AI 工具装上了,团队真的会用吗? 6分钟
· 17天前 23
· 0
📌 核心要点 Lenny公开节目说明介绍Figma growth PM Ezra Mechaber与同事把个人设置变成31个skills的共享PM OS,涉及上下文整理、找相关人、会议与文档支持;属于嘉宾自述。 Figma官方资源页把访谈、主题整理、原型和利益相关者评审连成产品工作流,强调决策可回溯到研究;公司内容不等于独立实验。 二手整理记录PM OS通过PM反馈删减、AutoXP单点人类检查和演示访问阻塞;作为辅助证据,不替代原始节目。 💡 关键洞察 从反复被拖延、但确实影响工作的环节开始,先验证输入与输出,再扩大自动化。 让使用者修改、反驳和删减共享上下文,把规则当成待验证假设。 自动实验前明确可读资料、审批人、样本和停止条件,保留能回到研究的证据链。 🌱 核心启发 🧭 今天可以做的小尝试 花45分钟,和产品或运营同事选一个反复被拖延的工作,先写清输入、输出、必须由人判断的地方,再让一个人试跑并记录哪里需要删掉或补上。 🔎 证据边界 Figma节目为嘉宾自述,官方资源为公司方法内容,Intelligent Artifact为二手整理;它们不构成生产力或增长因果实验。公开稿不传播内部工作材料。文中的迁移建议、假设场景和45分钟实践为编辑推演,任何自动实验都应由产品/工程/数据共同确认权限、样本和停止条件。 📝 完整文字稿 大家好,我是 Vivi。公司里可能已经有不少 AI 工具了。有人用它整理会议,有人让它写一版材料,还有人试了几天就放下。于是团队开始讨论,要不要统一采购、统一培训、统一推广。可是在做这些决定以前,我们可以先问一个更小的问题:哪些工作原来就被拖着没人做?如果 AI 能把这一步做得更顺,团队才可能真的愿意把它留下来。 今天看一个最近的 Figma 案例。Lenny 的公开节目说明介绍,Figma 的 growth PM Ezra Mechaber 和同事把个人的 Claude Code 工作方式,做成一个共享的 PM OS,里面有三十一个 skills。节目还谈到浏览器测试、自动化增长实验和一个实时写作助手。Figma 的官方资源页则从产品团队工作流出发,强调把访谈、原型和利益相关者评审连起来。第三份公开整理帮助我们看清证据边界,但它是二手材料。 第一件事,从被忽略的工作开始。 Ezra 在节目说明里说,PM OS 不是一个新产品,而是一个共享仓库。它从一些很具体的事情开始:整理 Slack 里的上下文、找相关的人、准备会议和文档、做交接。还有一个常用的“What's up” skill,帮助他把项目、待处理的决定和欠别人的事情放在一起看。 这和“给每个人发一个万能助手”差别很大。真正让人愿意重复使用的,通常不是最酷的演示,而是一个原来总被推迟、却又确实影响工作的环节。PMM 可以先问,团队现在在哪里丢信息,哪里总要重新解释,哪里因为没人记得下一步而变慢。先把任务的输入和输出说清楚,再决定 AI 是否适合接手其中一段。 假设一个商业化团队每次准备客户演示,都要从聊天记录、旧方案和产品文档里找同样的信息。第一版不必自动写完整方案。可以只试着收集相关上下文,列出需要确认的人和还没有答案的问题。人先检查这份清单,再决定要不要继续往下生成。这样更容易看见工具到底减少了什么麻烦,也不会把未经确认的内容直接发出去。 第二件事,用团队反馈修剪共享上下文。 Figma 的这套方法不是一个人写完就交付。据节目公开说明,几个 PM 先一起做,后来在一次团队活动里让更多 PM 安装、使用、修改,还请大家直接“吐槽”哪些 skills 值得留下。公开整理还提到,他们没有完整的基准测试,也没有通过使用遥测来证明生产力提升。新模型变好之后,Ezra 还会删掉不再有价值的指令。 这部分特别值得产品营销团队借鉴。共享材料不是越长越好,流程也不是一旦写下就永远正确。使用者提出的反例,往往比一次培训后的“听懂了”更有价值。你可以把每一条规则看成一个假设:它是否真的帮人更快找到信息,是否让交接更清楚,是否在新的工具版本里仍然需要。 这也改变了推广方式。不是做一场培训,然后统计多少人打开过。可以找一小组真正遇到这个问题的人,给他们一个可以修改的起点,约定一周后一起删改。留下来的,是团队反复愿意使用的工作习惯;被删掉的,也说明原来只是我们觉得应该有用。 第三件事,给自动化留一个人类检查点。 节目公开说明提到,AutoXP 试图协调数据分析、文案和工程任务,用一个人类检查点再把增长实验推向下一步。二手整理同时提醒,这个理想流程还没有完全实现,节目里的早期胜利也是嘉宾自己的描述。我们可以学习流程结构,但不能把它当成已经被独立验证的增长机器。 Figma 的官方产品管理资源提供了另一个连接:从访谈笔记整理主题、做出原型,再把原型放进可供利益相关者评审的材料里。它强调决策要能回溯到最初的研究。对 PMM 来说,这就是自动化之后不能丢掉的链路:哪条用户观察支持了这个判断,谁检查过材料,哪些地方仍然只是待验证的假设。 如果一个系统会自动把客户反馈变成实验建议,至少要先约定三件事。第一,哪些资料可以读,哪些资料不能进入工具;第二,谁检查假设、样本和文案;第三,什么情况下停止实验并回到人工判断。检查点不是给自动化踩刹车,而是让团队知道它在哪些地方值得信任、哪些地方必须自己负责。 这对商业化材料也一样。AI 可以帮我们把访谈、销售反馈和旧文档放到一起,但它不知道哪一句客户原话已经过期,也不知道一项能力在不同合同或版本里是不是成立。让系统先提出关联,再由熟悉业务的人确认,速度可能没有完全自动化那么夸张,却更容易留下可解释、可复用的判断。 把三个材料放在一起,AI 采用的顺序会变得清楚:先解决一个被忽略的工作,再让真实使用者共同修剪,最后才把有证据的步骤连成自动流程。少一个环节,工具都可能变成个人玩具,或者一套没人敢用的复杂规范。 今天留四十五分钟,和产品或运营同事选一个反复被拖延的工作。写清楚输入、输出、必须由人判断的地方,让一个人试跑一次,再记录哪里要删掉、补上或停止。先留下一个能被复盘的版本,不急着给全团队上新系统。 先把被忽略的工作做顺,再谈把 AI 推给所有人。我们下一期见。 📚 参考资料与延伸阅读