gabrielmoreira 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
- 角色 × AI 能力矩阵：每个角色的 AI 化程度和新增能力要求
- 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
- 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
- 新增角色 JD：AI 质量专员等新角色的职责和能力要求
- 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）