转型做 AI 产品经理半年，我跟很多 PM 一样，卡在了"方向从哪来"这个问题上。研究 ToC 工具卷不过大厂，做通用 Agent 又没护城河，跟着热门概念跑总觉得隔着一层窗户纸。直到我重新看了一眼自己的简历——一个在赛事形象景观行业摸爬了 3 年的从业者——我决定回到这个最熟的赛道，做"反向立项"。这篇文章想跟同样在转型路上的 PM 聊聊：业务导向型 AI 产品经理为什么是行业老兵的画像？我用什么方法挖到了 4 个具体的立项机会？以及 3 个值得提前避开的坑。

写在前面：转 AI 产品经理这半年多，我最焦虑的事

说实话，我转型 AI 产品经理这半年，最大的折磨不是”学不会技术”，是”找不到方向”。

我研究过 ToC 的 AI 工具——发现这个赛道大厂在血拼，DeepSeek、豆包、Kimi 一周一更，我一个新人凑进去能干啥？

我研究过通用 Agent 平台——发现这玩意儿门槛是真低，但壁垒也是真低，做出来三个月就被替代了。

我跟着各种”AI+教育”、”AI+情感陪伴”、”AI+小红书运营”的热门概念跑过——每次都觉得自己懂了，每次又都做不出真正的产品立项报告。最尴尬的一次：我研究了三周”AI 写作助手”赛道，写到立项报告”目标用户”那一栏，发现自己其实不太懂这群人——我连每天用 Notion 写文章的人到底在哪个具体环节最痛，都说不上来。

那段时间我反复问自己一个问题：我到底在为谁做产品？

直到有天我刷到一篇文章，里面有句话把我钉住了——

“业务导向型 AI 产品经理，需要在某个行业积累 5 年以上经验的从业者来做。”

那一刻我突然意识到，过去半年我一直在做反方向的事——拼命想”装懂”我不熟的领域，反而把我最大的差异化资产丢了。

我自己的简历是什么？是一个在赛事形象景观行业摸爬了 4年多的项目经理。最近一个项目是 2025 年 4 月到 12 月在广州做的第十五届全国运动会赛区氛围营造，大学城片区几个核心场馆全程跟下来。从踏勘、设计、评审、下单到施工、保障、拆除、结算，整套流程我手里至少跑了 30 遍。

那为什么我不在这个赛道上做 AI 产品？

后来发生的事，就是这篇文章想分享的——我用大概 5 周时间在这个传统行业里完成了一次完整的”反向立项”，挖到了 4 个我现在很有信心的 AI 切入点，并且选了其中一个开始做 MVP。这篇文章不是吹自己做得多好（我也才刚起步），而是想把这套方法掰开给同样在转型路上的 PM 同行——尤其是那些跟我一样、有传统行业背景、不知道怎么把过去的经验”接通”到 AI 产品上的人。

为什么”反向立项”是行业老兵转型 PM 最该走的路

先解释一下我说的”反向立项”是啥。

• 正向立项是大多数 PM 默认的路径：先选一个性感的技术方向（比如 Agent、多模态、AI 视频），再去找场景落地。
• 反向立项是我后来选的路：先选一个我深度熟悉的行业，把它的全链路掰碎了重新看一遍，再判断 AI 能在哪些环节切进去。

这两条路看起来差不多，但底层逻辑是反的。正向立项的核心资产是“对技术的理解”，反向立项的核心资产是“对行业痛点的密度”。

我转型半年最大的认知转变是这样一句话——

传统行业里看起来“无聊”的环节，恰恰是 AI 最大的红利地。

为啥？因为：

1. 大厂看不上——你做”赛事现场的物料下单审核工具”，腾讯字节没动力做，市场太小
2. 小厂做不来——你想做这个，没在赛场踩过三届大赛是看不出真正痛点的
3. AI 刚好够用——这些环节大多是”半结构化数据 + 规则约束 + 一定推理”，恰好是大模型最擅长的
4. 付费意愿强——B 端用户会真金白银付费解决”返工成本”，比 C 端用户掏钱掏得爽得多

这就是业务导向型 AI 产品经理的天然护城河——行业 Know-How 的密度，是技术学不来、新手堆不出的稀缺资产。

所以如果你也是从某个传统行业（金融、零售、医疗、教育、制造、地产、汽车、餐饮……）出来转 AI 的，请认真考虑一下：在跑去拼别人的赛道之前，要不要先回头把自己的赛道翻一遍？

第一步：把行业全链路拆一遍（我做了 4 周）

确定了方向后，我做的第一件事不是写产品方案，而是重新拆解我熟的这个行业。

这一步在我看来比想象中重要 10 倍。因为做了 3 年，我以为我”懂这个行业”，但坐下来认真画全链路图的时候，我发现——我懂的是“我做过的部分”，不是“行业本身”。

我用了 4 周时间做了三件事：

1. 画完整 SOP 流程图

我把赛事形象景观行业的全链路拆成了 12 个节点：

招标投标 → 项目启动 → 规范编制 → 场馆踏勘 → 方案设计 → 方案审核 → 方案定稿 → 物料生产 → 现场施工 → 赛时保障 → 赛后拆除 → 项目收尾

这 12 个节点听起来抽象，每一个里面其实都藏着大量可以拆解的子流程。比如”方案审核”这一个节点，对应的是 6 步循环：提交版 → OA 分发征求意见 → 单项竞赛委员会现场沟通会 → 评审版 → 3 人专家评审会 → 下单版。而每一轮循环，都是一次潜在的返工点。

2. 在每个节点上问 3 个问题

这是我从那段时间最有用的练习。我对每个节点都强迫自己回答：

• 现在这件事是怎么做的？（用人？用软件？用 Excel？用微信群？）
• 这个环节最痛的是什么？（最容易出错？最耗时间？最容易扯皮？）
• 为什么以前没人解决？（市场太小？技术不成熟？还是大家都觉得“这就是命”？）

第三个问题最重要——它是判断”AI 红利”的核心。如果一个痛点存在很久但没人解决，往往是因为之前的技术做不到，但 LLM 可能恰好解开了枷锁。

3. 整理出”行业全链路痛点地图”

4 周下来，我整理出了一份 24 个具体痛点的清单。每一个都来自我或者同事真实踩过的坑，附上了发生频次、影响金额、当前的”凑合解法”。

这一步看起来笨，但我觉得是整套立项最值钱的一步。因为后面的所有判断，都建立在这份地图的颗粒度上。如果你只是脑子里”大概知道这个行业有啥痛点”，立项的产品永远是漂浮的。

第二步：识别 AI 切入点（4 个机会是怎么浮出来的）

有了痛点地图后，第二步是把 24 个痛点过一遍，看哪些 AI 现在的能力刚好够得上。

我有一个判断标准：这个痛点的本质，能不能被拆解成“识别 + 校验 + 推理”的组合？

• 识别：从图、文、表里把信息抽出来 → AI 已经做得很好
• 校验：拿抽出来的信息和一套规则比对 → AI 也能做
• 推理：基于多源信息生成判断或建议 → 大模型现在 70% 能做对

24 个痛点过完一遍，最终浮出 4 个我现在最看好的 AI 切入点：

切入点 1：下单前审核

场景：每个赛事场馆的物料清单动辄上千项。每一项都有规格、尺寸、防火等级、抗风等级、安装高度、备品比例的硬约束。下单前必须人工逐项比对——漏一个，就是几十万的返工。

痛点本质：信息密度极高 + 规则约束清晰 + 错一个代价巨大 = AI 最该来的地方。

当前怎么做：项目经理 + Excel + 老员工经验，错漏率取决于审核人当天的状态。

AI 解法：OCR 把图纸和清单结构化 → 规则引擎 + LLM 字段校验 → 输出”风险清单 + 具体位置”。

商业空间：单个赛事项目能省下的返工成本是 7 位数级别，付费意愿强、决策链短。

切入点 2：施工可行性评估

场景：设计师画好方案，要判断现场到底能不能装上——抗风够不够？单跨是不是超限？墙面承载达不达标？现在是”设计师画 + 项目经理看 + 施工队抠”，三个角色各说各话，每次开会能吵半天。

痛点本质：跨角色信息不对称 + 多维度约束 + 缺乏共同语言。

AI 解法：图纸 + 参数 + 历史案例库喂给多模态模型 → 输出一份带置信度和风险等级的可行性报告 → 三方在同一份报告上讨论，吵架的频次直接降低 60%。

切入点 3：变更影响分析

场景：赛事项目变更是家常便饭——甲方改需求、规则调整、场馆临时变动。一个变更下来，可能影响几份设计文件、几轮评审、几个供应商的进度。现在是项目经理在微信群里扒聊天记录手动拼。我自己在十五运期间，至少有 5 个凌晨就是这么熬过来的。

痛点本质：信息散落多源 + 关联关系复杂 + 必须实时响应。

AI 解法：LLM + 关联分析 + 自动通知。把一个变更扔进去，输出”影响哪些文件 / 哪些供应商 / 哪些已签合同 / 谁需要立刻知道”。

这件事 AI 现在能做到 80%，剩下 20% 是人际关系判断（“这个变更跟领导说还是先跟甲方说”），人来兜底。

切入点 4：知识沉淀与复用

场景：每届大赛结束，几百 G 的资料躺硬盘里。下届再来一遍，没人有空翻。结果就是经验经验经验，全靠老员工脑子里的肌肉记忆。一旦人离职，知识断档。

痛点本质：知识密度高 + 检索成本高 + 没有动力做沉淀。

AI 解法：RAG 知识库 + 引用溯源。项目经理直接问”上次这种防火等级的材料我们选的哪家供应商？”, 30 秒得到答案 + 原始文件位置。

配套问题：怎么让人主动喂资料进来？这是产品设计的关键，不是技术问题。

我把这 4 个写出来后，给我以前的几个同行看，几乎所有人的反应都是——”对，这些我们每天都在受罪”。

这就是反向立项的爽点：你不需要去说服用户”这是个痛点”，他们一秒就懂；你也不需要去找”用户在哪”，他们就在你旁边。

第三步：用 3 个维度判断”哪个机会先做”

挖到 4 个机会不等于 4 个都做。下一步是判断哪个先动手。

我用了 3 个维度给它们打分：

维度 1：技术成熟度（这事 AI 现在能做到多少？）

问法：如果我现在交给一个会用 GPT-4 / Claude API 的开发去做，他大概能做到 80% 还是 30%？

打分逻辑：

• 80%+：MVP 一个月可见效，可以立刻动手
• 50%-80%：需要做适配优化，3-6 个月有产出
• <50%：大概率技术不成熟，先观望

4 个机会的得分：

• 下单前审核 → 85%（OCR 已经成熟，规则校验是 LLM 强项）
• 施工可行性 → 65%（多模态推理还在进化，但够用）
• 变更影响 → 80%（LLM 关联分析做得越来越好）
• 知识沉淀 → 75%（RAG 已经成熟，难点在用户习惯）

维度 2：付费意愿（用户愿意为这事掏多少钱？）

问法：这个痛点不解决，用户每年大概损失多少钱？解决了能省多少？

打分逻辑：

• 单次损失大 + 高频 → 付费意愿最强
• 单次损失小 + 低频 → 付费意愿最弱

4 个机会的得分：

• 下单前审核 → ★★★★★（一次返工 6-7 位数，发生频次极高）
• 施工可行性 → ★★★★（间接影响返工和工期）
• 变更影响 → ★★★★（节省的是项目经理的时间，B 端付费看 ROI）
• 知识沉淀 → ★★（说起来重要，掏钱时谁都不爽）

维度 3：替代成本（不用 AI 还能咋办？）

问法：如果不让 AI 做，用人 / 用 SaaS / 用 Excel 能不能解决？解决得多差？

这个维度其实在评估真实的不可替代性。

4 个机会的得分（”无替代方案”=好做，”有勉强能用的替代”=要更努力）：

• 下单前审核 → 几乎无替代，人工查就是会漏
• 施工可行性 → 专家经验勉强能替代，但专家贵且少
• 变更影响 → 用 Confluence/钉钉勉强凑合，但很难真正解决
• 知识沉淀 → 用 Notion/飞书勉强凑合，但没人维护

综合判断

把 3 个维度合起来打个综合分，最后我选了 “下单前审核” 作为第一个 MVP 方向。

理由很直接：技术成熟度最高 + 付费意愿最强 + 替代方案最差。这就是教科书级的“高 PMF 候选”信号组合。

这一步我做完之后，给行业里几个老板朋友看了一下评分表，他们的反应是”我愿意现在就掏钱测试”。这是我转型半年以来第一次听到这种话。

关于赛道时机：3 个信号告诉我”现在是窗口期”

判断完做哪个，还有一个问题：现在做，会不会太早？

太早是产品经理最大的杀手——技术不成熟、市场没醒、用户没习惯，做出来三年没人用，团队就死了。

我研究了一段时间后，看到 3 个信号让我相信现在是窗口期：

信号 1：头部赛事在做”可复用模板”

联想给 2026 年世界杯做的那套 AI 方案——VAR 3D 可视化、Football AI Pro 战术智能体、智能指挥中心、动态票价——不是孤品，它被设计成可以打包卖给其他赛事的标准模块。世界杯结束后，这套能力会以极低的边际成本，往全运会、亚运会、中超、CBA、电竞、城市马拉松流动。

意味着什么？意味着“AI 在赛事行业”这件事已经不需要从 0 教育市场了。这是关键转折点。

信号 2：行业的数据底座已经悄悄建好

过去十年，头部赛事在视频云存储、场馆物联网、BIM 协同管理上投了多少钱？我在十五运项目里走过一遍 BIM 协同平台的完整流程，里面躺着的数据量大到惊人。

这些数据在没有 AI 的时候是沉没成本。AI 一来，全都变成燃料。燃料堆好了，差的只是一根火柴。

信号 3：通用大模型在绕过”垂直行业门槛”

以前做一个体育 AI 应用，得先找懂体育的 AI 团队。现在？一个会用 Claude + n8n 的运营加一个调 API 的开发，一周能搓出一个原型。质量当然不完美，但够 80% 场景用了。

这种“通用能力平权”的速度，行业内部完全没有心理准备。

3 个信号合起来，我的判断是：这不是“还有 5 年”的渐进窗口期，更像是“未来 12-18 个月会出现一个标杆案例、然后一年内整个行业跟进”的断崖式窗口。

所以我决定动手，而不是再观望一年。

给同样在转型路上的 PM 同行：3 个值得提前避开的坑

写到这里，把我这半年踩过的坑掏 3 个出来分享：

坑 1：不要假装懂”性感的赛道”

我刚转型那会儿，每天关注的都是 Agent、多模态、AI Coding 这些热门方向。研究了半天，我发现一个残酷事实——这些赛道里那些做得好的 PM，要么是大厂里待了 5 年的工程师转型，要么是这个领域里钻研了多年的学术派。我一个跨行新人冲进去，凭什么赢？

承认你不熟“性感的赛道”，比假装懂要省力 100 倍。回到你熟的领域，护城河自然就有了。

坑 2：从”日常手工活”挖痛点，比从”宏观趋势”找机会有效 10 倍

我一开始也跟着行业研报跑——”赛事 AI 市场规模 2030 年将达到 270 亿美金”……

但这种数字对立项一点用都没有。真正能立得住产品的，是”这个项目经理每周二下午在跟供应商对物料清单的时候，那种想砸键盘的感觉”。

前者是市场判断，后者是产品判断。两件事别混。

坑 3：垂直行业 AI 产品的真正壁垒，不是技术，是”行业 Know-How 密度”

如果你想做的产品是”任何懂 LLM API 的人都能 1 周搓出来”，那它就不会是一个好产品。

真正的护城河长在你脑子里——你知道哪些数据被忽视了、哪些规则没人写下来、哪些痛点用户自己都说不清楚但每次发生都骂娘。这些东西在你的简历背后藏了 3-5 年，新手要花同样的时间才能积累出来。

所以我现在做的每一个产品决策，都会反复问自己：这个判断别人能 1 周想出来吗？如果能，那它不是我应该做的。

最后

写这篇的时候，我自己的产品立项也才刚到”做完竞品调研、技术架构、立项报告”的阶段，下一步是 MVP。所以我没办法跟你保证”按这套方法一定能做出爆款产品”。

但我能保证的是——这是我转型半年里第一次觉得“我知道自己在为谁做产品”的方向。这种笃定感，比任何技术热点都让我安心。

如果你也是从某个传统行业出来，正在卡在 AI 产品立项这一步——希望这篇能给你一点参考。