做什么？Tool 做什么？人做什么？
怎么知道它做得好不好？
Baseline 是什么？Test Set 怎么来的？Rubric 怎么定？
它最容易怎么坏？
Hallucination？Wrong Tool？Permission？Context？Latency？
坏了以后怎么办？
Retry？Fallback？Reject？HITL？
真正上线以后看什么？
Quality？Task Success？Latency？Cost？Reliability？
如果一个项目可以把这些东西讲清楚，我觉得它比十个：
“我用 AI 做了一个 XXX”
更有说服力。
第四步：看见一个不会的词，先判断它到底是什么
现在看 AI JD，很容易发生一个动作：
看到一个陌生词。
然后立刻记进：学习清单。
其实我觉得可以先把缺口分成三类。
A. 这是这个岗位的核心能力
比如：
想申请 AI Eval PM，却完全不知道 Evaluation 怎么设计。
这个确实需要补。
不是学一个工具，而是能力本身缺失。
B. 这是一个具体工具
比如：
已经理解 Agent Workflow，也做过 Tool Calling，只是没有用过 LangGraph。
这种情况下，不会某个 Framework，并不等于不会这类工作。
工具会换得很快。
不会一个工具，和缺少一种能力，是两回事。
C. 这个岗位其实根本不需要
例如：
申请 Healthcare Applied AI PM，却因为不会训练模型而焦虑。
或者申请 AI Transformation，却觉得自己是不是应该先系统学一遍 PyTorch。
很可能只是补错方向。
这一点在 AI 领域尤其重要。
因为新名词实在太多，很容易把：
“我不知道这个词”
误判成：
“我缺少竞争力。”
第五步：找到自己的那个交叉点
如果一定要把定位压缩成一个公式，我现在会写成：
过去的壁垒 × AI 产品层 × 可验证 Evidence
而不是：
工作年限 × AI 技能数量
例如：
Enterprise PM × AI Automation
Healthcare × AI Agents
Risk × AI Evals
Developer Platform × Agent Infrastructure
Design × Human-AI Interaction
Customer Delivery × Forward-Deployed AI
我觉得这类说法比：
“我以前做 X，现在想转 AI。”
更有力量。
因为后一种叙事很容易把过去和未来切成两段：
过去的不算了，现在重新开始。
但现实通常不是这样。
更可能是：
过去一直在解决某一类问题，而 AI 正在改变这类问题的解决方式。
这时候所谓“转型”，其实更像一次重新组合。
当然，也不是所有过去经验都会自动变成壁垒
这一点还是要说得诚实一点。
如果过去很多年的主要工作一直是：
协调；跟进；写需求；开会；推动项目；
但很少形成：
独立的产品判断、技术理解、行业知识、数据能力、明确的产品结果，
那“Senior PM”这个 Title 本身，并不会自动变成 AI PM 的优势。
AI 反而正在提高一些要求：
- 更快地实验；
- 更靠近系统；
- 更明确地定义质量；
- 更独立地判断 Trade-off。
所以工作年限当然仍然有价值。
但公司重新定价的，可能不是：
你做了多少年。
而是：
这些年到底积累出了什么不容易被替代的判断。
如果今天重新规划一次 AI PM 转型，我会按这个顺序
不是先打开课程网站。
而是先做四步：
1. 找 10 个自己真的会投的 JD
不要找“看起来最厉害”的。
找自己现实中愿意申请的。
2. 看它们到底属于哪一层 AI 产品
Model？
Platform？
Applied AI？
Vertical AI？
Transformation？
Forward-Deployed？
3. 找共同要求
不要记录所有关键词。
只找反复出现的：
核心能力。
4. 再把自己放进去
分成三栏：
我已经有 Evidence 的
我懂，但 Evidence 不够的
我真的不会、而且岗位确实需要的
最后这一栏，才应该进入学习计划。
一个很简单的定位表
如果现在正在考虑 AI PM，可以先填这四行：
我过去最有壁垒的问题域：＿＿＿＿＿＿＿＿＿＿
最能放大这个壁垒的 AI 产品层：＿＿＿＿＿＿＿＿＿＿
我已经可以证明的 AI 能力：＿＿＿＿＿＿＿＿＿＿
真实 JD 反复出现、但我目前缺少的核心能力：＿＿＿＿＿＿＿＿＿＿
填完以后，学习清单通常会比最开始短很多。
而且更接近真实市场。
这组 research 做到最后，我自己的感受反而不是：
“AI PM 要学的东西好多。”
而是稍微相反。
不是所有东西都需要学。
AI 变化太快，靠把一张技能清单全部划掉来获得安全感，大概永远等不到那一天。
更值得先弄明白的可能一直都是两个问题：
我本来最擅长解决什么问题？
然后：
AI 出现以后，哪里开始更需要这种能力？
一个人的位置，很多时候就藏在这两个问题的交叉处。
「现在公司到底在招什么样的 AI PM」系列 4/4。整组研究基于截至 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。前三篇分别讨论了 AI PM 的岗位分类、不同职位的技术要求，以及 Evals / Harness / Forward-Deployed 等新分工；这一篇是整个系列最后的落点：知道市场在招什么以后，怎么重新判断自己的位置。