为什么说算法是工具，不是老板？

嘉宾：Adriel Frederick ｜ Reddit VP of Product ｜领域：AI 产品与增长策略

背景与引子

过去几年，科技行业弥漫着一种危险的乐观主义：只要把足够多的数据喂给算法，给它一个目标，它就能替我们做出正确决策。Meta、Lyft、Reddit——Adriel Frederick 在这三家都经历过舆论风暴的产品负责人，亲眼见证了这种思路如何在现实中碰壁。

当算法不理解长期效果，当它无法感知用户的真实意图，当它对复杂的市场动态一无所知——产品就会偏离轨道。他没有选择沉默地修复，而是在一次次危机中提炼出一套独特的产品哲学：让人工智能服务于人的判断，而非取代人的判断。

这不是对技术的否定，而是对技术边界的清醒认知。在 AI 狂飙突进的当下，这套哲学或许比任何时候都更值得所有产品人认真思考。

一、嘉宾是谁

Adriel Frederick 来自特立尼达和多巴哥——加勒比海南部的一个多元岛屿。在他的成长环境中，学校是一个真正的大熔炉：印度裔、非洲裔、混血、欧洲裔、华裔、阿拉伯裔的孩子混在一起，信仰基督教、印度教、伊斯兰教的人共同上课。每逢节日，一个班级里可能同时有人在庆祝排灯节、伊斯兰节日和圣诞节。

这种环境塑造了他独特的视角。2008 年，他成为了 Facebook 历史上第一位黑人产品经理，当时整个产品团队大约只有 30 人，可以坐进一个叫“加拿大”的会议室。

此后他主导了 Facebook 的用户获取增长团队、Lyft 的 marketplace 和定价团队（负责实时定价、司机激励、匹配算法），再到如今 Reddit 负责探索新互动模式的 X 团队。他在增长、市场供需、AI 产品设计和团队领导力方面积累了极为丰富的经验，却始终保持低调——不在 Twitter 上长篇大论，而是踏踏实实做产品。

这次对话覆盖了增长黑客的本质、AI 时代的 PM 职责、团队多元化、产品争议管理，以及从个人贡献者到高管的身份转变。干货密度极高。

二、核心观点 TOP10

算法无法理解长期效果、用户响应和你的产品意图——这是 PM 存在的价值。
增长没有捷径。 那些真正带来大幅增长的产品改变，不是小技巧的叠加，而是对核心问题的持续深挖。
聚焦边际用户。 不是找最典型的用户，而是找转化最困难的边缘用户——他们的问题会照亮整个产品的问题。
运营能力是一级需求。 在需要实时调控的市场（如出行、电商）中，操作灵活性必须在产品设计阶段就作为第一优先级来考虑。
让人做决策，机器放大意图。 算法擅长在给定目标下优化，但约束条件和战略选择永远需要人来做。
多元化团队的价值是效率。 不需要外出访谈用户，团队内部就能覆盖全球市场的视角——15 分钟的争论可以替代两周的用户调研。
争议是影响力的副产品。 真正有意义的产品会改变某些人的既有利益格局，这是不可避免的。
批评声中要找到真实问题。 不是所有批评都公平，但你要有能力分辨哪些是建设性的。
保持与用户的直接接触。 数据给你线索，但不给你答案——答案在用户的真实行为中。
领导力的核心是组织设计和同理心。 从自己干活到让别人干活，这是最大的能力跃迁。

三、关键洞察

洞察一：算法是工具，不是老板

Adriel 提到了一个现象：科技行业存在一批“技术乌托邦主义者”，他们相信把数据喂给算法，给它一个目标，它就会自动做出正确决策。但他明确指出这种想法站不住脚，原因有三：

算法不理解长期效果。 比如一个优化市场份额的定价算法，它会把价格打到成本线来赢得竞争，但它无法理解这样做会破坏整个市场的可持续性。

算法不理解用户如何回应。 它只能看到数据中的模式，无法预判用户的情绪反应和信任流失。

算法不理解你的产品意图。 当 Facebook 决定不将愤怒反应纳入推荐算法时，这是一个价值判断，而不是数据驱动的最优解。

他提出了一个清晰的框架：PM 的工作是在算法负责什么、人类负责什么之间找到平衡，并建立决策框架。 这不是反 AI，而是对 AI 局限性的诚实承认。

洞察二：运营需求必须作为“一级公民”对待

在 Lyft 工作期间，Adriel 经历了职业生涯中最有压力的一次产品迭代：他们构建了一个复杂的动态定价模型，聘请了定价优化领域的 PhD 专家，模型理论上完美——但在实际运营中遇到了严重问题。

问题出在哪里？他们没有把运营灵活性作为第一优先级来设计。

具体来说：Lyft 覆盖美国 300 多个城市，每个城市的定价不能一刀切。芝加哥遇到暴风雪，需要临时调整司机补贴以激励出车；纽约推出新法规，需要立即响应；旧金山的竞争对手突然降价，需要回击。这些决策需要人来做出——算法无法感知这些外部环境的变化，更无法理解每次暴风雪、每个城市的具体情况都不同。

最终他们不得不推翻重建，核心教训是：在涉及实时供需调节的产品中，操作控制能力必须在设计阶段就作为硬性需求。

这个洞察对所有做 marketplace、AI 驱动产品或任何涉及动态系统的人都有直接价值。

洞察三：边际用户的痛苦揭示产品全貌

在 Facebook 增长团队工作时，Adriel 发展出了一套独特的方法论：与其分析“典型用户”，不如找到“边际用户”——也就是那些转化最困难、看起来几乎不可能成功的用户群体。

他的做法是：找一个增长数据很差但流量很大的国家，然后去观察那个国家中使用最低配手机、在最差网络条件下、距离最近数据中心最远的用户会发生什么。

他分享了一个具体案例：在印度观察用户首次注册时，发现了一个完全出乎意料的问题——用户注册时用的是法定全名，但现实中没有人用这个名字称呼他。当他发出好友请求时，没人认识他是谁，接受率极低。这是一个数据完全看不到的深层问题，它导致了漏斗中下游的接受率异常，但根源在注册环节。

他的方法论包含两个层面：

看最差的情况： 边际用户的问题会暴露产品所有层面的问题，语言问题、网络延迟问题、号码格式问题、身份识别问题，一次看清。
分层解决： 看完最差情况后，识别哪些是最容易突破的障碍（而不是最严重的问题），按优先级逐层解决。

这本质上是一种“极端用户研究”方法论——当你设计让最边缘的人都成功时，主流用户自然会成功。

四、精彩金句

“算法不会理解长期效果、用户的反应方式，以及你对这个产品的意图——当你在做算法密集型产品时，这是 PM 存在的价值所在。”

——这句话点明了技术乌托邦主义的根本漏洞，也道出了产品经理在 AI 时代的不可替代性。

“增长黑客很容易让人误以为：只要找到几个小技巧拼在一起，就能成功。但这是对产品使用者的不尊重——他们迟早会看穿你。”

——在“增长黑客”概念被过度神化的背景下，这是一针清醒剂。

“多元化团队的价值不是道德上的，而是效率上的。我们不需要外出访谈用户，15 分钟的内部争论就能解决问题——因为我们在桌上覆盖了全世界。”

——当团队成员来自不同文化背景，大家对“如何在各自国家使用产品”有直接经验，这是任何焦点小组都无法复制的洞察来源。

“所有软件，包括机器学习，都只是一把螺丝刀。你要给使用者一把工具，而不是让机器代替人做选择。”

——这是他对 AI 产品设计的核心隐喻，简洁而深刻。

“没有银弹，只有很多铅弹，偶尔有几颗大炮弹。”

——他在回答“哪些实验最有效”时，用这个比喻精准描述了增长的真实面貌：没有捷径，持续深耕，偶尔才有重大突破。

五、实战案例

案例一：Lyft 的定价系统重建

Lyft 的实时动态定价系统最初由定价优化领域的顶级专家设计，理论上无懈可击。但当他们试图在实际运营中修改价格、响应不同城市的市场变化时，发现系统过于僵壮，无法灵活应对外部变化。团队在数月的挣扎后，最终决定重建，这次他们将“运营灵活性”作为第一优先级。

这个案例说明：在 marketplace 类产品中，算法优化的上限往往不是技术瓶颈，而是产品设计中对运营需求的忽视。

案例二：Facebook 好友推荐的“非典型”修复

在优化新用户的好友推荐时，Adriel 发现现有的推荐算法会将用户导向单一的好友圈子——他们通过一个朋友找到共同朋友，然后螺旋式地只在一条线上发展。但实际上，一个新用户可能在多个社交圈子里都有认识的人，只是算法没有给他们展示那些机会。

他提出的解决方案是一次性展示来自不同社交圈子的多个潜在好友推荐，而非让用户被单一路径引导。这个改动看似微小，但对于新用户的留存产生了显著影响——他明确表示“改变了游戏规则”。这个改动不是增长技巧，而是对推荐系统底层逻辑的重新思考。

案例三：亲身上阵理解司机的不满

当 Lyft 在媒体上面对大量关于司机待遇的批评时，Adriel 选择了最直接的方式——他租了一辆车，实际开了一天 Lyft 去接单。他遇到一位 80 岁的老人 Rick，因为喝了点酒怕摔倒骨折而叫车，目的地只有两分钟车程。这个体验让他理解了一个关键问题：Rick 愿意为司机从 15 分钟外赶来接他这件事付费，但当时的定价系统没有机制来补偿司机这段空驶距离。

这个发现直接影响了后续的定价策略设计。他的结论是：数据告诉你哪里出了问题，但只有亲身体验才能告诉你问题的真正性质。

六、行动建议

建议一：建立“算法边界”思维——当你在做一个 AI 驱动产品时，明确画出三条线

为什么要做： 在算法密集型产品中，PM 最重要的职责是建立清晰的决策边界。如果不主动设计这些边界，算法会默认无限扩张，最终导致产品偏离核心价值。

如何开始： 拿出一张白纸，为你的每个算法系统写下三个问题：它应该对什么负责？什么决策它不应该做？我的产品意图是什么？这三个问题的答案就是你的边界。定期和工程、设计团队对齐这些边界是否仍然合理。

能得到什么： 你会发现自己能在产品方向上做出更清晰的选择，团队讨论不再是“AI 说的”vs“PM 说的”，而是对共同目标的追求。

建议二：每季度找一个“边际用户”场景——不是分析数据，而是去观察

为什么要做： 数据告诉你“转化率低”，但不会告诉你“为什么这个人无法完成注册”。边际用户的问题会照亮产品最深的系统性缺陷。

如何开始： 选择一个转化数据最差的市场或用户群体，找出 3-5 个典型用户，实际观察或通话他们在最受限条件下（低端设备、差网络、语言不通）的使用过程。记录他们卡住的地方，而不是你期望他们卡住的地方。

能得到什么： 你会意外发现数据漏斗中看不到的深层问题——有时问题的根源在漏斗上游，但症状出现在下游。

建议三：把运营控制能力作为硬性需求写入产品设计文档

为什么要做： 许多产品团队在设计阶段把“算法能做什么”放在最前面，而把“运营人员需要什么控制能力”放到最后。但对于 marketplace 类或动态调控类产品，没有操作灵活性的算法在实际运营中会频繁失效。

如何开始： 在每个涉及动态调控的产品设计文档中，增加一个固定部分：“运营人员需要能够做什么决策？需要什么信息来做这些决策？当前设计中是否满足这些需求？”如果答案是否定的，这就是需要优先解决的设计问题。

能得到什么： 当市场环境发生变化时，你的团队可以快速响应，而不是被系统限制住。

建议四：主动构建多元化团队——不是为了公平，而是为了速度

为什么要做： 多元化的产品团队能在内部争论中覆盖全球视角，节省大量外部调研时间。Adriel 在 Facebook 增长团队的经历证明，一个由不同背景成员组成的团队，内部讨论 15 分钟就能解决可能需要两周外部调研才能回答的问题。

如何开始： 在招聘和团队组建时，有意识地寻找来自不同文化背景、年龄、市场经验的成员。确保团队在讨论产品时，能够真实覆盖“不同地区的用户会如何回应”这个视角，而不只是“我们在旧金山的 PM 会如何回应”。

能得到什么： 更快的决策质量，同时让产品对全球市场的适配性大幅提升。

建议五：建立“炮弹与铅弹”的实验组合——80% 能量在大改动上

为什么要做： Adriel 发现，很多团队会陷入“增量实验陷阱”——不断做大量小实验，每次提升 0.02%，表面上数字在进步，但团队的能力和影响力在原地踏步。更健康的做法是保持一个实验组合，其中包含真正重塑产品体验的“大炮弹”。

如何开始： 每月或每季度，明确问自己和团队：我们当前有没有正在推进的“大炮弹”——那些需要数周甚至数月开发周期、可能带来结构性改变的项目？如果没有，问自己：我们是否因为小实验更容易汇报而回避了大项目？

能得到什么： 当大改动成功时，带来的增长回报是所有小实验加起来都无法相比的。同时，你也在锻炼团队处理复杂问题的能力。

七、我的总结

Adriel Frederick 在这次对话中展现了一套在 AI 时代极为稀缺的产品哲学：不是崇拜算法，而是清醒地承认算法的边界；不是躲在数据后面做决策，而是主动走向用户；不是在舆论风暴中焦虑，而是始终回到产品和用户的本质去解决问题。

他反复强调的核心主题是：技术是工具，人是目的。 在算法可以完成越来越多任务的今天，产品经理最重要的职责不是让算法做更多事情，而是清晰界定哪些事情应该由人来做、哪些应该交给机器放大，然后为此设计清晰的产品架构和组织能力。

这套哲学在任何 AI 产品中都非常适用——无论你是做推荐系统、市场定价，还是任何涉及动态决策的产品。如果你只记住一句话：不要让你的产品成为一把用错了型号的螺丝刀。

📺 播客信息

发布时间：2022-10-20
时长：1小时7分钟26秒
播放量：3652 次观看
原版视频：『YouTube』