微软CPO：如果你不用AI做原型，你就做错了

摘要

Aparna Chennapragada 是微软首席产品官，负责公司生产力工具的AI产品战略和智能体（Agent）方向。在此之前，她曾担任Robinhood首席产品官、Google副总裁（主管Google Lens、搜索、购物、增强现实和AI助手），也是eBay和Capital One的董事会成员。

在本期对话中，Aparna分享了她对AI时代产品开发的系统性思考：她提出"提示集是新的PRD"——原型先行取代文档先行；她定义了智能体的三个核心维度——自主性、复杂性和自然交互；她倡导"NLX是新的UX"——自然语言界面需要像图形界面一样被精心设计。此外，她详细阐述了微软内部的"Frontier计划"，试图让一部分人提前一年活在AI的未来；分析了从消费互联网转向企业产品时"功能"与"治理"必须双轨并行的挑战；提出了判断零到一产品时机的"三个拐点"框架（技术拐点、行为拐点、商业模式拐点，至少满足两个）。她还坦诚回顾了Google Now的失败教训——"过早即错误"，以及从单口喜剧中领悟到的快速迭代与直面反馈的产品哲学。

正文

从单口喜剧到产品哲学

Aparna有一个出人意料的爱好：单口喜剧（Stand-up Comedy）。她不仅观看，还亲自上开放麦（Open Mic）表演，已经完成了几场正式演出，正在打磨一个关于AI和硅谷的专场。

这段经历源于一次偶然——她的儿子去开放麦唱歌，鼓励她也上去试试，结果她发现自己既享受又擅长。Aparna找到了喜剧与产品建设之间的深刻共鸣：两者都需要找到"市场契合"——产品需要产品市场契合（Product-Market Fit），段子需要"笑点市场契合"（Punchline-Market Fit）。

更重要的是，开放麦是最好的活实验。你把东西放出去，立刻得到用户的微观反馈，有时候反馈还很残酷。作为产品人，这是一种核心能力：你有时发布的产品愿景很棒，但第一版并不到位。正如Reid Hoffman所说，"如果你发布的第一版没有让你感到尴尬，那你发布得太慢了。"快速迭代、缩小愿景与现实之间的差距，这种韧性至关重要。

她甚至分享了自己正在打磨的一个段子：人们觉得AI聊天产品像女性——因为你看不懂黑箱里在发生什么，不知道它们在想什么。但反过来，AI可能更像男性——它们经常"幻觉"（Hallucinate），不太靠谱，不知道答案也要编一个，而且非常自信。

从消费互联网到企业：双轨并行的新挑战

Aparna职业生涯大部分时间在消费互联网公司度过——Google、Robinhood、eBay董事会、Capital One董事会。加入微软后，她深刻感受到企业产品与消费产品的根本差异。

第一个差异：每个功能其实都是两个功能。在消费领域，你的 playbook 是让功能好用、令人愉悦。但在企业领域，每当你认为有了一个用例，实际上你有两个——既要让功能好用，又要确保功能有治理（Governance）。比如分享一个文档链接，你既要让它轻松无摩擦，又要确保安全、可审计。从消费转企业的人容易掉入两个陷阱：要么完全忽视治理，要么过度牺牲用户体验来换取安全。两者之间需要艺术、科学和微妙的平衡。

第二个差异：范·达姆式的劈叉。她用那个经典的沃尔沃广告做比喻——尚格·范·达姆两脚分别站在两辆并行的卡车上做劈叉。当前的企业正处在这种状态：一方面，这是人类历史上最压缩的技术周期，以周和月计算而非年和十年——与移动互联网、云计算、互联网的节奏完全不同，存在巨大的"智能盈余"（Intelligence Overhang）；另一方面，人的习惯难以改变，企业内部的变革管理也很困难。未来分布不均，甚至在一个公司内部就不均。

Frontier计划：提前一年活在未来

面对这种"劈叉"，Aparna的关键原则是：不要拖住早期采用者（Early Adopters）。这正是微软推出"Frontier计划"的原因——长期变革管理和前沿实验并行。

Frontier计划的核心设想是：如果有一家"前沿咨询公司"或"前沿公司"，在那里你拥有所有最先进的AI工具和深度研究（Deep Research）智能体，你会问什么样的问题？做什么样的工作？工作日会怎样改变？Aparna想把她个人"提前一年活在未来"的模式制度化、可操作化。

这个计划不仅关注个人层面的改变，更着眼于团队层面。人们谈论很多Frontier实验室和Frontier模型，模型层确实令人惊叹，但Aparna要推动大家思考：什么是Frontier产品？更重要的是，Frontier的工作方式是什么？一个三个人加上大量算力和AI工具的团队长什么样？

具体操作上，微软内部搭建了一个虚拟公司，邀请愿意尝试前沿科学项目、深度研究智能体和工作智能体的人"来这里玩"。这套机制刚刚启动几周，但其元层面的意义在于：传统上我们习惯用宏观方式思考产品推广——建好、正式发布、慢慢铺开。这对制药公司、法律公司依赖的工具确实重要。但在AI压缩周期下，如何让人们提前体验一年后的未来？

智能体的三个维度

Aparna以计算机科学家的视角看待智能体：底层是随机模型（Stochastic Models）而非确定性编程模型（Deterministic Programming Models），但归根结底它们是工具。

她将智能体的发展分为三个阶段演化：先是应用（Apps）时代，现在进入了助手（Assistance）时代——人类在驾驶座，AI提供大量辅助，这就是Copilot的含义。

定义一个优秀的智能体，她认为有三个维度：

第一，自主性（Autonomy）。 这不是0或1的二值变量，而是一个光谱——你能委托多高阶的任务？当深度推理（Deep Reasoning）能力解锁后，你就能把更多任务委托给智能体。她举了自己的例子：她有一个与领导团队的重要会议，想展示某些框架和路线图。她让研究智能体去查看所有参会人员对这个话题的观点，然后给出如何准备说服性提案的建议。这不仅是节省时间，更像是激活了她原本没有的神经突触，给了她新的洞察，甚至可以说是超能力。

第二，复杂性（Complexity）。 不是一次性的"生成这张图片"或"总结这份文档"，而是"帮我构建一个表达我增强现实应用想法的原型"——这是一个复杂任务。

第三，自然交互（Natural Interaction）。 不仅仅是聊天，可能是直接跳上会议与智能体对话，边说边指出你想要的不同之处。这三个维度——自主性、复杂性和自然交互——是塑造优秀智能体的产品原则。

NLX：自然语言界面是新的用户体验

这是Aparna的"罗马帝国"——她每天都在想的事情。

NLX代表自然语言界面（Natural Language Interface）。她的核心论点是：NLX是新的UX（NLX is the new UX）。传统上我们非常自觉地去设计图形用户界面（GUI），因为图形界面不是自然的东西，必须被显式设计，但它们是刚性的。自然语言界面则更有弹性——但这不意味着它不需要设计。

很多人认为"AI时代模型取代了产品，你跟它聊天就行了"。但Aparna反驳道：你和我正在进行的对话是一期播客，我在微软进行的另一场对话是一个会议——对话也有语法、结构、UI元素，只是它们是隐形的。那么，自然语言作为界面有哪些新的原则和构造？

她给出了几个正在涌现的例子：

提示词（Prompt）本身是一种新的UI元素，就像下拉菜单曾经是新的UI元素一样。

计划（Plan）是智能体时代的新构造。 当你给出一个高层次目标，智能体返回一个计划——最好是可编辑的计划——这就是一种新的界面构造。

展示工作过程（Showing the Work） 也是一个关键设计问题。Copilot、ChatGPT、DeepSeek都在"出声思考"（Thinking Aloud），展示工作过程。但展示多少？太冗长感觉像在跑定时任务脚本，太简略则让人不确定方向是否正确、缺乏信心。这是一个需要精心设计的平衡点。

后续建议（Follow-ups） 也应被显式设计。如果你说"创建一张图片"，它生成了一张黑白的剪贴画版本，那么接下来它应该主动建议什么？建议太多令人烦扰，太少则错失了引导用户走向最佳路径的机会。

Aparna还指出，这种展示工作过程的程度是一个时间点现象。目前这些模型还是黑箱，所以任何"掀开引擎盖"的行为都让人安心，尤其在推理计算耗时长的时候——如果智能体突然沉默，你会非常不安。但随着时间推移，这个领域 ripe for personalization：每个人的"API"不同，有人只要TLDR，有人想听完整思考过程。

AI时代的产品开发：原型先行

Aparna在微软内外反复强调一个鲜明立场：如果你不用AI做原型来看到你想构建什么，你就做错了。

她把"提示集是新的PRD"（Prompt Sets are the New PRDs）作为准则，坚持要求团队在构建新项目、新功能时必须附带原型和提示集。这不是说所有人都变成某种软件工程师，而是说：你拥有最快的路径将脑海中的想法可视化、可体验、可沟通——这是一种更高带宽的沟通方式，是产品建设的循环加速器。简而言之：演示先于备忘录（Demos Before Memos）。

第二点：首次演示的时间大幅缩短，但全面部署的时间反而可能更长。 内循环——原型、迭代、甚至通过AI对话做用户研究——都被压缩了。但规模化发布的门槛因此变得更高。想法和原型的供给量级增加，这抬高了地板，也抬高了天花板。在这种环境下，如何让你的产品脱颖而出？关键是不追逐每一个想法。

第三点：全栈建造者（Full-Stack Builder）与品味把关人（Taste Maker）的共存。 未来产品团队中，在原型和早期想法发现阶段，角色边界确实会模糊，会有少数品味把关人处于核心位置。因为否则，你只会得到一个"弗兰肯斯坦产品"（Frankenstein Product）——拼凑而没有灵魂。这一点不会改变。

最后，Aparna强烈反对"编程已死"的说法。她认为我们一直都在使用越来越高的编程抽象层——不再用汇编，大多数人不再用C——未来你依然要告诉计算机做什么，只是抽象层级更高。这民主化了编程，软件操作者（Software Operator，她戏称"SO"）的数量可能比软件工程师（SE）多一个数量级。但理解计算机科学——它是一种思维方式、一种心智模型——依然至关重要。

产品管理的未来：从把关人到赋能者

AI编码工具的兴起让一些人惊呼"产品经理已死"。Aparna的看法更加细腻。

如果产品经理只是流程文档的"TPS报告"人员——很多公司确实混淆了产品管理和流程/项目管理——那确实面临价值质疑，因为AI可以读写五万条会议纪要、追踪进度、发送邮件。但另一面，品味把关和编辑功能变得极其重要。当想法和原型的供给量级增加时，编辑功能——决定做什么、不做什么——就是核心价值。

这意味着产品经理的门槛变高了，但同时也产生了一个有趣的副作用：过去的把关机制更多依赖于"我们去问产品负责人怎么看"，虽然编辑功能仍有其角色，但现在你必须靠实力赢得话语权，不能仅凭头衔。与此同时，工程师、用户研究员、设计师中那些被压制的优质想法现在被释放了——他们口袋里有了一个专家，可以弥补自己不擅长的部分，把想法完整地呈现出来。这是令人振奋的。

Aparna还分享了她常用的一个AI用例：WWXD——"X会怎么做？"（What Would X Do?）。她会问AI："Satya会怎么看我们正在推介的这套想法？"这是深度推理加上相关上下文的力量。正如Lenny提到的，一位工程师用ChatGPT来更有效地沟通："把这个提案变成能说服Lenny的东西"——他们拥有关于你的上下文，这非常有趣。

更新先验：反直觉的AI使用法则

Aparna提到Tobi Lütke（Shopify CEO）所说的"反射性AI使用"（Reflexive AI Usage），并坦言这并不容易。

她甚至做了一个"俗气"的Chrome扩展：每次打开新标签页，屏幕上只显示一句话——"你如何用AI来做你接下来要做的事？"这个提醒帮她暂停思考："等等，我到底想做什么？"

但为什么即使身处AI领域的人也觉得难？因为更新先验（Updating the Priors）非常困难。一年前模型做不到的事情太多了：图像生成满是拼写错误，推理无法深入，不能做数据分析。你几个月前试用后形成的印象，那个先验需要被更新。你必须做一件几乎反直觉、逆势而为的事：忽略你对AI能做什么不能做什么的既有认知。这个婴儿在一个月内就长成了十五岁的少年。

Aparna认为，对于产品人来说，这是一个有趣的套利机会：如果你能逆势而动，不被"这几个月前不管用"的伤疤组织束缚，持续对AI设定高期望、要求更多，你就能解锁更多可能。这里面有大量Alpha。

Satya与Sundar：两位科技领袖的领导风格

Aparna是极少数与Satya Nadella和Sundar Pichai都密切工作过的人。她在Google担任过Sundar的技术顾问，帮助设立了CEO办公室。

她认为两人都是99.99百分位的领导者——在智力、共情、领导力、产品和战略上几乎无可挑剔，但风格各有侧重。

Sundar擅长的是在复杂生态系统中保持冷静、审慎和深思熟虑。无论面对手机生态还是搜索-出版商-广告主生态，他都是处理复杂性的大师。

Satya则令她惊叹的是对学习的胃口、对心智模型的不断微调，以及他在不同缩放级别间切换的能力——宏观层面看战略和博弈，微观层面又能在Twitter上发现某个具体洞察。你几乎可以确定他比任何人都更早地发现了那些早期信号。从这两位身上学习，如同从消防水龙头喝水。

先解题再规模：零到一的方法论

Aparna反复学到的一个反直觉教训是：先解题再规模（Solve Before Scale）。

做零到一（Zero-to-One）时，诱惑是像《南方公园》那个经典段子——第一步，想问题；第二步，……；第三步，赚钱——急于跳到规模。但解题阶段和规模阶段的姿态完全不同。

在解题阶段，你要对大幅转向（Wide Lurches）非常坦然。第一天你在想做一个植物识别工具，第十五天你发现这个技术其实特别适合翻译外语——这不是假设，这就是Google Lens早期的真实经历。从外面看像混乱，但你不仅应该容忍这种混乱，还应该有胃口拥抱它。因为最糟糕的事情就是过早锁定在一个局部山丘上，然后花三年爬那个山丘，最后发现"我怎么从这个山丘上下来？"

另一个教训是指标的危险。在Google搜索或Office产品上，你对指标有非常精细的感觉——输入指标、输出指标，一应俱全。但在零到一阶段，过早确定指标是虚假精确。一千人的点击率（CTR）毫无意义，留存率可能也没意义。你需要的是更定性的信号——"点击的声音"，用户自然的使用方式。就像Alexa、Siri和Google Assistant，它们有广阔的接口，你可以说任何话，但真正好用的只有一两件事：设闹钟、播放音乐、玩问答。你得先把这些钉牢，再说"你什么都能做"。

三个拐点：为什么是现在？

投资者总问创业公司"为什么是现在？"Aparna的框架是：至少要满足三个拐点中的两个，才能做出真正好的零到一产品。

第一，技术拐点。 是否有技术的阶跃式进步？深度学习对Google Lens是，语音识别对对话式搜索是，智能手机对Robinhood是。当前，大语言模型（LLM）和推理模型就是这个阶跃函数。但仅仅技术拐点不够。

第二，消费者行为拐点。 比如Google Lens起步时，人们拍照主要是为了分享——自拍、夕阳。当存储变得几乎免费、人手一部手机随时拍照时，拍照变成了一切，相机成了现实世界的键盘。当照片数量达到数量级的增长，你自然希望从中获得更多，AI就有了用武之地。

第三，商业模式拐点。 尤其在企业领域，但也有消费领域的例子。搜索广告的第二价格拍卖和CPC模式，SaaS对企业产品的不同收费方式，AI时代的变现方式——按席位、按用量、按结果——我们还只触及了皮毛。

Robinhood是三个拐点同时满足的例子：移动手机的普及（技术拐点）、新一代人的理财习惯（行为拐点）、零佣金（商业模式拐点）。你不能仅仅说"我们有一个更直觉的界面，希望人们会切换过来"。

GitHub与Excel：系统的力量

Lenny提出了一个尖锐问题：Cursor两亿美元年经常性收入（ARR）、VZero、Lovable、Bolt、Replit——微软有Copilot这个先驱，有VS Code这个被所有人fork的基础，有顶尖AI基础设施和人才，为什么这个市场没有完全属于微软？

Aparna的回答是：代码生成是LLM解锁的一个惊人工具，它带来的兴奋和行动是好事——从想法到可点击原型只需几分钟，正是她所倡导的原型先行。但她看待GitHub的方式是：它是一个系统，不只是一个产品或一组功能。

如果有人把代码仓库放在GitHub，你拥有自动补全的辅助、聊天功能，现在还有了智能体模式——这是目前反馈最强烈的循环之一。一个系统意味着你需要的不是单一产品能增长，而是：仓库、上下文、从你的专业水平出发的功能集合。如果你是资深开发者，辅助产品需要为你的水平而扩展；如果你是广泛的编程者，也应该能用。GitHub正在这个定位上持续增长。

核心逻辑是：所有道路最终通向GitHub。当你为企业构建可运行的代码时，你需要的是一整套瑞士军刀——不只是自动补全、不只是聊天、不只是一个需要你手把手指导的智能体——你需要所有这些协同工作。

至于Excel，Aparna分享了一个与Excel老产品人的对话让他印象深刻的洞察：Excel证明了非程序员也需要编程。它给了非程序员一种强大的编程能力。另一个鲜为人知的事实是世界Excel锦标赛——选手们在上面展示魔法。这说明有些工具学习曲线陡峭，但一旦掌握，强大无比。Excel团队数十年如一日地深耕来自重度用户的深层信号，这种复利效应是五千个创业公司无法轻易复制的。

Google Now：过早即错误

Aparna职业生涯中最关键的一个转折点来自一次失败。

她在Google搜索团队时，认为手机时代个性化必然重要，花了一年多时间试图让搜索个性化奏效，但发现当你把查询词输入Google搜索时，个性化并不那么重要。团队最终解散。

但她随后转而开发了Google Now——一种反向思考：在手机上，应该由系统推送内容，而不是用个性化去搜索。比如你有航班即将出发，系统应该主动关联信息告诉你"考虑当前交通状况，你现在应该出发了"；如果你对冷面笑匠风格的脱口秀感兴趣，应该推荐Mitch Hedberg。

她带领这个产品走过了最初的零到一阶段。这个经历让她认识到三件事：

第一，她真正热爱的是看到拐角处的东西、预见趋势并建设匹配的产品，远胜于规模化和维护既有产品。

第二，过早即错误（Being Early is the Same as Being Wrong）。那是前LLM、前深度学习的时代，关于下一token预测器等想法他们其实都想过，但没有算力去实现。界面很好，智能不够。

第三，她有机会与一些极聪明的人共事——现在人们谈论"人才密度"（Talent Density），那次经历让她见识了一小群人能做出什么。

Google Now后来成为Google Assistant的基础之一。随着LLM的阶跃式进步和Gemini的出现，当年的愿景终于可以实现。Aparna指出一个有趣的对称：当年的语音助手是界面超出了智能，而今天的问题反过来了——这些模型拥有惊人的智能，但界面很大程度上还停留在AOL拨号上网时代的聊天机器人。

人机协作的共工作空间

Aparna最后分享了她另一个"罗马帝国"：人类与智能体如何协作。

目前的AI体验几乎都是单人单机（Single Player）。Aparna在思考：如何实现人与人的协作、人与智能体的协作——一个"共工作空间"（Co-Working Space）。什么任务可以委托？什么可以检查？信息如何通过智能体在人与人之间流转？

她设想的是一个混合工作环境，人和智能体共同产出远超任何一方单独能实现的成果。这是她最期待被重新想象的产品体验之一。

闪电问答

推荐书籍： 《智力的简史》（The Brief History of Intelligence）——从人类大脑演化的角度理解智能发展，并与当前AI进展进行对照，Aparna做了大量标注。

最近喜欢的影视： 《Hacks》——讲述一位在上世纪七八十年代成长起来的女脱口秀演员，在一个传统上对女性不友好的行业中突围的故事，有趣且独特。

最近喜欢的产品： Granola——一个会议笔记应用，非侵入式地捕捉想法和笔记，自动结构化和添加上下文。语音识别和实时转录技术的成熟，加上LLM的结构化魔法，让这个产品恰到好处。

人生座右铭： "预测未来的最好方式是发明它"（The Best Way to Predict the Future is to Invent It）——Alan Kay的名言，Aparna的邮件签名已用了二十年。她从中获得两层启示：没有人真正知道未来会怎样，没有替代亲手建设的体验；如果你认为某样东西应该存在，那就去建造它。

小众脱口秀推荐： Sindhu Vee——英籍印度裔脱口秀演员，极其聪明，以妈妈喜剧见长；Nate Bargatze——虽然已经不算小众，但他的风格实在太好了。