企业官网建设流程全解析

博主介绍

👨‍💻 了解博主：波仔椿
📖 人生箴言：AI 不会淘汰人，但会用 AI 的人会淘汰不会用的人。
🧰 我的专栏：AI杂谈会

文章内容

上个月，一个做了五年产品经理的朋友跟我吐槽，说他现在离了AI就不会写PRD了。我当时没当回事，直到自己试着用AI重做了一份竞品分析——好家伙，原来要花两天的活，一个小时就干完了。这事让我开始认真琢磨：产品经理这个岗位，到底该怎么把AI工具用好，真正把职业素养提上去？这篇文章就聊聊我摸索出来的门道。

一、你有没有发现，产品经理这个岗位正在被AI"重新定义"

先说个我亲眼看到的例子。去年有个做社交App的产品经理同事，每次开需求评审会，开发总追着他问：“这个交互的边界条件考虑了没？”"异常场景怎么处理？"他答不上来，场面一度很尴尬。后来他开始用AI工具做需求自查——把PRD丢给AI，让它模拟开发视角挑毛病。你猜怎么着？AI一口气列了十七八个他没想到的边界场景。从那以后，他的评审会再也没翻过车。

这件事让我意识到一个变化：以前产品经理拼的是"谁想得全"，现在拼的是"谁用得好"。会用AI的产品经理，一个人能干三个人的活；不会用的，还在原地打转。

我后来想了想，关键不在于工具本身，而在于你的思维方式得变——从"自己扛"变成"带着AI一起扛"，从"埋头写"变成"先问再写"。

1. 传统工作流 vs AI辅助工作流

我把产品经理日常工作的流程拉了个表，新旧对比一目了然：

传统工作流与AI辅助工作流对比

你可能会说："这不就是偷懒嘛？"不是的。这些省下来的时间，正好可以花在真正需要人脑的事情上——想清楚产品方向、做用户访谈、判断优先级。AI帮你把体力活干了，你才能腾出脑子干脑力活。

2. 用AI之前，你得先想清楚三件事

说实话，工具再好，不会用也是白搭。我总结了三个前提：

第一，你得知道AI擅长什么、不擅长什么。它擅长处理大量文本、生成初稿、找规律；不擅长做判断、定方向、理解业务深层逻辑。拿它当"超级助理"用，别拿它当"替身"用。

第二，你得会提问。同样让AI写PRD，有人写出来的需求文档一塌糊涂，有人写出来的直接能用。差别就在"提示词"上。这个后面会细讲。

第三，你得会验证。AI会一本正经地胡说八道，它给你的数据、结论，你得自己核实。我吃过一次亏——AI引用了一个不存在的竞品数据，差点写进汇报材料。从那以后，AI给的东西，我都要过一遍。

二、需求调研：AI帮你从用户反馈里捞金子

需求调研是产品经理的基本功，也是最容易出问题的地方。你想啊，用户在App Store留了几千条评论，你在后台收了几百条客服反馈，群里的吐槽更是满天飞——你一个人看得过来吗？说实话，以前我真的看不过来，只能挑几条看看，然后凭感觉拍脑袋。

直到我学会了用AI批量处理用户反馈，整个体验完全变了。

1. 用AI批量分析用户评论

举个例子。我那个做电商的朋友，前阵子想搞清楚用户到底对什么不满。她把3个月内2万多条用户评论导出来，丢给AI，让它按问题类型做聚类分析。你猜结果怎样？AI十分钟就分好了类，还自动标了频次——"退款流程"占了34%，"物流速度"占了28%，"页面加载慢"占了15%。她看完直接愣住了，因为之前她一直以为用户最不满的是商品质量，结果排名都没进前三。

说白了：以前做需求调研，是拿着放大镜在一堆沙子里找金子；现在AI帮你先把沙子筛掉，你直接在金子里挑。关键不是AI多聪明，而是它帮你从"看不到全貌"变成了"看得清清楚楚"。

这套玩法的具体操作我拆成几步：

第一步，收集原始数据。把App Store评论、客服工单、社群吐槽、问卷反馈，能导的全导出来，整理成文本。

第二步，喂给AI做聚类。提示词大概这么写：“以下是用户反馈数据，请按问题类型做聚类分析，输出每个类别的问题描述、提及频次和情绪倾向。”

第三步，让AI做优先级排序。把聚类结果再扔给AI，让它按"影响范围×严重程度"排个优先级，你拿到的就是一份带优先级的需求清单。

第四步，人工复核。AI分错类的情况肯定有，你得自己抽查几条，确认分类靠谱再往下走。

2. 用AI做竞品分析的"偷懒"姿势

竞品分析也是产品经理的老大难。以前我做个竞品分析，得下载七八个竞品App，一个个截图、对比功能，写个报告得花两三天。现在？一个下午搞定。

诀窍在哪？让AI帮你做信息提取和对比框架，你只负责判断和补充。

具体来说，我会先让AI生成一份竞品分析的维度框架——它比你更知道该从哪些角度比。接着把竞品的公开信息（官网描述、功能页、用户评价）喂给它，让它按框架填内容。等AI填完，我自己再过一遍，把那些需要行业经验才能判断的维度补上。

这么干有个好处：AI不会偷懒，每个维度它都会给你填满，不会像人一样写到后面就开始敷衍了。但缺点也得说——AI对一些垂直行业的深度理解是不够的，那些需要你用行业经验判断的东西，它给不了。

三、文档写作：PRD、竞品报告、汇报材料，AI能帮到什么程度

说真的，写文档可能是产品经理最耗时间的事了。PRD、竞品分析报告、项目汇报、周报月报……一个产品经理一周可能有60%的时间在写东西。我以前也是这么过来的，直到我发现AI在文档写作上能帮大忙——但前提是你得知道怎么用。

1. PRD写作：让AI干体力活，你干脑力活

先说PRD。我现在的流程是这样的：先自己想清楚核心需求和业务逻辑，写一个简版的大纲——就几句话，需求是什么、为什么要做、核心流程是什么。然后把这个大纲丢给AI，让它扩写成完整的PRD初稿。

你可能会问："AI写的PRD能直接用吗？"不能，但能省你70%的时间。

AI生成的PRD初稿，框架是完整的——功能描述、交互流程、异常处理、数据埋点，该有的章节它都给你搭好了。但具体到业务细节、边界条件、优先级判断，还是得你自己填。这就像装修房子，AI帮你把毛坯房盖好了，水电走好了，但家具怎么摆、窗帘选什么颜色，还是得你自己来。

有意思的地方就在这儿：AI不是替你写PRD，而是帮你把"从零到一"的痛苦过程省掉。你从"一"开始改，比从零开始写，效率高太多了。

这里有个关键——提示词怎么写。我总结了几个要点：

给背景。告诉AI这个需求是为什么做的，面向什么用户，解决什么问题。背景越清楚，AI写的越靠谱。

给结构。明确告诉AI你希望PRD包含哪些模块。比如"请包含需求背景、功能描述、交互流程、异常处理、数据埋点、验收标准"。

给约束。告诉AI风格要求——“请用简洁的产品语言，不要写营销话术”，“异常场景至少覆盖5种”。

下面这个表是我踩了无数坑之后总结的，PRD各模块AI能帮到什么程度：

PRD各模块AI辅助程度对比

你看，AI最擅长的是"异常处理"和"验收标准"——因为这俩模块格式化程度高，套路明确。最不擅长的是"数据埋点"——因为这需要深入理解业务，AI给的东西经常驴唇不对马嘴。

2. 竞品报告：AI帮你把框架搭好

竞品分析报告也是个费时费力的事。我之前提过竞品分析怎么做，这里从文档角度再聊聊。

我的习惯是，先让AI出一个竞品报告的模板框架。一般AI会给一个还挺全的框架——市场概况、产品定位、功能对比、用户体验、商业模式、SWOT分析，一套下来有模有样。然后我再根据实际情况增删模块，把具体数据和分析填进去。

这个方法最大的好处是不用担心漏维度。人写东西容易跟着自己熟悉的角度走，有些维度会下意识跳过；AI不会，它每个角度都会给你列上，虽然有些填得不够深，但至少提醒你去考虑了。

3. 汇报材料：让AI帮你把故事讲圆

项目汇报这种东西，产品经理隔三差五就得写一份。给老板看要简练有力，给团队看要清晰有据，给客户看要好看好懂——同一个项目，三种讲法。

以前我最头疼的就是这个，同一个事换个角度重写一遍，累死人。现在我会把项目的核心信息和数据给AI，然后分别用不同的提示词让它生成三个版本——“请用向CEO汇报的风格，300字以内，突出ROI和业务价值”；“请用向开发团队同步的风格，突出技术方案和时间节点”；“请用向客户展示的风格，突出用户体验和场景价值”。

三个版本出来，我各改一改，齐活。这事放在以前，起码一下午，现在一个小时之内能搞定。

四、数据分析：不用懂数据，也能让数据替你说话

数据分析这事儿，对很多产品经理来说是个老大难。不是每个人都会写SQL，不是每个人都能把一堆数字看出花来。但偏偏数据分析又是产品经理的硬实力——做需求决策、做上线评估、做竞品对标，哪样都离不开数据。

我以前也犯怵，每次要数据都得找数据团队排队，等排到自己，黄花菜都凉了。后来我发现AI在数据分析上能帮大忙，不是帮你替代数据团队，而是帮你先把数据看明白，知道该问什么问题。

1. 让AI帮你解读数据报表

举个实际的例子。有次我负责的一个功能上线了，我拿到了一份转化漏斗的数据——从用户进入页面到最终下单，中间每个环节的转化率都有。数字一大堆，我盯着看了半天，没看出什么门道。

然后我把数据丢给AI，问它："这份数据你能看出什么问题？"它给我列了三条：第一，从商品详情页到加入购物车的转化率只有12%，低于行业平均的18%；第二，从加入购物车到下单的转化率骤降到3%，说明结算流程有严重阻碍；第三，移动端的转化率比PC端低了将近一半。

这三条我之前一个都没看出来。不是数据没告诉你，是你不知道该从哪个角度看。AI帮你把数据翻译成了"问题诊断"，你拿着这个去找解决方案，效率完全不一样。

数据本身不会说话，得有人帮你翻译。AI就是那个翻译官——它把一堆冰冷的数字变成了你能直接行动的洞察。但别忘了，翻译官偶尔也会翻错，你还得自己核对。

2. 用AI做趋势预测和异常检测

还有一种用法，我觉得更高级——让AI帮你做趋势预判。

比如你手上有一组过去半年的日活数据，你可以让AI："请分析这组数据的趋势，找出异常波动点并给出可能的原因假设。"AI会帮你标出哪几天有异常波动，然后结合你提供的事件信息（比如那天搞了个活动、那天竞品发了新版），给出可能的归因。

注意我说的是"归因假设"，不是"结论"。AI给的是线索，不是判决。你拿到线索后，还得自己去验证——去看看那天到底发生了什么，数据对不对得上。但至少AI帮你把方向指出来了，比你自己大海捞针强。

五、沟通协作：AI帮你跟开发"讲道理"而不是"拍桌子"

说到产品经理跟开发的沟通，做过这行的人都知道——这可能是最难的部分。你提个需求，开发说"做不了"；你说这个重要，开发说"排不上"；你催进度，开发说"需求又改了"。沟通不畅的背后，很多时候不是人的问题，而是信息表达不到位。

1. 让AI帮你把需求说清楚

我自己犯过一个低级错误。有次提需求，我在PRD里写了一句"页面优化"，开发看了直接问："优化什么？怎么优化？优化到什么程度？"我当时觉得这不是明摆着吗，但后来站在开发的视角想了想——人家没看过你的调研，没跟你聊过用户，凭什么能理解你说的"优化"是什么意思？

从那以后，我学会了一招：把需求描述丢给AI，让它帮我做"开发视角自查"。提示词这么写：“请站在前端开发的角度，审阅以下PRD内容，列出所有模糊不清、缺乏边界条件、容易产生歧义的描述。”

AI能给你列出一长串。比如"优化页面加载速度"——AI会问你：目标是从多少毫秒优化到多少毫秒？哪些页面需要优化？优化手段是什么？验收标准怎么定？这些问题你自己想可能想不全，但AI能帮你系统性地扫一遍。

好的需求不是写得多的需求，是开发看完不需要追问的需求。AI帮你堵的每个"漏洞"，都是评审会上可能引发争论的"导火索"。提前堵了，沟通就顺了。

2. 用AI辅助跨团队沟通

还有一种场景：跨团队沟通。产品经理要跟设计、开发、测试、运营、市场……每个团队的"语言"都不一样。跟开发说技术语言，跟设计说视觉语言，跟运营说数据语言——你是要会"多门外语"。

AI在这个场景下也好用。比如你要给设计团队提需求，你可以先让AI帮你把需求翻译成设计语言——“请从UI/UX设计师的角度，将以下需求转化为设计需求描述，包含页面层级、信息架构、交互状态、视觉风格参考”。

写出来的东西，设计师看了会觉得"这产品经理懂行"。其实不是你懂行，是AI帮你翻译了。但效果是实打实的——沟通效率高了，来回返工少了。

3. 用AI写邮件和会议纪要

最后说个小但高频的事——写邮件和会议纪要。产品经理每周开的会可能比写的代码还多（开个玩笑），会后的纪要和行动项整理也很费时间。

我现在开完会，会把会议录音转成文字稿（现在很多工具都能自动转），然后丢给AI："请根据以下会议记录，提取关键决策、行动项（含负责人和截止时间）、遗留问题，输出一份结构化会议纪要。"一份清清爽爽的纪要就出来了，我再过一遍改改措辞，发出去就行。

这种事AI做得特别好，因为它就是"信息提取+结构化输出"，AI的强项。你把省下来的时间花在跟进行动项落地上，不比花在整理格式上强？

六、写在最后：AI是工具，素养是人

聊了这么多具体场景，最后说点掏心窝的话。

我见过一种产品经理，AI工具用得贼溜，但做出来的东西总差点意思——因为他对用户没有真正的理解，对业务没有深层的判断，AI给的初稿他原封不动就交了。也见过另一种，坚持"手工作业"，觉得用AI就是不专业——结果效率被甩开，产出也没见得更精致。

这两个人都有问题。第一个人的问题在于，他把AI当成了替代品，而不是工具。工具能帮你干活，但替代不了你的判断力。第二个人的问题在于，他把"苦劳"当成了"功劳"，但市场不会因为你辛苦就多给你一分。

回过头看，这件事的逻辑其实很简单：AI改变的是"怎么做"，改变不了"做什么"和"为什么做"。产品经理的职业素养，核心从来不是"写文档快不快"，而是"想得深不深、判断准不准、对用户真不真诚"。AI帮你把"怎么做"提速了，你正好可以把更多精力放在真正值钱的地方。

我那个朋友后来跟我说了一句话，我觉得挺到位的：“AI没让我变成更好的产品经理，但它让我有更多时间去做一个好产品经理该做的事。”

这大概就是我想说的全部了。工具是工具，素养是素养。用好工具，是为了让你有更多心力去养素养——而不是让工具替你把素养也省了。

你觉得呢？你平时用AI工具做产品工作，有什么好玩的经历或者踩过的坑？欢迎在评论区聊聊。

加入社群

关注公众号，后台回复"加入社群"，即刻加入AI爱好者社群！

精彩推荐

🔎大模型底层逻辑：优势局限与天生短板

🔎大模型风险与规范：AI发展背后的安全与伦理问题

🔎未来已来：大模型下一代进化方向与AI终极趋势

🔎AI如何帮教师省下3小时备课时间

🔎会计师如何借助AI高效率完成重复性工作

本篇博客文章唯一版权归属©波仔椿