最近，Anthropic官方发布了两篇在行业应用情况的博文，分别是在医疗保健领域和金融服务领域。
这两篇关于AI Agent在行业实践报告中，能看到一些在行业应用时的实践经验，非常值得认真看看。
而从产品经理的角度，其中的一些理念是我最关心的，因为在AI Agent的时代，原来的一些理念并没有过时，只是要与新的技术进行结合。
让我们开始吧！！
明确定位和目标
问题不在于是否要构建Agent，而在于如何构建既能满足医疗保健行业独特的监管要求和临床安全标准，又能带来真实成果的系统。
真正的挑战不是采用不采用AI Agent，而是如何构建一个既能应对复杂法规、管理实时风险、保护客户资产，又能提升业务成果的系统。
问题的核心不是AI Agent本身，而是通过Agent要达到的业务成果是什么！
基于这点，在实际的实施过程中，就不会出现为了Agent而Agent的困境，而是时时刻刻都在想是否大家达成业务成果，已经达到了什么程度。
企业上AI，
不是为了去争AI First的名声，
更不是为了仅仅降低人力成本而进行裁员，
聚焦行业或企业自身的痛点，
让自己的业务取得真实的改善和发展，
才是正确的、有效的目标。
在这两篇文章中，可以看到一些明确的业务成果，可以供大家思考：
医疗保健
-
• 缩短临床报告撰写时间，从数周到10分钟，跨系统及数据源的数据整合 -
• 提升药物研发效率，每年节省16,000小时研究时间，通过大量文献以及试验数据的统计分析整理 -
• 降低患者案例事件率，通过AI辅助监测
金融服务
-
• 减少欺诈损失率，通过Agent可以自动高效地分析更多的用户数据，从中发现异常交易模式，及时发现并防止欺诈行为。 -
• 提高客户服务满意度，如通过AI财务助手，为数百万客户生成更加准确而清晰的税务解释，其客户满意度甚至高于纯人工服务 -
• 放大团队的能力，强设计团队不再有编码的障碍、会计团队通过自然语言查询分析财务数据等
实践策略
在两篇文章中总结的实践策略中，可以发现我们原来坚守的一些产品策略并没有过时，反而是非常重要的基础。
而重新认识我们原来的那些产品策略，并与新的Agent技术进行有效结合，才能真正实现业务价值的提升。
对于产品经理来说，在学习关于AI的新知识时，也要时刻想着对自己的产品能力不断加强。
最小可行场景(MVP)
选择高影响、低风险的目标、从简单开始，快速学习，这些我们在上个十年中，在产品设计时时刻被提醒的一些理念，在这两篇报告中时时提起，感受颇深。
从两篇报告可以看到：
最好的Agent项目始于解决那些大家早已公认需要修复的问题。
初期的实施应该针对那些具有高可见度或被广泛感受到的、有明确指标的问题。
让 AI Agent 接管繁琐或重复的工作不仅能立即带来运营上的好处，还有助于建立整体的信任和信心，让人们相信Agent可以在你组织的其他领域大有作为。
通过MVP，从快速验证价值入手，通过可量化的高影响的目标逐步建立信任，从而为扩展到复杂场景铺路。
立足行业特性
医疗保健和金融服务是非常有代表性的两个领域。
比如，在金融领域的减少欺诈损失率以及医疗领域提升药物研发效率这两个案例，都达成了积极的业务效果。
而它们在技术是都涉及对大量相关文件的理解、对海量用户数据的分析，并且在相关规范的指导下，从用户数据中整理出有用的信息。
其实每个行业都有自己的特点，在不同的场景下，都有不同的需求和挑战。
不同的企业在发展过程中，都会存在孤立系统、数据孤岛等问题。
传统系统集成受限于人力与技术，而AI Agent时代的核心瓶颈转变为对业务逻辑的深刻理解：哪些决策可以自动化？哪里必须保留人类判断？这需要产品经理与业务专家共同梳理SOP。
人机协作与信任建立
最成功的实施都强调 AI 如何增强人类能力，而不是取代它们。
这是最让我感动的一句话！
在当下普遍对AI即兴奋又焦虑的环境下，我觉得这句话是AI能有效落地最关键的核心理念。
基于此，
从 AI 实施的决策者出发，需要同步思考：员工赋能 + 组织变革 + 能力转型，将更有价值的人员从繁杂的行政性工作中解放出来，充分发挥他们的专业能力。
从员工角度，在充分体会到 AI 的能力后，也需要重新思考自己的能力所在，主动转型(拥抱 AI ，或寻求更大的专业进步），而不是被动淘汰。
在AI落地的过程中，除了企业内的人、机关系，还有与客户或用户之间的关系，
核心经验是：
对客户而言，透明度很重要。明确告知他们是在与 AI Agent还是人类互动，解释Agent能做什么和不能做什么，并在需要时提供直接通向人类专家的途径。这种清晰度能建立信心，并鼓励更广泛地采用 AI 辅助服务。
任何时候，透明都是建立信任的基础。
而信任又是后续更大发展、更紧固关系的基础。
在AI时代，这点不会变化，只会加强！
数据治理与持续监控
以业务结果为导向，以业务结果为目标，核心是如何定义业务结果。
大家都知道数据很重要，但是基本上如何界定数据却是一个难题。
大家可以看看报告中的这些数据：
-
• 为数百万客户生成清晰准确的税务解释 -
• 审查 100% 的交易，并通过主动将相关费用分组、标记出违反政策的问题、并提供附带建议行动的解释 -
• 利用 Claude 处理文献综述、数据合成和文档记录，每年减少了 16,000 小时的研究时间，让研究人员能够专注于科学问题的解决，而不是繁琐的工作流程管理 -
• 将文档制作时间从 10 多周缩短到 10 分钟 -
• 诺和诺德公司在几小时内（而非数周）就完成了临床文档研究
这些都是基于行业自身业务要求的数据定义。
在AI Agent落地过程中，迟早确定这样的数据指标，然后提供持续跟踪的手段，在实践过程中跟踪、调整、完善。
这并不是新的方法，而是原有方法在新的场景下的应用！
这里想起我们原来在做SaaS中的一些教训，太多时候都是在关注有多少功能需要完成，还有多少功能等等添加，却对功能完成后的数据没有充分的认知，这个是很多SaaS类系统最终失败的重要原因，希望在AI Agent落地时大家都可以避免再重蹈覆辙。
组织适配与长期价值
前面谈到对人的赋能已经有所表达，不过从组织建设的角度再讲讲并不多余。
一项新的技术在走向实用的过程中，从来都会遇到各种长啥样的问题，而这个过程中也在对组织的结构产生潜移默化的作用，最后有大规模使用一定是在组织变革与新的技术达到了某种适配时发生的。
这个过程不是一蹴而就，可能是以缓慢的节奏发生。
在两篇报告中的成功案例可能也是在以年计的不断完善中才逐步实现的。
总结
经过这两个行业的实践分析，可以提炼一些在AI时代产品经理的核心能力升级：
其一，从功能思维到系统思维。不要设计孤立的AI功能，努力创建人类与AI协作的系统，明确定义人做什么？机器做什么？如何互动？
其二，从用户体验到信任体验。对于AI Agent的系统，透明度、可解释性、可控性成为比 UI/UX 更重要的设计要素，特别是在AI犯错时可以优雅地降级。
其三，从敏捷迭代到合规敏捷。每个行业都有自己的规范，在合规框架内快速实验，在原来小步快跑的基础上，充分考虑行业的特性。
最后，在报告中反复强调的，AI Agent 不是目的，解决真实的业务问题才是，以及人在环路的重要性是在做AI系统的的要点，而作为AI时代的产品经理，我们的价值不在于追逐新的技术，而在于真正成为技术语言与业务语言的翻译者，找到那个机器擅长以及人类认可的黄金交点。
<
暂无评论内容