特斯拉Roadster的飞行演示引发了一个产品经理的经典拷问：技术炫酷但商业前景不明，该不该立项？本文从产品定义、技术理解和商业判断三个维度，剖析AI产品经理如何避免技术自嗨，用第一性原理重新审视约束条件，并借助真实期权思维在不确定性中做出更聪明的投资决策。

10月15日，特斯拉发布了新一代Roadster。

在演示现场，这辆汽车借助推进器短暂腾空，在空中调整姿态，甚至完成了倒挂行驶。

看到视频的时候，我的第一反应是：我艹，真的弄出来了。

但冷静下来之后，职业习惯让我开始思考另一件事。

如果我是这个项目的产品经理，我会支持它立项吗？

毕竟，这辆车距离量产还有很长的路。它目前展示的是受控环境下的工程能力，而不是成熟的日常飞行能力。安全性、使用成本、监管许可和商业需求，都还有待验证。

从常规的产品投资逻辑来看，这显然不是一个容易通过评审的项目。

但换个角度，它也可能承担着验证工程能力、探索技术边界、塑造品牌认知等任务。

这就产生了一个有意思的矛盾：

如果我们只做商业价值明确的产品，可能错过真正的创新；但如果只要技术足够先进就投入资源，又很容易陷入技术自嗨。

这件事让我想到AI产品经理今天面临的处境。

大模型、Agent、多模态技术不断发展，很多过去做不到的事情，现在已经可以快速做出原型。

但技术能力的增长，并不会自动带来商业价值。

当「能不能做」越来越容易得到答案，「值不值得做」反而成了更难的问题。

我想从三个方面谈谈自己的思考。

一、产品定义：技术进步之后，过去的问题可能需要重新回答

飞行汽车最有意思的地方，不是它解决了多少交通问题，而是它挑战了我们对汽车的固有认知。

过去，汽车的性能很大程度上受到轮胎抓地力、道路条件和机械结构的约束。

于是，汽车产品长期围绕动力、操控、续航、安全等方向迭代。

但如果引入新的推进方式，部分原有约束就可能发生变化。

这正是第一性原理值得关注的地方。

第一性原理不是要求产品经理提出天马行空的想法，而是重新检查：哪些限制来自客观规律，哪些只是过去技术条件下形成的习惯。

AI产品中也有类似的情况。

以企业经营分析软件为例。

传统产品的设计逻辑是：用户打开系统、查询数据、分析问题、制定方案，再去其他系统执行。

于是，当AI出现后，很多产品选择在原有系统中增加一个智能问答框。

这当然可以改善体验，但它仍然沿用了一个旧假设：

用户需要主动操作软件，才能完成工作。

如果重新思考这个问题，我们会发现，用户的目标可能根本不是查询数据，而是及时发现问题并解决问题。

那么产品是否可以主动识别异常、提供分析、推荐动作，并在授权范围内完成执行？

这时，我们改变的就不只是交互方式，而是整个产品的工作逻辑。

当然，新的方案未必更好。主动执行可能增加错误风险，也可能带来新的审核成本。

但至少，技术已经让我们有机会重新比较这些方案。

当技术改变了约束条件，过去合理的产品设计，就有必要重新接受检验。

这也是为什么我认为，AI产品经理需要不断练习问题定义，而不是拿到需求就直接寻找AI解决方案。

一个简单的训练方法是：每次接到需求，先不讨论功能，尝试写出用户真正希望改变的业务结果，再找出当前流程中三个被默认接受的限制。

其中，哪些限制今天已经可以被技术改变？

这个问题往往比「怎么把AI加进去」更有价值。

二、技术理解：产品经理需要知道，新技术究竟打开了什么可能性

Roadster的另一层启发，来自技术组合。

推进技术本身并不是新发明，但当SpaceX相关技术被引入汽车工程，便产生了传统汽车难以实现的运动能力。

这让我想到一个问题：

我们今天研究AI技术，是为了知道它有哪些功能，还是为了理解它能改变哪些产品？

两者差别很大。

例如，很多人理解Computer Use，是从「AI能够操作鼠标、点击网页」开始的。

但如果进一步思考，它的潜在价值可能在于：让AI能够操作尚未提供API的旧系统，从而连接过去难以自动化的业务流程。

再结合大模型的理解能力、业务规则和任务调度系统，就可能出现新的产品方案。

但这里有一个容易被忽视的问题。

技术组合扩大了可行解的范围，也可能同时扩大系统的复杂度。

一个AI Agent在演示中完成了跨系统操作，不代表它可以直接用于真实业务。

假设一个Agent需要连续完成10个步骤，每一步成功率都是95%，且各步骤失败相互独立。

那么整条流程一次性成功的概率只有：

0.95¹⁰ ≈ 59.9%。

即使单步能力看起来已经不错，完整任务仍然可能频繁失败。

真实系统中的失败还可能相互关联，情况会更加复杂。

这也是为什么我认为，AI产品经理不能只关注模型能力的上限。

还需要理解技术的可靠性、失败方式、执行成本，以及异常发生后能否恢复。

对于产品而言，技术能力至少需要经过三次检验：

能不能实现，能不能稳定运行，能不能以合理成本持续创造价值。

这三个问题对应着完全不同的产品阶段。

因此，我更建议AI产品经理建立自己的技术雷达。

每周选择一项新技术，不只是了解它能做什么，还要回答：它改变了哪些过去的限制？与现有技术结合后会产生什么新能力？这种能力距离生产环境还有多远？

技术学习的终点，不应该是积累名词，而应该是形成新的产品假设。

三、商业判断：有价值的项目，为什么也可能不值得做？

假设老板提出开发一个AI Agent，技术团队认为完全可以实现，业务团队也愿意使用。

项目是否应该立项？

未必。

因为技术可行、用户愿意使用，只能说明项目具备初步条件，却不能直接证明它值得投资。

一个AI产品从技术能力走向商业成功，至少需要经过三层验证。

1. 产品价值、经营价值与投资价值，是三件不同的事

2024年，瑞典金融科技公司Klarna宣布，其AI客服助手在上线首月处理了约三分之二的客服对话，工作量相当于约700名全职客服人员，并预计在2024年带来约4000万美元的利润改善。

这些数据足够亮眼，但如果从产品投资的角度分析，还需要进一步追问：

AI承担了多少工作量，是否真正降低了企业成本？客户满意度是否保持稳定？复杂问题转交人工后，整体服务成本是否仍然具有优势？

需要注意，Klarna公布的4000万美元是当时的预期，并非已经独立核实的实际收益。

这也揭示了AI产品价值评估中容易混淆的三个层次：

一个AI产品可能很好用，却没有带来明显的经营改善。

一个项目也可能具有正向收益，却不是当前最值得投入的方向。

产品成功、商业成功和投资决策正确，并不是同一件事。

2. 商业判断的本质，是有限资源下的选择

假设企业有20万元预算，可以投入两个AI项目。

项目A预计每年带来30万元净收益，项目B预计每年带来60万元净收益。

在投入规模、风险和实施周期相近的情况下，B显然更值得优先考虑。

但实际工作中，产品经理经常只论证某个项目有没有价值，却忽略了另一个问题：

如果不做它，同样的资源还能创造什么价值？

这就是机会成本。

对AI产品经理而言，商业判断不仅是计算ROI，更是比较不同方向的价值、风险与时间窗口。

但问题在于，并非所有创新项目都能提前算出可靠的ROI。

如果Roadster这样的技术探索，在立项时就被要求证明明确的短期商业回报，它可能根本无法启动。

那么，对于商业价值尚不明确、但可能打开新技术空间的项目，应该如何决策？

3. 真实期权：为未来的选择权付费

这里可以引入经济学中的真实期权（Real Options）。

简单理解，真实期权是指：在不确定性较高的情况下，通过阶段性投入，保留未来继续投资、调整方向或放弃项目的权利。

它与传统的一次性投资决策存在区别。

传统思路是：项目值不值得做？如果值得，就投入资源开发。

真实期权思路则是：现在值得花多少钱，去获得下一阶段更有依据的决策机会？

例如，一家公司希望探索能够自主完成经营决策的AI Agent。

如果直接投入数百万元开发完整系统，风险很高。

但可以将投资拆分为三个阶段：

第一阶段：验证能力。 利用历史数据测试AI的分析与决策质量，判断技术是否达到基本要求。

第二阶段：验证价值。 在真实业务中进行小范围试点，由人工审核AI建议，验证是否产生经营改善。

第三阶段：扩大投入。 只有当前两阶段达到预设标准，才进一步开发自动执行、系统集成和规模化能力。

如果第一阶段就发现关键能力无法满足要求，企业可以及时停止投入。

即使实验失败，只要它帮助企业避免了更大的错误投资，也可能具有价值。

但这不意味着所有实验都值得做。

好的实验，不是为了证明产品一定能够成功，而是为了决定下一笔资源是否值得投入。

因此，在启动探索性项目之前，产品经理应该明确三个问题：

• 当前最关键的不确定性是什么？
• 什么证据会改变继续或停止投资的决定？
• 获取这些证据，最低需要付出多少成本？

对于商业模式成熟的项目，我们主要关注收益、成本和机会成本。

对于探索性项目，则需要进一步关注信息价值、阶段性投入和未来选择权。

商业判断的关键，不是消除所有不确定性，而是知道哪些不确定性值得花钱验证，以及应该花多少钱。

四、如何真正提升这三种能力？

讨论到这里，我认为可以把前面的思考收敛成一套日常训练。

不需要每天研究复杂的战略模型，关键是让自己的判断不断接受验证。

• 每天10分钟，练习问题重定义。 选择一个真实需求，重新审视用户目标、客观约束和历史假设，尝试提出不同的解决路径。
• 每周一次，建立技术雷达。 选择一项AI技术，研究它的能力边界、使用成本，以及与现有业务结合后可能产生的新机会。
• 每周一次，模拟投资决策。 选择一个AI项目，比较不同方案的商业价值、机会成本，并设计一个能够验证关键假设的实验。
• 每月一次，复盘决策。 回顾过去的产品判断，检查当时的预期与实际结果之间的偏差，逐步校准自己的判断能力。

其中，我认为最值得坚持的是最后一项。

产品经理每天都会做判断，但未必会系统性地验证自己的判断。

例如，你认为某个AI功能上线后会显著提高效率。

一个月后，实际效果如何？

如果结果没有达到预期，是因为用户需求判断错误、技术能力不足，还是收益转化路径没有成立？

如果只是复盘项目有没有按时上线，就很难真正提高商业判断能力。

但如果持续记录判断依据、关键假设和实际结果，经验才有机会转化为可以复用的认知。

判断力不是来自做过多少项目，而是来自能否持续修正自己理解世界的方式。

结语

Roadster是否会成为成功的商业产品，现在还无法下结论。

但它带来的启发，并不局限于汽车行业。

技术正在不断改变产品的可能性边界，而AI进一步加快了这个过程。

过去无法实现的功能，今天可能只需要几周就能做出原型。

但实现速度越快，我们越需要认真判断，什么问题值得解决，什么技术值得采用，什么方向值得投入。

第一性原理帮助我们重新定义问题。

技术理解帮助我们发现新的解决方案。

商业判断则帮助我们在有限资源与不确定性中做出选择。

技术突破回答的是可能性，产品验证回答的是可用性，而商业判断最终回答的是：在所有可能的未来中，我们愿意为哪一种投入资源？

对于AI产品经理而言，也许这才是这次Roadster事件最值得带走的思考。