工作实践

行业经验如何转化为真正落地的产品

一个项目经理做了多年行业项目,知道用户哪里难受,也知道哪些方向走下去会返工。放在两三年前,他想把这些判断做成产品,首先需要组织一支团队。今天,借助 AI,他可以自己把需求推演清楚、做出可运行的版本、拿到现场验证,再把有效的做法留给下一个客户。行业经验转化为产品的路径,正在由此发生变化。

目录

一、过去最难受的是,看得见问题,却要等好几轮才能动手

从零做一套行业软件,项目经理在现场常有这样的体会:听用户讲需求时,有些地方总觉得还差一句没问。比如用户说“这样改就方便了”,顺着他的操作再往后看一步,才发现他确实省了事,下一位接手的人却多了一轮核对。这类问题,在现场看一遍容易理解,回去写成一句需求,就容易丢掉最重要的那一层。

把这件事放回两三年前,即便他对问题已经想得很清楚,接下来仍要把判断写成需求,和产品人员对齐,等研发排期,再等一个可以试用的版本。这里最消耗人的,是项目经理对结果负责,却很难让自己的判断马上接受验证。隔着几轮交接,一句现场人人都懂的话,到了开发手里可能已经有了另一种合理解释。等用户用上,大家才知道理解偏在了哪里。

AI 给了有经验的项目经理另一种工作方式。他可以先把问题做到能用,再带着它去找用户。现场反馈回来,也可以趁着细节还记得清楚,直接调整、再试一次。省下来的除了排期,还有把同一个问题向不同岗位从头解释的成本。

二、一个项目经理,怎样借助 AI 完成一个小团队的工作

假设两家门店都提了同一句需求,“每天关店前,要能导出一张交班表。”

把这句话直接交给 AI,它很快就能做出页面、字段和导出按钮。可有现场经验的项目经理,往往会先让两位店长找出上周的一张表,讲讲交给了谁,对方拿到后做了什么。

第一家给早班,早班看完接着办事。第二家交给区域负责人,留到月底核对。项目经理再追问一句,分歧就出来了。昨晚漏记了一件事,今天早上补上,昨天那张表该不该变?

有了两位店长的回答,交给 AI 的任务就具体了。项目经理可以让它用同一组材料做出两种结果。早班打开待办,能看到今早补记的事项。区域负责人回看昨晚的交班记录,能看到当时提交的原貌,也能辨认后来补了什么。把这两种结果摆到店长面前,比拿着需求文档问“这样理解对吗”,更容易得到有用的反馈。

接下来,项目经理可以让 AI 把确认过的规则落实到数据结构、交互和代码里,再把“昨晚遗漏、今早补记”保留成验收用例。以后一改代码,就用这个例子核对两个结果。假如历史记录被一起改掉,即使页面正常、导出成功,也能明确指出哪里做错了。

过去分别落在需求分析、产品设计、开发和验证几个岗位上的工作,现在可以由项目经理借助 AI 连续推进。项目经理在现场听到“月底还要查当晚的原貌”,回来就能把“事后补记”做成一个例子,请用户看过,再把它留作以后的验收依据。同一个理解现场的人,可以把一个判断从第一次追问一直带到最后验收。这也是一个人借助 AI 能够承担小团队工作的地方。

三、做出一套软件之后,怎样让经验留给下一个客户

AI 让定制变得容易,也让一个老问题更值得认真对待。第三家客户提了新要求,项目经理很容易让 AI 再改一版。眼前交付得很快,以后一次升级,却可能要分别维护三个版本。一个人的交付能力提高了,产品化的取舍反而更重要。

还是看交班。第三家如果只是由值班表指定接收人,目标和验收条件都与第一家相同,那么接收人的确定方式可以适配,后续处理继续复用。如果它需要为本机构多做一份专用材料,这项工作可以单独扩展。如果后来多家客户都提出了类似要求,就把各自的用途和异常情况放在一起核对,确认背后的业务原因也相同,再考虑纳入共同产品。

这一步同样可以借助 AI。项目经理可以让它把几家客户的已确认规则放在一起,用同一个“事后补记”的例子逐个推演。哪些预期相同,哪些只差一个现场条件,哪些会得出相反的结果,都可以摆出来讨论。最后决定什么进入产品、什么留给现场扩展的人,需要理解这些差异为什么存在。

医疗信息化尤其如此。各家医院有自己的岗位安排、管理要求和历史条件。共性能力越扎实,团队越有余力做好每家医院真正需要的特色。

一个项目经理借助 AI 把首版做出来,体现的是个人能力被放大了。等到下一位同事接手,面对客户一句“要一张交班表”,能够从已有的规则和用例里知道该追问什么、怎样验收、哪里可以直接复用,就不必再打电话请最初的项目经理从头解释。到了这一步,一个人的行业经验,才真正变成了整个团队可以持续交付的产品。

本文为个人实践复盘,不构成医疗建议。涉及的患者、医院、厂商、系统名称、数据与时间均已脱敏或调整。