Tomer Cohen 谈 LinkedIn 产品决策与 AI 变革

LinkedIn 首席产品官 Tomer Cohen 告诉 Harry Stebbings，自己一直喜欢创造：发现问题、设计、应用技术并从反馈中学习。他曾从事半导体设计和嵌入式系统，后来创办了一家消费类公司。他于 2012 年加入 LinkedIn，2020 年成为首席产品官。

Cohen 回忆，2008 年他听 Reid Hoffman 讨论职业社群和经济机会，Hoffman 后来成为他的导师。Cohen 说，一次关于如何为移动端重建 LinkedIn 的对话促成了加入公司的邀请；他欣赏 Hoffman 为难题提供全新思考框架的能力。

被问及产品是艺术还是科学时，Cohen 不愿给出比例。他认为设计、数据、实验和商业技能是可以学习的专业能力，而愿景、想象力、直觉和判断力有助于创造出色的作品。他认为这些能力必须通过实践产品建设来锻炼。

Cohen 喜欢产品工作的愿景、专业技艺和运营三个方面，从想象改变到通过反馈完善发布后的产品。他说，早期版本往往不完整，需要迭代才能找到产品市场契合点。他重视热爱创造本身的人，而不只是热衷作决定的人。

产品路线图应来自团队对客户的了解，包括客户自己未必能直接表达的未满足需求。Cohen 用“待完成的任务”框架区分人们想要实现的目标和他们所属的受众群体。他说，功能、情感和社交需求都很重要。

例如，购买企业软件可能伴随情感压力：负责人必须争取共识，并承担昂贵决策的后果。职业创作者可能与点赞一样重视声誉和机会。Cohen 引用了内部创作者计划的一项观察，但它不能证明所有创作者都会获得经济机会。

他说，创始人的最初洞察仍有价值，但创始人的运营角色会随着公司成熟而变化。在早期初创公司，如果创始人没有深入参与产品，他会感到担忧；在成熟公司，创始人可能更多承担指导而非日常运营角色。他对不同公司阶段的例子是个人看法，不是普遍规则。

Stebbings 问 LinkedIn 的界面是否显得过时。Cohen 承认仍有简化和重新思考的空间，包括利用 AI。他引用了公司过去几年收入、会员和参与度的增长；这些是 LinkedIn 高管在 2023 年的说法，本文没有独立核实。

他的运营格言是：团队可能会出错，但不应陷入混乱。他认为，清楚界定问题、原则和执行方式，才能检验假设。他将信息流和消息视为帮助会员完成职业任务的方式，而不是目的本身。

Cohen 认为社交关系和主题推荐都有价值。人脉网络可以反映愿意互相帮助的同事及其他人；关注功能则能让人接触网络之外的专业知识。他承认，LinkedIn 过去没有始终清楚地区分“建立联系”和“关注”。

他说，LinkedIn 越来越倾向于在双方似乎不认识时建议关注，同时在人脉网络中强调更强的双向关系。他引用的关注增长数字属于公司指标。Stebbings 质疑，庞大的联系人列表是否仍然代表有意义的关系。

LinkedIn Stories 是 Cohen 所说“清楚但判断错误”的例子。团队假设阅后即逝的帖子能减轻职业场景中的顾虑并鼓励分享，但表现平平。后续对话表明，一些创作者希望作品持续存在并强化职业身份，而不是消失。

他认为，率先找到产品市场契合点比率先发布更重要。他说，Stories 测试关注的是该形式是否适合职业表达，而不只是击败 Snapchat。他建议在发布前定义成功，并观察采用和回访，而不是事后让指标迎合某种叙事。

有些押注始于信念而非强有力的证据。Cohen 以基于技能的匹配为例：团队相信展示技能能改善劳动力市场匹配，然后寻找早期验证再继续投入。这种潜力是一个假设和产品策略，并不能证明技能差距已经解决。

Cohen 将产品评审称为“产品讨论会”，强调反馈而不是批准。展示团队带来本领域的专业知识和方案，跨职能负责人则提供不同视角。他更喜欢面对面的创意讨论，同时承认远程会议也可以有效。

讨论会从细致的问题定义、待完成的任务和说明取舍的原则开始，随后花大量时间演示产品。以垃圾信息为例，增长与信任可能冲突：减少摩擦可能让不良行为进入，增加摩擦也可能妨碍正常行为。他希望团队明确说明自己的选择。

他以广告客户投资回报率为产品原则的例子：优化客户价值，而非 LinkedIn 的即时收入，因为他相信满意客户会再次投入。这是 LinkedIn 宣称的产品理念，而非对广告客户结果的独立证明。

讨论会结束时，Cohen 总结一至三个需要推进的方面。展示团队随后发送简报，记录反馈、行动和预计时间。他说，问责需要明确职责，包括意见不一致时由谁提出建议、审批和最终决定。

Cohen 描述了 LinkedIn 信息流如何从内部团队推广功能的区域，转变为专业对话的场所。他说，这项变化具有争议，因为其他产品依赖信息流获得发现和收入。团队随后逐渐用证据支持新方向。

据他说，随着对话和传播增长，标题党、垃圾信息和浅层互动也出现了。LinkedIn 因此选择限制增长，并围绕信任和质量重新设计。作为产品高管，他对这种描述有利益关系；访谈没有独立衡量这一取舍。

Cohen 拒绝给信息流打出数字分数，认为它仍在发展中。他希望会员找到对工作有用的见解和关系，同时创作者获得机会。他说数百万会员已经获得这类结果，这是公司主张，访谈没有提供记录其效果的证据。

谈到收入与创新的平衡，他说 LinkedIn 将年度目标和长期产品押注与整体战略联系起来，同时随情况变化调整计划。Stebbings 担心宏大使命可能掩盖具体用户需求。Cohen 同意，团队需要先明确特定任务和受众，再扩展到下一个问题。

Cohen 认为 AI 是一次重大的产品变革，并主张产品负责人必须理解这项技术，而不是把它视为独立技术部门的事务。他回忆将算法和界面团队整合起来，并亲自检查训练数据以提高质量。这些是他的领导经历和重点。

他将思维转变比作从桌面端转向移动端。生成式 AI 的输出不如完全预先定义的界面那样可预测，因此团队需要设定目标、数据和约束，并持续评估行为。这个类比并不意味着模型无需监督就能可靠地自行学习或改进。

Stebbings 问，企业会偏好捆绑的 AI 产品还是专业供应商。Cohen 预计会出现一轮捆绑浪潮，由模型协调多种工具并自动化部分工作流。他提到的晚宴和企业案例是面向未来的可能性，并不能证明系统能可靠完成所有任务。

他预计生产力将大幅提高，但认为在变化如此迅速的情况下很难预测五年后的情况。被问及初创公司与现有企业谁会获胜时，他指出后者拥有资本、算力、分发和数据，同时认为初创公司可以重新思考旧问题。这些是 2023 年的预测，也出自 Microsoft 旗下 LinkedIn 的高管。

Cohen 说，预训练模型提供广泛的共同基础，可能削弱过去部分数据优势，而真正的专有数据仍能帮助公司打造专业产品。Stebbings 反驳说，有价值的私有数据仍然稀缺。Cohen 同意独特信息仍能带来优势。

他预计团队需要新的模型、数据和提示词使用技能。他举例说，可以让模型用有趣的方式向孩子解释量子物理；更详细的提示词改变了回答。这个例子说明交互设计，并不验证其中的科学解释。

Stebbings 问，直接回答问题的 AI 系统是否会夺走内容出版者的流量。Cohen 说，LinkedIn 公开部分信息供人发现，但也有私密内容，并指出引用链接可以将用户带回来源。他承认，信息发现和出版者商业模式的未来仍未确定。

谈到安全，Cohen 说强大技术既可能有益也可能有害，并强调产品开发中的透明、包容和隐私。被问及政治正确时，他说信息查询产品应力求准确和客观，而产品语境会影响行为。这些是其公司宣称的原则，并不能证明每个模型都没有偏见或是安全的。

展望现有模型之后的未来，他想象 AI 帮助产生新的科学假设，并讨论人机互动可能发生的变化。涉及医学等领域的例子属于推测，不是已确立的发现或临床能力。他承认 AGI 很难定义。

对于自己的孩子，Cohen 强调随着技能变化，学会如何学习和成长型思维很重要。他引用工作技能变化的数据并预测变化会继续加速，但访谈没有提供评估这些数字所需的方法。他的教育建议是个人观点。

被问及未来是一种模型还是多种模型时，他预计基础模型会支持大量应用，并认为未来会出现更多基础模型。这是 2023 年的预测，而非已确定的市场结构。他将其描述为持续的捆绑与拆分循环。

招聘产品经理时，Cohen 会询问候选人处理过的复杂问题及其方法，再问失败经历和学到了什么。他希望看到清晰表达、深入理解和不断发展的思维。他认为 LinkedIn 的移动端转型和信息流是有意义的产品发布。

他回忆一次即时文章项目：加载速度改善了，但项目难以满足出版者的不同需求。他说假设是合理的，而执行和时机不佳。这是他对一款未成功产品的反思，并非对出版者立场的全面评价。

他建议新产品负责人理解 LinkedIn 的整体生态，而不是只优化单个功能。他引用了平台会员和公司数量等 2023 年公司数据，并认为跨产品工作可以创造独特价值。

Cohen 描述了自己的间歇性禁食方式，并说自己不是医生，只是在谈个人经历。他关于思维更敏锐、健康寿命和长寿的主张没有得到这场访谈的证实，不应推广为医疗建议。

他称赞 Microsoft 对 OpenAI 的整合，明确承认自己的视角主观，而且曾参与其中。被问及 Microsoft 是否控制 OpenAI 时，他称 Microsoft 为部分所有者，OpenAI 是独立公司。这些是他在 2023 年的说法，不能完整说明治理关系；对话以致谢结束。