目录

简介

四级成熟度

作者简介

---

简介

上周末在<人人都是产品经理>的 AI 产品大会上分享了主题内容：

《 AI 将 IPD 流程从文档驱动转变为演示驱动》。

今天呢做个总结，希望对你有用，这也是我在 AI 时代下最新的实践分享。

因为是针对智能硬件领域的IPD流程，先对硬件做一下说明。

图1：一台手机，五个领域，谁也离不开谁

我想先问大家一个很日常的问题：

你上一次换手机，是什么先打动你的？

大概率是外观，那个颜色、那个握感，还没开机你就已经喜欢上了。

这一步叫工业设计，拼的是怎么让产品更出彩、更贴近用户画像。

比如有的人喜欢 8848 土豪金、有的人喜欢极简风，这是用户画像的选择。

然后你把它拿在手里，摸到的是实体外壳，背后是结构设计。

拆开外壳，里面有摄像头、显示屏、PCB，要硬件工程师把电路画出来。

要让硬件真正工作起来，还得有人写驱动。最后那些应用和服务，又归于软件和后台。

一台手机，多个完全不同的领域，谁也离不开谁。

我做硬件十几年，最头疼的是怎么让不同领域的人，对同一个东西有一致的理解。

以前靠文档，产品经理写一份 PRD，硬件看硬件部分，嵌入式看协议部分，结构看外观尺寸。

每个人读的是同一份文档，脑子里装的都是自己的版本。

图2：传统智能硬件 IPD 开发流程

后来 AI 来了，每个环节都开始自己用 AI 提效。

• 产品经理用 AI 写 PRD、做原型；

• 硬件工程师用 AI 画原理图、做 PCB；

• 嵌入式用 AI 写固件；

• 结构用 AI 做 3D 图。

但站在系统角度看，你在任何一个环节把效率提上去，比如产品经理用 AI 把需求整理从三天压到三小时，可下一个环节还是两天，再下一个还是原样。

最终的有效产出，纹丝不动。

因为大家对需求的理解还是各写各的，各自开发完，一做集成，还是跑不起来。

该返工的返工，该延期的延期。

包括我自己也经常会经历这种场景：

会议室里，几个部门对着同一份 PRD 吵一上午，每个人都觉得自己理解对了，最后发现每个人对产品的理解还是有偏差。

局部提效是加法，整体提效是乘法。

图3：各环节各自提效是加法，全链路联动才是乘法

那 AI 能不能真的改变这件事？

可以实现，但改变它的不是提效，是另一件事。

这个案例是我做的一款智能空气助手，同一款产品跑了两次：一次完全古法，一次全程用 AI。

图4：同一产品两种开发方式的关键环节耗时对比

以前做产品，要等每个部门都做完，才能验证整条链路。

现在一个人就能跑通：

底层是温湿度传感器，主控是 ESP8266，设备跟云端走 TCP，小程序和后台走 HTTP——从传感器采集、硬件控制、后台到应用，一条跨多层的完整链路。

图5：一个人借助 AI 跑通的端到端演示链路

这已经不是一份文档了，是一个能操作、能验证的实体。

所以我在那次分享里说了一句话，希望你记住：

演示变成共同事实，文档变成演示结果的结构化沉淀。

什么意思呢？

以前大家手里拿的是不同的局部事实，现在所有人看的是同一个能跑的东西。

需求对没对齐，跑一遍就看见了，不用等三个月后的样机。

过去在 IPD 里，产品经理是需求传递者：

写 PRD、组织评审、等各部门实现。

走的是需求→PRD→开发→发现问题→改 PRD→重新开发。

说白了，你是个传话的。

现在，原始需求丢给 AI，AI 帮你整理需求、生成页面原型、协议草案、测试用例，甚至固件接口骨架。

你把这些串起来，先跑通一条端到端的演示链路，跑通了，再进正式 IPD。

一句话，PRD 从「各部门开工前的合同」，变成了「大家都看到同一个东西之后的书面记录」。

图6：微观 IPD 过关标准变了，EVT 阶段因此变轻、变快

到这里，你大概可以对自己所在的团队做个对号入座了。

四级成熟度

我按 AI 对硬件开发的赋能程度，把它分成四级。

判断等级的核心标准：

AI 产物是否能被跨部门继续使用，是否能进入正式开发与量产闭环。

图7：AI 变革四级成熟度模型

第一级，局部提效。

各环节自己用 AI，各提各的效，就是前面说的「10 倍和 2 倍并存」的那一级。

第二级，初步协同。

产品经理跑通了演示，但产品化时各部门用不上，正式开发还要重新设计。

演示只起了个拉通需求的作用，是一次性的。

第三级，迭代联动。

各部门直接在演示基础上做深度开发，接口复用、测试用例继承。

这一级开始碰组织调整了，初创企业相对容易落地。

第四级，深度赋能。

需求说清楚，AI 自动调研、生成方案，甚至联动工厂打样，从需求到样机全链路 AI 驱动。

这需要足够的项目资源去训练，目前比较现实的是成熟批量产品。

大部分团队在一二级之间、三四级是方向。

要做好这件事就离不开数据，接下来介绍一个工具：乔哈里窗格。

这本来是个沟通模型，把信息按「你知道什么」和「AI 知道什么」分成四个象限：公共知识区、你的盲区、私有知识区、探索区。

图8：私有知识区是护城河，你踩过的坑、付过的代价，AI 不知道

前两个象限价值有限。

公共区产出的都是正确的废话；

盲区有用，但有限，比如当下很火的vibe coding，很多人不懂编程也能做软件，但做出来跟能产品化是两个完全不同层面的问题。

真正值钱的是第三象限：私有知识区。

你知道、AI 不知道的东西，包括你做过的项目、踩过的坑、付过的代价、你的判断和直觉。

这是你跟 AI 协作时真正的护城河。

拿我做过的智能锁举例子，产品复位的时候会自检硬件：

指纹有问题「滴」一声，NFC 有问题「滴」两声，按键有问题「滴」三声。

售后的时候，让客户按一下按钮、听几声，问题就定位了。

这种细节，AI 不知道，因为没人上传过这样的数据训练它。

这些私有数据喂给 AI，再叠加上工程化约束，AI 才能输出能用的东西，才谈得上稳定产出。

所以组织落地这件事，缺的从来不是工具。

现实往往是：管理层想提效，但脱离一线；工程师有一线经验，但没时间把碎片经验沉淀成团队能复用的流程，也没有权限走完整个流程。

管理层要系统方案，工程师只有碎片经验。

我的建议是先把手头产品的接口、规则约束梳理沉淀下来，把一个个节点的输入输出、工具调用理清楚，把碎片化的 AI 用法串成一条可复用的流水线。

这件事需要企业主动推，哪怕先从一个部门开始。

作者简介

卫朋，《硬件产品经理》作者，实战派产品及流程专家，人人都是产品经理受邀专栏作家，CSDN认证博客专家、嵌入式领域优质创作者，阿里云开发者社区专家博主。