AI Native 产品团队 Skill

使用场景

• 团队正在或计划引入 AI 能力，需要重新设计工作角色和协作流程
• 团队中 AI 能力与传统产品能力之间出现职责重叠或空白
• 需要建立 AI Native 时代的团队能力建设和招募路径

核心概念

• 人机分工设计：根据能力特征分配给人类或 AI，避免"所有人都要用 AI"或"AI 能做的就不需要人"
• 能力缺口识别：评估团队在 AI 时代缺少哪些新能力（如 AI 评估、Agent 设计、反馈工程）
• AI 质量专员：专门负责 AI 输出质量的评估、反馈和优化的新角色

团队设计四步法

第一步：角色梳理

现有角色 × AI 能力矩阵：

传统角色	AI 可承接的工作	人仍主导的工作	需新增的能力
产品经理	文档草稿、竞品分析、数据汇总	方向判断、关系管理、决策	AI 评估能力
设计师	设计稿初稿、变体生成	用户体验判断、品牌把控	AI 协作设计
研发工程师	代码补全、测试生成、文档	架构设计、系统集成	Agent 运维能力
数据分析师	数据清洗、报表生成、可视化	业务洞察、假设提出	AI 质量评估
运营	内容生成、客服辅助	策略制定、关系维护	反馈工程

第二步：人机分工设计

原则：

• AI 接管高频、高重复、有标准答案的工作
• 人类保留低频、高风险、需要判断的工作
• 新增"AI 质量评估"类角色，专门负责评估 AI 输出的质量

人机分工决策框架

任务特征	分配
高频、标准化、有评估标准	AI 主导
低频、模糊、无标准答案	人类主导
高风险、不可逆	人类主导 + AI 建议
需要跨角色协作	人在回路中
全新领域、无历史数据	人类主导 + 快速实验

第三步：能力缺口识别

AI Native 团队新增能力项：

能力项	描述	优先级
AI 评估能力	评估 AI 输出质量、稳定性和适用场景	P0
反馈工程	设计反馈机制让 AI 持续改进	P0
Agent 运维	监控、调试、优化 Agent 行为	P1
上下文设计	设计和维护高质量的上下文输入	P1
AI 风险管理	识别和管理 AI 相关的风险和合规问题	P1
人机协作设计	设计自然的人机交互流程	P2

第四步：团队协作流程

传统流程 vs AI Native 流程

传统流程:
  产品经理 → 写PRD → 设计师 → 设计稿 → 研发 → 实现 → 测试 → 上线

AI Native 流程:
  产品经理 + AI → PRD草稿 → 快速原型实验
  设计师 + AI → 设计变体 → 人类选择与优化
  研发 + AI Copilot → 代码 → 人类review
  持续反馈 → AI 质量评估 → 持续优化

AI 质量专员职责

这个角色是 AI Native 团队的新增核心角色：

• 评估 AI 输出质量：建立评估标准和 Rubric
• 反馈工程：设计反馈机制，让 AI 持续改进
• 边界维护：确保 AI 不超出能力边界
• 案例沉淀：积累成功和失败案例，形成团队知识

输出物：AI Native 团队方案

1. 角色 × AI 能力矩阵：每个角色的 AI 化程度和新增能力要求
2. 人机分工协议：明确哪些工作归 AI、哪些归人类、哪些需要协作
3. 能力建设路线图：团队需要建设哪些新能力、优先级和获取路径
4. 新增角色 JD：AI 质量专员等新角色的职责和能力要求
5. 协作流程改造：从传统流程到 AI Native 流程的具体变化点

与其他 Skill 的关系

• 前置：了解完整方法论后可系统性设计团队
• 协同：@ai-native-production-ops（AI 质量评估嵌入生产运行）
• 配套：@ai-native-ux-design（UX团队 AI 化），@ai-native-agent-skill-design（Agent 运维能力）

示例

用户输入

"我们的 AI 客服团队有 5 人：1 个 PM、2 个客服、2 个研发，正在引入 AI Copilot，需要重新设计团队"

Skill 执行

角色 × AI 能力矩阵:
  PM:
    AI承接: 文档草稿、竞品分析模板、数据汇总
    人类主导: 需求判断、优先级决策、客户沟通
    新增能力: AI评估能力（评估Copilot输出质量）

  客服:
    AI承接: 常见问题回复、工单分类、FAQ检索
    人类主导: 复杂投诉、情绪处理、高风险沟通
    新增能力: 反馈工程（高质量反馈 → 模型优化）

  研发:
    AI承接: 代码补全、测试生成、文档
    人类主导: 架构设计、Agent运维、系统集成
    新增能力: Agent运维能力（监控+调试+优化）

人机分工协议:
  AI主导场景:
    - 订单状态查询 → AI自动回复
    - FAQ检索 → AI回答
    - 意图分类 → AI + 人工确认

  人类主导场景:
    - 退款决策 → 人工
    - 投诉处理 → 人工
    - 系统架构 → 人类

  协作场景:
    - 回复建议 → AI生成 + 人工确认
    - 知识库更新 → AI建议 + 人工审核
    - 新功能设计 → 人类主导 + AI辅助

能力建设路线图:
  第1月:
    - 全员AI工具培训（ChatGPT/Copilot基础）
    - 建立反馈收集机制
    - 目标: 人均AI使用频率>3次/天

  第2-3月:
    - PM: 学习AI评估方法，建立Copilot评估标准
    - 客服: 建立反馈工程机制
    - 研发: Agent运维基础培训

  第4-6月:
    - 新增AI质量专员（从现有PM或客服中选拔）
    - 建立完整的AI质量评估体系
    - 目标: Copilot采纳率>70%

新增角色 JD - AI质量专员:
  职责:
    - 建立AI输出质量评估标准和Rubric
    - 设计反馈工程机制，持续优化AI表现
    - 监控AI系统在生产环境的质量指标
  能力要求:
    - 理解AI能力边界和局限性
    - 有数据分析能力（评估质量指标）
    - 有产品Sense（判断AI输出是否满足用户需求）
    - 擅长跨角色沟通（协调PM/客服/研发）