为什么 Claude 还当不了产品经理：Anthropic 产品负责人谈判断力、智能体和并行押注

主持人 Dan Shipper 开场就点出一年前的舆论：人工智能可能让产品经理过时；现在的气氛却变成人人都该成为产品经理。他请 Anthropic 的 Ami Vora 和 Mike Krieger 谈谈，优秀的产品经理在这家公司长什么样，这个角色是不是在消失。Vora 的回答是：产品工作从来都是一座桥，一端是人在世上真正有的问题，另一端是能拿来解决问题的技术。变了的是节奏：技术以前大约每五到十年变一次，现在感觉大约每两个月变一次。

她的做法是执着于变化很慢的人的问题，同时对技术保持新眼睛，把过去用来解题的大部分旧知识扔掉再试。她把眼下比成把时钟拨回产品还没有定义的年代：你就是个通用解题的人，一直往前走，撞墙了再用各种脚手架翻过去。角色会重新糊在一起，但那条「一直走、撞了再找办法」的路径，她觉得正是现在该做的。

Krieger 讲了自己年初转到个人贡献者、大部分时间在动手之后的一次清醒。项目快要上线时，一位和 Vora 共事的产品负责人把他拉到一边，说这个项目真的需要产品经理。他当时想：Claude 不是已经覆盖了吗？产品经理加入后，围绕客户成功、安全措施、把各类用户一路带着走的粘合工作全被接住了。一周后他给对方发消息：「你百分之百是对的。」

Krieger 说，团队能跑得更快，产品经理的运营出色程度反而要比以前更高，好让埋头构建的人不用时不时冒出来处理另一类工作。Shipper 追问：为什么更强的 Claude 做不了这些？小组的回答是，Claude 确实能靠内部搜索抓住跨组织的事，但它还不是召集人。Vora 描述过一种人类原型：把各个 Claude 和人拉到一起把活干完。她开玩笑说，真正的时刻是 Claude 主动帮她约了会，而那还没发生。

Vora 补充，工具让人能很快做出很多东西，可能被做出来的宇宙变大了，用来做决定的信息却很薄。于是「建什么」的判断力，以及「确保它真的发生」的执着，都更重要，因为分叉路径太多。Krieger 把每次模型发布比成望向海平线之外：既不是乌托邦也不是灾难，只是又一片要去导航的新地形。

Vora 说自己花了很多年学习如何进入用户心态，连按钮该放哪、手指在手机上会点哪里都要过审，因为当时构建和发版很贵。现在更快的办法是做出三个版本去试，她曾经引以为傲的那套产品加设计直觉，已经不那么有用。她把这看成个人层面的创新者窘境：人太擅长一件事，就会继续做那件事，哪怕另一种做法对未来更重要。她从没在模型公司工作过，大约每两个月都得逼自己试新东西。

他们强调，要把对变化的耐受度抬高，并且公开谈论这件事有多难，因为人人都得适应。Vora 说，要把混乱框得让人觉得安全，而不是把接下来会发生什么画成精确地图——那会把你锁在新尝试外面。Krieger 补充，混乱旁边仍要有清楚的领导：实验室里把项目叫押注，押注负责人是直接责任人，决定加码还是收掉。

Shipper 问，当人和智能体都在用软件时，产品该怎么变。Krieger 画了一条时间线：先是和产品断开的人工智能侧边栏，再到整块功能由人工智能驱动，再到智能体原生设计。他的概括是：人在产品里能做的每件事，智能体也应该能做。他说很少有产品真正做对，包括 Anthropic 自己的一些产品。一旦做对，就会出现涌现行为：智能体把以前从未接上的动作拼起来，还能主动提出新做法。

下一步，在他看来，是界面本身也能被智能体改动。他们手头有一个复杂项目，至少四条独立工作流。团队让 Claude 盯进度，并做出先给技术项目经理、再给全组用的界面。如果不喜欢某种展示，可以和 Claude 一起改，而不必受内部加速团队或第三方当初怎么做的束缚。

他说，Anthropic 现在大量使用的软件，已经由 Claude 构建、维护和迭代，这会引出谁能改数据、如何追踪来源这类问题。积木、可预期性和设计系统仍然需要，好把混乱框住。对已经有成型 SaaS 应用的公司，他建议先做出正确的原语，让智能体和 REST API 走同一层管道，再逐步演化，比如先做一块可塑的个人落地页，而不是把整个界面炸掉。智能体是不是被硬焊上去的，他用起来一眼能看出来。

被问到 Anthropic 如何一边服务从轻度用户到大企业的所有人、一边往前沿推，Vora 说做法是到人们所在的地方去接他们。现在太早，还不知道什么能成，所以团队该多试，再把有效的折进更稳定的东西里。她自己的背景偏向简单和可预期，但现在会鼓励团队多往球门上射几脚。她宁愿要五个互相重叠的产品，也不要一个从一开始就被理论约束死、从未真正见过市场的产品。

为了不让并行押注让人泄气，她主张把话说开：有的团队不会被摆到最容易成功的位置，没人知道答案，大家根本上是同一支队伍。Krieger 补充，硬造一支 B 队去追没人真心想做的方向不会成功；有热情的团队就该去探。主要的使能条件是共享基础设施：聊天和协作一度用不同的记忆系统、MCP 和文件存储，所以有一支基础团队在做「记忆应该在产品里到处都能用」。

说到怎么判断有东西开始成了，Vora 说仍是常见的产品市场契合问题：人们用不用、喜不喜欢、回不回来、会不会讲。Krieger 解释，实验室对那些只因为模型还没准备好才失败的项目，会先停放。Anthropic 在 2024 年做的第一个计算机使用产品差到既帮不上自动化、也帮不上教学，但每次新模型都会在评估套件里重跑。他们认出一次跃迁，是因为它突然成功的次数比失败多。

Shipper 把风险称作能力盲区：试过一次就再也不试，于是断定模型永远做不到。他在现场举手问有多少人用过最新模型，并说自己常听到抱怨来自只试过旧版本的人。Vora 说，这正是为什么必须愿意把一切扔掉，否则你会以为上一件事会永远为真。

Shipper 接着问，成功的并行实验如何并回一个连贯产品，而不是一堆标签页或永远不合的独立应用，并承认没人有标准答案。Vora 同意还没完全想清楚，并回到原语：别把「你自己挑工具」的认知负担甩给用户。Krieger 回忆 Instagram 的幂律，主信息流大约占八成使用。一半的工作是对侧边栏再加一项说不，同时把想法先证明出来，再折进去，而不是杀得太早。

展望一年后，Vora 希望人们会觉得自己能更容易地去构建、得到答案、创办公司，小团队和单人被赋能会更多。Krieger 想补上模型能做的事和大多数人实际在用的事之间的差距：不只是那个已经搭好多智能体系统的资深工程师，也包括做研究的人和小企业主。他说，这门手艺是让他们在对的地方核对、做长周期工作，同时不觉得自己被掏空了掌控感。