AI落地过程中最大的问题在于产品开发中的错配。与互联网时代的APP相比，AI产品需要更高的复杂度，依赖技术的程度也更深。然而，在实际运行中，技术的权重相对较低，这导致了一系列问题。许多企业可能愿意高薪招聘算法研发人员，但对产品的薪资支出相对较低。这种错配问题源于从商业成功的角度来看，产品的整体重要性要大于技术的局部性。
对细节知识的过度追求可能浪费了大量时间，使产品经理陷入专家幻觉。尽管有必要具备基本的技术理解，但深度专研技术并不是产品经理的最佳选择。产品位于技术和场景之间，因此必须了解技术，但不必深入理解技术的每个组成部分。关注技术的应用边界，例如大模型适用于哪些情况，不适用于哪些情况，比仔细研究技术的内部构成更为重要。产品经理应该关注产品的实际应用，而不是过于专注于技术的细节。
产品经理研究技术后，还会面临更大的挑战，即产品预测。虽然很多情景需要预测，但产品经理并不应该进行这种预测。产品的定义应该基于新技术当前的应用，而不是基于潜在的应用。产品是立刻供人使用的，本身就是最大的预测，不应将技术的不确定性引入其中，因为技术预测往往不准确。技术专业化可能会导致产品经理产生错误的观点。
大多数AI公司是由技术人员创立的，这导致产品的地位受到削弱，技术决定了产品。技术的话语权很高，但这可能导致一系列问题。产品经理可能会感到不自信，因为老板通常是AI领域的博士，而产品经理的技术背景相对较低。产品经理需要了解技术，但不必深入理解技术的每个细节。技术的深度探讨对产品经理来说并不是必要的。
与互联网时代不同，互联网公司中的主要角色是程序员，而AI公司中的主要角色是技术人员。这是由于互联网时代早期的程序员需要同时处理多个任务，包括产品、开发和销售。程序员具备更多产品和技术综合视角，这使得他们在产品开发中更有优势。然而，AI时代可能由于组织结构的特点，导致产品经理和技术之间的错配。
在AI产品中，产品的完整性至关重要。产品必须在特定场景下解决所有问题，否则可能会成为负担。AI产品的价值创造模型应基于技术的应用边界和场景内制定的游戏规则，以确保产品在实际中具有相对的价值。
最后，AI产品的商业实现通路是非常重要的。产品经理必须考虑产品经过多少关口，需要多少资源才能实现商业化。产品的商业实现通路可能受到技术应用边界、场景匹配度和未来风险的影响。不同的产品需要不同的商业实现通路，这是产品成败的关键因素。
综上所述，少谈技术，多考虑产品。产品经理需要更多地关注产品的整体性和商业实现通路，而不是过于专注于技术的细节。
