當產品經理在業務不熟、資料不全的情況下接手B端項目二期時，如何與AI協作破局？本文通過真實項目復盤，揭示從業務梳理到文檔沉淀的全過程。

———— / BEGIN / ————

最近我介入了一個 B 端業務系統的二期項目，負責推進其中兩個核心模塊。

剛接手時，我站在一個挺典型的“半空中”的位置：項目一期已經做完，二期還有內容要繼續推進，但我并不清楚一期到底完成到了什么程度；哪些規則已經確認，哪些只是過程記錄；哪些內容可以復用，哪些還需要重新梳理。

更現實的是，我之前沒有接觸過這個業務領域。雖然做了多年產品經理，但換到一個陌生行業，很多術語、流程、系統關系都需要重新理解。

當時我手里的材料也很有限：一份客戶調研內容，以及一個競品系統賬號。沒有現成 PRD，也沒有已經整理好的項目資料。

所以這次做需求，對我來說不只是一次業務梳理，也是一場和 AI 的協作實驗。

做完整個模塊后，我回頭看，發現真正值得復盤的不是“AI 幫我寫了多少文檔”，而是：在業務不熟、資料不全的情況下，產品經理到底可以怎樣和 AI 一起，把一個模糊的問題逐步做清楚。

一開始不是把需求說清楚，而是把“已知和未知”說清楚

剛開始時，我并沒有能力把需求一次性說清楚。

所以我做的第一件事，不是讓 AI 直接給我一份方案，而是先把自己的處境告訴它。

我告訴 AI：我現在要介入一個XXX項目，項目已經完成一期，還有二期未完成。我主要負責其中XXX模塊。現在我對這個系統業務不了解，手里有一份客戶調研內容，也有一個競品系統可以參考。如果我要完成需求產出給開發，應該怎么入手？希望AI能幫我一起提效。

這一步看起來很簡單，但后來我發現很關鍵。

AI 協作不是一定要從“資料完整、目標清晰”才開始。很多真實項目恰恰相反：資料不完整、業務不熟、交接不系統，但事情已經要往前推進了。

這個時候，人的作用不是把答案喂給 AI，而是把處境講清楚：

• 我知道什么；

• 我不知道什么；

• 我手里有什么；

• 我要產出什么；

• 哪些材料后續還可以繼續提供。

這些信息說清楚后，AI 先幫我梳理了一個初步的 PRD 大綱。

但看著這份大綱，我反而有點犯難：結構是完整的，內容看起來也都對，可我對業務還不熟，知道這些“正確”背后可能還有很多沒暴露的問題。

于是我沒有繼續讓 AI 往下寫，而是讓它回過頭來對照客戶調研和競品，幫我找差異：哪些是客戶提到但競品沒有的，哪些是競品有但調研里沒有的，哪些兩邊存在沖突。

這些差異讓我有了判斷抓手。哪些可以先采納，哪些需要線下溝通確認，哪些還不能直接下結論，都開始變得具體。后續的競品差異確認清單、訪談問題清單和工作臺，也是在這個過程中逐步沉淀出來的。

第一稿不是答案，而是一個可以被質疑的對象

等需求文檔逐漸成型、準備繼續做頁面原型前，我又反過來問 AI：這份文檔看起來完整，但能不能真的交給開發做？

于是檢查重點從“業務是否合理”轉向“交付是否清楚”：字段、狀態、按鈕、附件、通知、異常規則是否定義到位，開發是否能據此評估和實現。后面形成的開發評審確認清單，本質上是在進入原型和更細規則前，先降低開發理解和評估的不確定性。

當信息逐步補齊后，我開始讓 AI 生成頁面原型和規則說明。第一眼看上去，產出確實挺完整。

模塊有了，頁面有了，字段有了，流程也有了。

但真正有價值的部分，是我開始看著這些內容不斷發現“不對勁”。

比如：

• 這個字段在新建頁填了，后續在哪里查看？

• 這個按鈕點完之后，流程走到哪里？

• 這個狀態只是展示，還是可以篩選？

• 附件是采購上傳的，還是供應商上傳的？

• 供應商能不能看到采購附件？

• 保存和確認報價到底有什么區別？

• 報價截止后，采購怎么知道可以進入報價對比？

這些問題如果面對密集的文檔，其實很難問出來。因為沒有具體對象，就很難判斷哪里不合理。

AI 第一稿的價值就在這里：它快速生成了一個可以討論的版本。

這個版本不一定正確，但它讓問題變得具體了。

很多產品判斷不是憑空產生的，而是在看到頁面、字段、按鈕、狀態之后才出現的。你只有看到了一個具體設計，才會開始追問：這里為什么這樣？后面接到哪里？用戶真的能理解嗎？數據有沒有閉環？

所以現在我不會期待 AI 第一稿就是最終答案。

我更愿意把它當成一個“可被質疑的草稿”。AI 先把模糊的東西變成可見的結構，人再圍繞這個結構持續校準。

“這看著不對勁”背后，是一種系統感

這次協作中，我反復做的一件事，就是指出那些看起來不順、不清楚、不閉環的地方。

• 有時候問題很小，比如一個按鈕文案容易讓人誤解。

• 有時候是一個字段，比如“報價次數”到底從哪里來。

• 有時候是一個狀態，比如是否應該增加“待比價/授標”篩選。

• 有時候是一個鏈路，比如采購上傳的附件，供應商是否可見，后續詳情頁是否能追溯。

這些問題表面上是頁面細節，背后其實都是產品邏輯。

• 一個字段有沒有閉環，決定了數據是否可追溯。

• 一個按鈕有沒有明確去向，決定了操作是否可理解。

• 一個狀態有沒有篩選入口，決定了用戶能不能找到待辦。

• 一個附件有沒有流轉說明，決定了采購和供應商之間的信息是否對齊。

這種“不對勁”并不是單純的審美判斷，也不是為了挑毛病。

它背后其實是一種系統感：看到一個字段，會自然想到它后續在哪里展示；看到一個按鈕，會想到誰能點、什么時候能點、點完后進入什么狀態；看到一個狀態，會想到它是否能篩選、是否能驅動流程、是否影響權限和通知。

所以指出的問題看起來很細，但背后其實是在檢查系統是否能跑通。

AI 很擅長根據問題給方案。只要我指出某個地方不閉環，它往往能很快給出幾種處理方式，并說明哪種更輕、哪種更完整、哪種更適合當前階段。

但前提是，人要先發現問題。

AI 負責展開，人負責收束

AI 很容易展開。

你讓它補規則，它可以補很多；讓它想異常，它可以列一長串；讓它設計一個功能，它也可能自然地往完整系統能力上走。

但項目不是越完整越好。尤其是二期項目，真正難的是判斷：本期到底做到什么程度。

比如有一個內部溝通紀要功能，如果讓 AI 完整展開，可以做新增、查看、編輯、刪除、權限控制、通知、歷史版本等一整套能力。

但回到當前項目，我最后選擇的是更輕量的閉環：允許新增和查看，本人短時間內可編輯，不做刪除，不通知供應商，只作為內部留痕。

這不是 AI 自動決定的，而是人根據項目階段、開發成本和業務必要性做出的取舍。

所以我覺得，AI 協作里產品經理不能只做“提需求的人”，還要做“收邊界的人”。

AI 負責把可能性展開，人負責判斷哪些要做，哪些先不做，哪些只是開發評審時再確認。

收束不是簡單地砍功能，而是明確本期邊界。真正重要的是，關鍵鏈路有沒有閉環，本期規則有沒有講清楚，開發拿到后是否知道怎么評估和實現。

同樣用 AI，為什么結果會不一樣

這次復盤時我發現，影響 AI 協作效果的，不只是模型能力，也不只是提示詞寫得好不好。

當然，模型能力本身會影響協作體驗。復雜業務需求不是簡單問答，它要求 AI 能讀長文檔、理解上下文、承接多輪追問、保持前后一致，還要能把討論沉淀成結構化文檔。

所以在復雜任務上，能力更強的 AI 工具確實會降低很多協作摩擦。比如使用 Codex、Claude Code 這類工具時，我能明顯感覺到它們在上下文承接、多輪協作和結構化輸出上更順暢。

但強模型不是全部。

更關鍵的是，人能不能和 AI 形成有效的來回：能不能把項目處境講清楚，能不能在 AI 給出的內容里看出哪里還沒接上，能不能順著一個小問題繼續追問，也能不能在 AI 展開很多方案后判斷哪些適合本期。

這些能力聽起來并不新鮮，但真正做到并不容易。

它來自產品經理在一個個真實項目里慢慢形成的工作敏感度。當 AI 把產出速度拉快之后，人需要更早、更具體地進入判斷。否則 AI 可能會生成很多看起來完整的內容，但未必真的能落地。

所以，AI 協作不是讓產品經理少思考，而是讓產品經理更早進入判斷。

最后交付的不是文檔，而是共同理解

與AI協作的過程中，沉淀出了很多東西：PRD、開發規格說明、頁面原型、字段流轉、狀態定義、操作閉環、驗收用例、系統銜接評審清單。

但這些文檔不是一開始規劃出來的，而是在一次次追問中長出來的。

• 發現字段沒閉環，就補字段流轉。

• 發現狀態不清楚，就補狀態定義。

• 發現頁面跳轉缺失，就補操作入口。

• 發現開發拿文檔還不能直接做，就補系統銜接評審清單。

回頭看，這些文檔的價值不只是“寫清楚需求”，而是把對話中的判斷沉淀成了團隊可以復用的共同理解。

最后，簡單總結一下這次協作中沉淀下來的幾條原則：

• 先講清“已知和未知”，而不是直接要答案；

• 讓 AI 產出“可被質疑的草稿”，而不是第一稿就正確；

• 人負責發現“不對勁”，AI 負責展開方案；

• 人負責收束邊界，判斷哪些做、哪些不做。

但這里有一個容易被忽略的前提：模型能力決定了協作的下限，人的系統感決定了協作的上限。

工具可以越來越好，但能不能看出“不對勁”、能不能收住邊界、能不能在 AI 展開的無數可能性中做出適合當下的取舍——這些依然是人的功課。

AI 提高了產出的速度，但產品經理決定了產出的質量和邊界。

后記

寫完這篇文章，我又追問了自己幾個問題：我現在的敏感度，很大程度上來自過去“逐個元素定義規則”的笨功夫。但如果未來的產品經理從一開始就只用 AI 生成完整的文檔，這種敏感度還怎么培養？

更進一步——如果 AI 越來越強，強到能自己發現并補上那些“不對勁”，那產品經理的價值還剩下什么？

這些問題我沒有答案。

但我覺得，它們是值得持續思考的。

本文來自公眾號：愛因思索 作者：愛因思索

不想錯過 AI 新趨勢，也想結識志同道合的伙伴？長按識別二維碼，免費加入AI 共學交流群，一起學習、一起玩轉 AI！