AIPM-2考试大纲：8大考试领域、双组件评估与样题指南

认证概览

AIPM-2：AI 产品经理·专业级是 APD 认证 AI 产品经理路径中的专业实践级认证。

AIPM-2 验证应试者能否将 AI 原生产品管理实践应用于真实产品场景，覆盖从机会发现到工作流设计、产品需求、方案权衡、评估、自适应交付、负责任的发布、监控、迭代、采用与价值实现的完整链路。

本认证面向希望超越基础认知、展示实践型 AI 产品管理能力的产品专业人士。

AIPM-2 基于 APD AI 原生产品经理能力模型，该模型界定了产品专业人士将 AI 能力转化为可信、可用、可衡量、可治理且可扩展的产品价值所需的专业能力。

AIPM-2 是 APD 认证路径的第二个级别：

• AIPM-1：AI 产品经理·基础
• AIPM-2：AI 产品经理·专业级
• AIPM-3：AI 产品经理·战略领导力

1.1 版本更新

1.1 版本在专业实践层面强化了 AI 原生产品敏捷的概念。

在 AIPM-2 中，敏捷被视为一种应用型 AI 产品管理能力，而非传统的 Agile 或 Scrum 框架主题。

应试者应理解如何将自适应、评估驱动、治理感知的产品交付实践应用于 AI 产品项目。

1.1 版本具体强化了：

• 迭代式 AI 产品发现；
• 实验驱动的产品学习；
• MVP、原型、概念验证、试点、发布与规模化的区分；
• 反馈到路线图的回路；
• 评估驱动的迭代；
• AI 质量回归意识；
• 自适应待办列表与路线图决策；
• 负责任的发布就绪度；
• 在速度、风险、治理、质量与价值之间取得平衡。

AIPM-2 不考查 Scrum 事件、Agile 角色、速率、故事点或具体的 Agile 框架。它考查应试者能否在真实产品场景中应用自适应的 AI 产品交付与学习回路。

AIPM-2 的定位

AIPM-1 验证基础产品判断力。
AIPM-2 验证应用型专业实践。
AIPM-3 验证战略领导力。

AIPM-2 旨在回答一个核心问题：

应试者能否将 AI 原生产品管理实践应用于真实的 AI 产品场景，并在价值、工作流、体验、技术、知识、评估、自适应交付与负责任的发布等方面做出稳健的产品决策？

AIPM-2 不用于认证企业级 AI 产品战略、AI 产品组合领导力、组织级 AI 转型领导力或首席级治理能力。这些能力属于 AIPM-3 的范畴。

AIPM-2 面向这样的产品专业人士：在常规组织监督下，能够独立管理既定的 AI 产品、AI 功能、AI 工作流、AI 助手、AI 智能体用例、GenAI 应用、企业 AI 用例或 AI 赋能的产品领域。

AIPM-2 验证的内容

AIPM-2 验证应试者能够在真实产品语境中应用 AI 原生产品管理实践。

合格的 AIPM-2 应试者应能够：

• 识别并甄别真实的 AI 产品机会；
• 判断 AI 是否适用于给定问题；
• 界定用户、业务成果、价值假设与成功指标；
• 为既定产品场景设计人机工作流；
• 界定 AI 原生产品需求；
• 与 AI、数据、工程、设计、安保、法务、业务、交付及面向客户的干系人有效协作；
• 界定知识、检索、上下文与数据就绪度需求；
• 评估产品级技术选项与权衡；
• 设计涉及信任、回退、人工审核与用户控制的 AI 产品体验模式；
• 制定基础的 AI 评估计划与质量门禁；
• 利用评估发现、用户反馈、监控信号与风险发现调整路线图、待办列表与产品决策；
• 评估与负责任的 AI、安全、安保、隐私及治理相关的产品级风险；
• 支持 MVP、试点、发布、监控、迭代、采用与价值实现；
• 向跨职能干系人清晰沟通 AI 产品决策。

AIPM-2 验证的是应用型产品能力。它不要求应试者亲自实现机器学习系统、微调模型、构建基础设施或从事安全工程。

谁应获取 AIPM-2

AIPM-2 面向正在从事、正转向或准备独立管理 AI 赋能或 AI 原生产品工作的专业人士。

它尤其适合：

• 从事 AI 赋能产品的产品经理；
• 正向 AI 产品角色转型的产品经理；
• GenAI 应用产品经理；
• AI 助手或 AI Copilot 产品经理；
• AI 智能体或工作流产品经理；
• 企业级 AI 产品经理；
• 内部工具或生产力 AI 产品经理；
• AI 平台助理产品经理；
• 与 AI 团队协作的技术产品经理；
• 负责 AI 赋能能力的产品负责人；
• 支持 AI 产品交付的敏捷产品专业人士；
• 支持 AI 产品设计与交付的顾问；
• 寻求实践型 AI 产品能力凭证的专业人士。

AIPM-2 最适合已掌握产品管理基础、并具备实际产品经验，或通过案例练习、产品产物与 AI 产品项目工作做了充分准备的应试者。

建议的前置条件

在参加 AIPM-2 之前，强烈建议持有 AIPM-1 认证或具备同等基础知识，但 AIPM-1 并非强制要求。

建议应试者具备以下一项或多项：

• AIPM-1 认证或同等基础知识；
• 产品管理经验；
• 产品负责人或业务分析师经验；
• 敏捷交付或产品交付经验；
• 软件、数据、AI 或数字产品相关工作经验；
• 参与过 AI 产品、GenAI 应用、AI 助手、RAG、智能体、自动化或分析类产品项目；
• 完成 AI 产品案例练习或作品集准备。

不建议完全没有产品管理经验、也不了解 AI 产品基础的应试者参加 AIPM-2。

不要求具备机器学习工程经验。

不要求持有 Scrum 或 Agile 认证。

AIPM-2 不验证的内容

AIPM-2 是专业实践级认证。它不验证战略级或首席级 AI 产品领导力。

AIPM-2 不认证应试者能够独立承担：

• 企业 AI 产品组合策略；
• 全组织 AI 转型领导力；
• 企业 AI 治理体系设计；
• 跨多个业务单元的 AI 产品平台策略；
• 首席级 AI 架构决策；
• 跨组合的高级 AI 评估系统设计；
• 企业级 AI 产品运营模式重构；
• 组织级 AI 产品社区、方法论或标准所有权；
• 法律合规解读；
• 安全工程；
• 模型训练、微调实现或算法优化；
• 生产基础设施工程；
• Scrum Master、Agile Coach 或企业 Agile 转型职责。

这些能力主要在 AIPM-3 或专业技术、法务、治理、安保、敏捷交付或组织转型角色中体现。

建议的评估形式

AIPM-2 应评估应用型专业实践。因此，APD 研究院建议采用双组件评估模型。

组件 A：在线应用型评估

组件 B：实践案例作业

APD 研究院建议 AIPM-2 包含实践案例作业或产品产物评估。

可能要求应试者分析一个真实的 AI 产品场景，并产出指定的产物，例如：

• AI 产品机会简报；
• 人机工作流设计；
• AI 原生产品需求大纲；
• 知识、检索与上下文需求；
• AI 评估计划；
• 自适应交付与学习回路计划；
• 人工审核与回退计划；
• 负责任的 AI 风险评估；
• 发布就绪度清单。

实践案例作业可按通过/不通过评定，或计入最终认证成绩，具体取决于 APD 研究院的评估政策。

若 APD 研究院选择先以纯在线评估形式推出 AIPM-2，实践案例作业仍应作为推荐的作品集实践提供，并可能在后续版本中纳入认证。

建议的评估权重

若 APD 研究院采用双组件模型，建议权重如下：

若 APD 研究院采用纯在线模型，考试应包含更高比例的案例型、产物型与自适应交付判断题，以保持 AIPM-2 的应用属性。

认知层级分布

AIPM-2 评估应用型专业能力。它不应以回忆题或术语题为主。

AIPM-2 应考查应用型判断，而非 AIPM-3 级别的高级战略领导力。

题型分布

AIPM-2 应包含极少的纯回忆题。

考试领域蓝图

AIPM-2 划分为八个考试领域。

考试领域

领域 1：AI 产品机会甄别与价值框架

权重：12%

领域目标

本领域验证应试者能否从用户问题、业务成果、可行性、风险、采用就绪度与可衡量价值出发，识别、甄别并界定 AI 产品机会。

学习目标

应试者应能够：

1. 从用户、业务、工作流或运营问题中识别真实的 AI 产品机会；
2. 区分用户问题、业务问题、技术想法与 AI 用例；
3. 评估 AI 是否适用于给定问题；
4. 为 AI 产品项目界定价值假设；
5. 识别目标用户、受益方、决策者与受影响的干系人；
6. 为 AI 产品成果界定可衡量的成功指标；
7. 识别基础的成本、延迟、质量、风险与采用考量；
8. 避免技术优先、模型优先或演示驱动的产品思维；
9. 设计基于证据的发现方法以验证 AI 产品机会；
10. 判断一个产品想法何时应进入实验、原型、MVP、试点，或应终止。

关键主题

• AI 机会发现；
• 问题界定；
• 用户价值与业务价值；
• 用例甄别；
• 价值假设；
• 可衡量成果；
• 可行性、可用性、可持续性与风险；
• AI 适用性评估；
• 产品价值 vs. 技术新颖性；
• 成功指标；
• 成本与延迟意识；
• 采用可行性；
• 基于证据的发现；
• 发现阶段中的 AI 原生产品敏捷。

应试者应能产出或评估

• AI 机会简报；
• 问题陈述；
• 用户与干系人定义；
• 价值假设；
• AI 适用性依据；
• 成功指标建议；
• 用例优先级依据；
• 发现实验建议；
• 继续、暂停、重新设计或终止的决策依据。

不在 AIPM-2 范围内

• 企业 AI 投资组合策略；
• 复杂商业产品的定价与打包所有权；
• 业务单元级 AI 转型策略；
• 高级财务建模；
• 企业持续发现运营模式设计。

领域 2：人机工作流与场景设计

权重：15%

领域目标

本领域验证应试者能否为既定的 AI 产品场景设计实用的人机工作流，并根据反馈、评估与风险发现调整这些工作流。

学习目标

应试者应能够：

1. 将业务场景分解为任务、决策、输入、输出、参与方与约束；
2. 识别哪些任务应自动化、增强、审核、升级或保持人工主导；
3. 为既定场景设计人机工作流；
4. 明确 AI 系统职责与人工职责；
5. 界定人在环中、人在环上、人监控环机制；
6. 设计回退、升级、异常处理与人工审核点；
7. 界定智能体工作流边界、工具使用权限、审批步骤与可审计性需求；
8. 使工作流设计与价值、风险、用户信任、运营可行性及性能指标对齐；
9. 识别需要通过试点、用户反馈、监控或评估验证的工作流假设；
10. 根据真实使用与评估发现调整工作流设计。

关键主题

• 场景建模；
• 任务级工作分析；
• 人机工作流设计；
• 人机任务分配；
• 决策流；
• 人工监督；
• 回退与升级；
• 智能体工作流；
• 工具使用与行动边界；
• 行动前审批；
• 异常处理；
• 问责与审计轨迹；
• 工作流性能指标；
• 工作流验证；
• 迭代式工作流改进。

应试者应能产出或评估

• 人机工作流图；
• 任务分配矩阵；
• 智能体职责矩阵；
• 回退与升级设计；
• 人工审核规则；
• 决策流图；
• 工作流风险清单；
• 工作流学习回路计划。

不在 AIPM-2 范围内

• 企业级运营模式重构；
• 多业务单元工作流转型；
• 高级多智能体编排架构；
• 组织变革策略所有权；
• 详细的工作流引导方法论。

领域 3：AI 原生产品需求与体验设计

权重：14%

领域目标

本领域验证应试者能否界定 AI 原生产品需求，并为真实的 AI 产品场景设计可信任的产品体验。

学习目标

应试者应能够：

1. 将 AI 产品机会与工作流转化为 AI 原生产品需求；
2. 界定功能需求、AI 行为需求、输出需求、质量需求与约束；
3. 为 AI 助手、Copilot、智能体、决策支持工具或生成式体验明确用户交互模式；
4. 在产品规格层面界定提示词、指令与输出行为；
5. 设计信任、透明度、用户控制、用户纠正、回退与人工审核机制；
6. 识别 AI 行为与用户体验的验收标准；
7. 视情况界定可解释性、来源引用、局限性沟通与用户同意的需求；
8. 在可用性、可靠性、安全性、运营成本、用户信任与交付速度之间取得平衡；
9. 根据评估发现、用户反馈、生产信号与风险发现更新产品需求；
10. 区分稳定的产品需求与需要实验或迭代验证的假设。

关键主题

• AI 原生 PRD；
• AI 行为规格；
• 输出需求；
• 验收标准；
• 对话与交互流；
• 提示词与指令需求；
• 可信的产品体验；
• 用户控制与纠正；
• 透明度与局限性沟通；
• 来源引用与接地行为；
• 回退体验；
• 人工审核 UX；
• 产品约束与非功能需求；
• 需求迭代；
• 假设验证。

应试者应能产出或评估

• AI 原生 PRD 节选；
• AI 行为规格；
• 提示词与输出需求；
• 信任与透明度设计；
• 回退体验规格；
• 人工审核需求；
• AI 输出的验收标准；
• 基于评估结果的需求更新。

不在 AIPM-2 范围内

• 高级 UX 研究项目设计；
• 详细视觉设计规格；
• 完整端到端企业产品需求所有权；
• 高级 AI 产品设计系统治理。

领域 4：面向产品经理的 AI 方案架构与技术权衡

权重：13%

领域目标

本领域验证应试者能否与技术团队协作，并就 AI 方案方法、技术权衡、可行性与交付影响做出明智的产品决策。

学习目标

应试者应能够：

1. 比较常见的 AI 方案方法，如提示词、RAG、微调、工具调用、智能体工作流、基于规则的逻辑与混合系统；
2. 识别何时适合采用 RAG、工具使用、智能体工作流或基于规则的自动化；
3. 评估在质量、成本、延迟、可靠性、可扩展性、可维护性、安保与用户体验之间的产品级权衡；
4. 识别与模型选择、供应商依赖、数据访问、集成、权限及运营复杂度相关的风险；
5. 为技术团队界定产品级架构问题；
6. 区分产品决策与工程实现决策；
7. 参与自建-采购-合作讨论；
8. 用产品与业务语言沟通技术权衡；
9. 理解技术变更可能引入质量回归、成本变化、延迟变化或新风险；
10. 将技术学习纳入产品路线图与迭代决策。

关键主题

• AI 方案选项；
• 提示词 vs. RAG vs. 微调；
• 工具调用；
• 智能体工作流；
• 基于规则与混合方法；
• 自建 vs. 采购 vs. 合作；
• 模型选择考量；
• 供应商风险与锁定；
• 延迟与成本权衡；
• 可靠性与可扩展性；
• 安全风险暴露；
• 集成复杂度；
• 产品架构决策；
• 技术变更影响；
• 路线图调整。

应试者应能产出或评估

• AI 方案概念；
• 技术可行性问题；
• 产品架构简报；
• 自建-采购-合作分析；
• AI 成本与延迟权衡摘要；
• 集成与依赖图；
• 用于路线图决策的技术学习摘要。

不在 AIPM-2 范围内

• 模型训练；
• 神经网络架构；
• 微调实现；
• 向量数据库配置；
• 基础设施部署；
• 安全工程；
• 算法研究；
• 详细云架构设计。

领域 5：企业知识、上下文、数据与检索要求

权重：10%

领域目标

本领域验证应试者能否界定并评估 AI 产品在企业语境中可靠运行所需的数据、知识、上下文、检索与治理需求。

学习目标

应试者应能够：

1. 识别 AI 产品所需的数据、知识、文档、用户上下文、运营信号与业务规则；
2. 评估知识源质量、覆盖度、新鲜度、敏感性、权限与可靠性；
3. 界定知识库与检索需求；
4. 界定接地、引用、来源可追溯性与权限感知访问的需求；
5. 识别过时、不完整、冲突、未授权或不可信的知识源带来的风险；
6. 界定用于改进知识与检索质量的反馈回路；
7. 与数据、工程、安保、法务、领域专家及运营团队就数据与知识就绪度协作；
8. 区分数据就绪度、知识就绪度与上下文就绪度；
9. 识别何时知识、数据或检索变更需要重新评估；
10. 将检索与知识质量学习纳入产品迭代。

关键主题

• 数据就绪度；
• 知识就绪度；
• 上下文工程；
• 企业知识资产；
• RAG 需求；
• 检索质量；
• 来源可靠性与新鲜度；
• 访问控制；
• 权限感知检索；
• 数据敏感性；
• 元数据与来源可追溯性；
• 接地与引用；
• 知识更新工作流；
• 反馈回路；
• 检索改进；
• 知识变更回归风险。

应试者应能产出或评估

• 数据与知识需求；
• 知识就绪度清单；
• 上下文需求；
• 检索质量需求；
• 来源可靠性评估；
• 权限感知访问需求；
• 知识反馈回路；
• 检索改进计划。

不在 AIPM-2 范围内

• 详细数据管道工程；
• 嵌入模型选择；
• 检索排序算法设计；
• 企业知识架构所有权；
• 数据库管理；
• 数据工程实现。

领域 6：AI 评估、实验与产品智能规划

权重：16%

领域目标

本领域验证应试者能否为 AI 产品设计实用的评估与实验计划，并利用评估洞察指导产品决策、学习回路与迭代。

学习目标

应试者应能够：

1. 界定 AI 产品评估目标；
2. 区分模型评估、产品评估、用户体验评估、业务价值评估与风险评估；
3. 为既定 AI 产品场景选择合适的评估指标；
4. 使用测试集、金标准数据集、人工审核评分规则、验收阈值与质量门禁设计基础评估计划；
5. 界定针对幻觉、接地度、相关性、任务成功率、安全性、延迟、成本与用户满意度的评估需求；
6. 设计试点评估与分阶段上线学习计划；
7. 识别模型、提示词、检索源、工具、工作流或知识库变更后的回归风险；
8. 利用评估发现指导路线图、待办列表、UX、提示词、检索、模型、知识、工作流与治理决策；
9. 界定将评估结果、用户反馈、监控信号与产品决策相连的学习回路；
10. 区分用于发现的实验、用于就绪度的评估与用于持续改进的监控。

关键主题

• AI 产品评估；
• 评估计划；
• 实验；
• 金标准数据集；
• 测试集设计；
• 人工审核评分规则；
• 验收阈值；
• 质量门禁；
• 离线与在线评估；
• 试点评估；
• 任务成功率；
• 接地度；
• 幻觉率；
• 相关性；
• 安全指标；
• 延迟与成本指标；
• 用户满意度；
• 业务价值指标；
• 回归测试；
• 产品智能；
• 评估到路线图的回路；
• 学习回路；
• 实验驱动开发。

应试者应能产出或评估

• AI 评估计划；
• 指标框架；
• 人工审核评分规则；
• 质量门禁清单；
• 试点学习计划；
• 实验设计；
• 评估看板概念；
• 基于评估结果的迭代建议；
• 反馈到路线图的回路。

不在 AIPM-2 范围内

• 高级统计实验设计；
• 自动化评估系统工程；
• 企业级评估平台所有权；
• 红队项目领导；
• 模型基准测试研究；
• 生产可观测性架构设计。

领域 7：负责任的 AI、安全、安保与产品风险管理

权重：12%

领域目标

本领域验证应试者能否针对真实的 AI 产品场景，识别、评估、缓解并记录产品级 AI 风险，同时支持负责任的产品学习与交付。

学习目标

应试者应能够：

1. 针对既定用例执行产品级 AI 风险识别；
2. 对与用户、决策、数据、安全、隐私、公平性、安保及运营影响相关的基础风险因素进行分类；
3. 界定人工监督、升级、申诉、覆盖与问责机制；
4. 识别 LLM 与智能体相关风险，如提示词注入、敏感信息泄露、不安全的工具使用、过度授权、不安全的输出处理与未授权访问；
5. 视情况界定透明度、披露、局限性沟通与可争议性需求；
6. 与安保、隐私、法务、合规、风险、数据、工程与业务干系人协作；
7. 记录风险决策、缓解措施、假设与发布就绪度关注点；
8. 应用负责任的 AI 原则，而非将治理视为后期合规清单；
9. 界定支持安全迭代的治理检查点，而非阻碍学习；
10. 识别何时新的产品学习、工作流变更或技术变更需要重新风险评审。

关键主题

• 负责任的 AI；
• 产品级 AI 风险评估；
• 风险分类；
• 人工监督；
• 隐私与敏感数据；
• 公平性与影响；
• 透明度与披露；
• 可解释性与可争议性；
• 提示词注入；
• 不安全的工具使用；
• 过度授权；
• 不安全的输出处理；
• 访问控制；
• 可审计性与可追溯性；
• 事件意识；
• 治理评审；
• 负责任的发布就绪度；
• 治理感知的迭代；
• 自适应风险评审。

应试者应能产出或评估

• AI 产品风险评估；
• 负责任的 AI 清单；
• 人工监督设计；
• 透明度与披露计划；
• LLM 应用安全风险清单；
• 产品级缓解计划；
• 发布治理清单；
• 风险评审触发清单。

不在 AIPM-2 范围内

• 详细法律合规分析；
• 特定司法辖区的监管解读；
• 企业 AI 治理项目领导；
• 安全工程；
• 渗透测试；
• 高级威胁建模；
• 正式 AI 审计领导。

领域 8：自适应 AI 产品交付、发布就绪度、采用与价值实现

权重：8%

领域目标

本领域验证应试者能否支持既定 AI 产品项目的自适应交付、发布、监控、采用与价值实现。

学习目标

应试者应能够：

1. 为 AI 产品项目界定 MVP 与试点范围；
2. 区分原型、概念验证、实验、MVP、试点、生产发布、规模化与持续改进；
3. 将迭代式发现与交付实践应用于 AI 产品项目；
4. 利用评估结果、用户反馈、监控信号与风险发现调整产品路线图与待办列表；
5. 认识到为何 AI 产品团队因模型行为、数据质量、用户信任、风险与业务价值的不确定性而需要更短的学习周期；
6. 在交付速度与评估、治理、安全及生产就绪度之间取得平衡；
7. 识别 AI 产品的发布就绪度需求；
8. 界定质量、安全、延迟、成本、使用、反馈与事件的监控需求；
9. 规划基础的采用与赋能活动；
10. 界定发布后的业务价值跟踪；
11. 基于监控、评估、用户反馈与业务成果支持迭代。

关键主题

• 自适应 AI 产品交付；
• AI 原生产品敏捷；
• 迭代式发现；
• 实验驱动产品开发；
• 原型 vs. 概念验证 vs. 实验 vs. MVP vs. 试点 vs. 生产；
• 发布就绪度；
• 上线规划；
• 监控与可观测性需求；
• 事件意识；
• 反馈回路；
• 学习回路；
• 产品待办列表调整；
• 路线图调整；
• AI 质量回归；
• 持续验证；
• 治理感知敏捷；
• 用户采用；
• 赋能；
• 客户成功；
• 价值实现；
• 迭代规划。

应试者应能产出或评估

• MVP 范围；
• 试点计划；
• 实验计划；
• 发布就绪度清单；
• 监控需求；
• 采用计划；
• 反馈回路设计；
• 路线图调整建议；
• 价值实现报告大纲；
• 发布后迭代计划。

不在 AIPM-2 范围内

• 企业级采用策略；
• 完整客户成功运营模式设计；
• 产品组合生命周期管理；
• 组织转型领导力；
• 平台运营模式所有权；
• Scrum Master 或 Agile Coach 实践评估；
• 企业 Agile 转型设计。

贯穿性主题

AIPM-2 包含若干可能横跨多个考试领域的贯穿性主题。

应用型产品判断

应试者必须展示其能在真实 AI 产品场景中做出产品决策，而不仅是回忆定义。

价值优先于技术

AI 产品工作应从用户问题、业务成果、工作流需求与可衡量价值出发，而非从最新模型或工具出发。

AI 原生产品敏捷

AI 原生产品管理需要自适应学习、迭代交付、持续评估与负责任的规模化。

应试者应理解如何利用产品发现、实验、试点、评估、监控、用户反馈与风险发现来改进 AI 产品的价值、质量、安全、信任与就绪度。

在 AIPM-2 中，敏捷作为应用型产品实践来评估，而非作为传统 Agile 框架知识。

人机工作流作为设计的核心单元

应试者必须能够推理人、AI 系统、智能体、数据、工具与企业工作流如何交互。

评估驱动的产品开发

应试者必须理解 AI 产品质量需要系统化评估、质量门禁、回归意识、监控与迭代。

负责任的发布

应试者必须在发布前将负责任的 AI、安全、安保、隐私、人工监督与治理纳入产品决策。

企业语境

应试者必须认识到企业级 AI 产品需要数据就绪度、知识就绪度、访问控制、干系人对齐、运营就绪度与价值衡量。

跨职能协作

应试者必须理解何时应引入工程、AI、数据、设计、安保、隐私、法务、合规、业务、运营、客户成功、交付与治理干系人。

与 APD AI 原生产品经理能力模型的映射

AIPM-2 聚焦于贯穿 APD AI 原生产品经理能力模型的应用型专业实践。

AIPM-2 比 AIPM-1 更深入，因为它要求应试者将概念应用于真实产品场景。它比 AIPM-3 更聚焦，因为它不要求跨组合、平台、组织或企业治理体系的战略领导力。

与 AI 原生组织能力的关系

AIPM-2 与 APD 研究院对 AI 原生组织能力的更宏观视角保持一致。

AI 原生组织所需的远不止个人对 AI 工具的使用。它们需要重新设计的工作流、可问责的运营模式、企业数据与知识基础设施、可信任的治理、员工能力、运营纪律、自适应学习与可衡量的价值创造。

AIPM-2 通过在产品、功能、工作流或既定用例层面应用 AI 原生产品管理实践，为产品专业人士贡献于这种组织能力做好准备。

AIPM-2 应试者应能够支持：

• 基于价值的 AI 用例甄别；
• 任务级与工作流级产品设计；
• 人机协作模式；
• 自适应 AI 产品交付；
• 实验与评估驱动的迭代；
• AI 产品生命周期规划；
• 数据、知识与检索就绪度；
• 评估与产品就绪度；
• 产品级风险管理；
• 试点、发布、监控、采用与价值实现。

建议的通过应试者标准

通过 AIPM-2 的应试者应能展示其能够：

1. 识别并甄别真实的 AI 产品机会；
2. 界定用户问题、业务成果、价值假设与成功指标；
3. 判断 AI 是否适用于既定的产品问题；
4. 为既定场景设计实用的人机工作流；
5. 界定 AI 原生产品需求与体验需求；
6. 评估产品级技术选项与权衡；
7. 界定知识、上下文、数据与检索需求；
8. 设计实用的 AI 评估计划与质量门禁；
9. 利用评估、反馈、监控与风险发现支持产品迭代；
10. 识别产品级风险与负责任的 AI 需求；
11. 界定发布就绪度与监控需求；
12. 支持自适应交付、MVP、试点、发布、反馈、迭代、采用与价值实现；
13. 向跨职能干系人清晰沟通产品决策。

合格的应试者应能在常规组织监督下独立管理既定的 AI 产品领域或用例。

建议备考

备考 AIPM-2 的应试者应侧重于：

1. 研读 APD AI 原生产品经理能力模型；
2. 理解 AIPM-1 基础级概念；
3. 练习 AI 产品机会甄别；
4. 撰写 AI 产品机会简报；
5. 设计人机工作流；
6. 起草 AI 原生产品需求；
7. 界定知识、检索与上下文需求；
8. 制定基础 AI 评估计划；
9. 设计产品学习回路；
10. 识别 AI 产品风险与负责任的发布需求；
11. 分析真实 AI 产品案例；
12. 准备产品产物，如 PRD 节选、工作流图、评估计划、交付计划与风险评估。

应试者应练习将概念应用于真实产品场景，而非记忆术语。

应试者无需通过记忆 Agile 框架细节来备考。AIPM-2 聚焦于自适应 AI 产品交付与评估驱动的产品学习。

建议的 AIPM-2 实践案例作业

以下实践案例作业格式建议用于 AIPM-2。

案例场景

应试者将获得一个真实的 AI 产品场景，例如：

• 客户支持 AI 助手；
• 企业知识 Copilot；
• HR 政策助手；
• 销售赋能 Copilot；
• 用于服务工单分流的 AI 智能体；
• 文档审核助手；
• 开发者支持助手；
• 内部生产力 AI 工具；
• AI 驱动的分析助手。

应试者交付物

可能要求应试者提交选定的产物：

1. AI 产品机会简报；
2. 目标用户与问题陈述；
3. 价值假设与成功指标；
4. 人机工作流图；
5. AI 原生产品需求节选；
6. 知识、数据、上下文与检索需求；
7. AI 评估计划；
8. 学习回路与迭代计划；
9. 人工审核、回退与升级计划；
10. 负责任的 AI 风险评估；
11. 发布就绪度与监控计划。

评估标准

实践案例应依据以下标准评估：

• 问题清晰度；
• AI 适用性；
• 价值假设质量；
• 工作流设计质量；
• 人工监督设计；
• 产品需求清晰度；
• 知识与检索就绪度；
• 评估计划质量；
• 学习回路质量；
• 自适应交付思维；
• 负责任的 AI 与风险意识；
• 发布就绪度；
• 跨职能协作意识；
• 沟通清晰度。

AIPM-2 实践评估应看重稳健的产品判断，而非过量的文档篇幅。

建议的作品集凭证

鼓励 AIPM-2 应试者构建能展示应用型 AI 产品能力的作品集凭证。

建议的作品集产物包括：

• AI 产品机会简报；
• AI 用例甄别；
• 人机工作流设计；
• AI 原生 PRD 节选；
• 提示词与输出需求；
• 知识与检索需求；
• AI 评估计划；
• 人工审核评分规则；
• 负责任的 AI 风险评估；
• 实验或试点计划；
• 学习回路与反馈到路线图计划；
• 试点或发布就绪度清单；
• 价值实现报告。

这些产物可支持招聘、晋升、内部调动或未来的 AIPM-3 备考。

雇主解读

对雇主而言，AIPM-2 表明应试者具备应用型 AI 产品管理能力，能在超越基础认知的真实 AI 产品场景中开展工作。

AIPM-2 表明应试者能够：

• 甄别 AI 产品机会；
• 设计既定的人机工作流；
• 界定 AI 原生需求；
• 与技术及非技术干系人协作；
• 界定评估与发布就绪度需求；
• 应用自适应 AI 产品交付实践；
• 利用学习回路支持迭代；
• 识别产品级 AI 风险；
• 支持 MVP、试点、发布、监控、采用与价值实现。

AIPM-2 应被视为对既定 AI 产品角色而言有意义的专业信号，但仍应结合面试、作品集评审、工作经验与岗位特定评估综合判断。

建议的岗位匹配

与 AIPM-1 和 AIPM-3 的关系

AIPM-1：AI 产品经理·基础

AIPM-1 验证在指导下理解、评估并参与 AI 原生产品工作所需的基础产品判断力。

AIPM-1 聚焦于基础概念、术语、基础场景推理、AI 原生产品敏捷意识、产品就绪度意识与负责任的 AI 意识。

AIPM-2：AI 产品经理·专业级

AIPM-2 验证在真实产品场景中的应用型 AI 产品管理能力。

AIPM-2 聚焦于机会甄别、人机工作流设计、AI 原生需求、产品级技术权衡、评估规划、自适应交付、负责任的发布就绪度、交付、监控、迭代、采用与价值实现。

AIPM-3：AI 产品经理·战略领导力

AIPM-3 验证在复杂 AI 产品环境中的战略领导力。

AIPM-3 聚焦于 AI 产品策略、组合思维、平台策略、运营模式对齐、自适应治理、评估体系、企业采用、价值实现与组织 AI 产品能力建设。

AIPM-2 为应试者备考 AIPM-3 做准备，但并不试图认证 AIPM-3 级别的战略领导力。

样题模式

AIPM-2 试题可能遵循以下模式。

模式 1：应用型场景判断

考查应试者能否将产品判断应用于真实 AI 产品情境。

示例主题：

• 某个 AI 用例是否值得推进；
• 开始开发前应厘清什么；
• 发布前应处理什么风险；
• 哪个指标最能反映产品价值；
• 何时开展实验、试点或发布。

模式 2：人机工作流设计

考查应试者能否推理任务分配、人工审核、升级、智能体边界与工作流学习。

示例主题：

• 何处需要人工审批；
• AI 智能体应或不应采取哪些行动；
• 异常处理应如何运作；
• 问责应归于何处；
• 评估发现后工作流应如何调整。

模式 3：产品产物解读

考查应试者能否评估产品产物。

示例产物：

• AI PRD 节选；
• 工作流图；
• 评估计划；
• 学习回路计划；
• 风险清单；
• 发布就绪度清单；
• 指标看板。

模式 4：技术权衡推理

考查应试者能否做出涉及技术选项的产品级决策。

示例主题：

• 提示词 vs. RAG；
• RAG vs. 微调；
• 工具调用 vs. 工作流自动化；
• 成本 vs. 质量；
• 延迟 vs. 用户体验；
• 自建 vs. 采购；
• 技术回归风险。

模式 5：评估与发布就绪度

考查应试者能否评估 AI 产品是否已就绪进入试点或生产。

示例主题：

• 评估缺口；
• 质量门禁；
• 人工审核评分规则；
• 监控需求；
• 回归风险；
• 试点学习目标；
• 反馈到路线图的回路。

模式 6：负责任的 AI 与产品风险

考查应试者能否识别风险并提出适当的产品级缓解措施。

示例主题：

• 隐私；
• 敏感数据；
• 提示词注入；
• 不安全的工具使用；
• 高风险决策；
• 透明度；
• 人工监督；
• 可审计性；
• 风险评审触发条件。

模式 7：自适应 AI 产品交付

考查应试者能否应用 AI 原生产品敏捷。

示例主题：

• 原型 vs. 概念验证 vs. MVP vs. 试点 vs. 生产；
• 何时迭代、暂停、规模化或重新设计；
• 评估如何改变路线图决策；
• 如何平衡速度与治理；
• 如何根据反馈与监控调整待办列表。

代表性样题

以下示例说明了 AIPM-2 试题的预期风格与难度。它们并非正式考试题目。

样题 1：机会甄别

一家公司希望为客户支持构建生成式 AI 助手。业务目标是降低支持成本，但团队尚未明确该助手应处理哪些客户问题，也未明确如何衡量质量。

产品经理应首先做什么？

A. 选择最先进的语言模型
B. 界定目标支持场景、用户价值、业务成果、风险等级与成功指标
C. 立即要求工程团队构建聊天机器人原型
D. 购买向量数据库并上传所有支持文档

正确答案：B

样题 2：人机工作流

拟由 AI 智能体自动审批客户退款请求。部分退款金额低且属常规事务，另一些则涉及欺诈风险或政策例外。

最佳的产品设计方式是什么？

A. 允许智能体审批所有退款以最大化自动化
B. 完全阻止智能体协助处理退款
C. 让智能体在既定限额内处理常规低风险案例，并将例外升级至人工审核
D. 让用户决定智能体是否应审批每个案例

正确答案：C

样题 3：评估规划

某产品团队称该 AI 助手已准备好发布，因为其在现场演示中表现良好。最强烈的产品管理顾虑是什么？

A. 演示不足以证明在预期与边缘场景下的质量、安全、可靠性或就绪度
B. 演示总能证明模型已可投入生产
C. 应在竞争对手反应之前发布产品
D. 评估主要是工程团队的责任，不影响产品决策

正确答案：A

样题 4：知识与检索

某内部政策助手给出过时答案，因为其检索的是仍存储在知识库中的旧政策文档。

最直接缺失的是哪项产品需求？

A. 更友好的助手语气
B. 更大的模型
C. 知识新鲜度、来源治理与检索质量需求
D. 更长的入门教程

正确答案：C

样题 5：负责任的发布

某 AI 销售助手可访问 CRM 数据、生成邮件并发送给客户。产品经理在发布前应确保什么？

A. 助手使用尽可能有创意的写作风格
B. 助手具备权限边界、对外行动的人工审批、审计日志、隐私控制与评估标准
C. 助手自动发送邮件以最大化生产力
D. 助手忽略 CRM 权限，因为用户已有访问权

正确答案：B

样题 6：自适应交付

某团队完成了 AI 知识助手的成功原型。早期用户认可该概念，但评估显示在政策问题上接地度较弱，且知识库更新时答案不一致。

产品经理接下来应做什么？

A. 因用户喜欢原型而立即发布
B. 在扩大试点前，通过改进知识治理、评估标准、质量门禁与迭代优先级来重新设计学习回路
C. 用更大的工程团队替换产品团队
D. 取消评估以加快交付

正确答案：B

应试者备考指南

应试者应通过练习真实 AI 产品场景并产出产品产物来备考。

建议的备考活动包括：

• 研读 APD AI 原生产品经理能力模型；
• 必要时复习 AIPM-1 基础；
• 分析 AI 产品案例；
• 练习撰写机会简报；
• 练习设计人机工作流；
• 练习撰写 AI 原生产品需求；
• 练习界定知识与检索需求；
• 练习制定 AI 评估计划；
• 练习设计自适应交付与学习回路；
• 练习产品级风险评估；
• 练习发布就绪度分析；
• 复习负责任的 AI 与 LLM 应用安全风险；
• 为未来职业发展准备作品集产物。

应试者应避免只侧重于术语记忆。AIPM-2 要求应用型产品判断。

公开认证声明

以下声明可用于 APD 研究院认证页面：

AIPM-2：AI 产品经理·专业级验证在真实产品场景中的应用型 AI 产品管理能力。它面向需要识别并甄别 AI 产品机会、设计人机工作流、界定 AI 原生产品需求、与技术及业务干系人协作、制定评估计划、应用自适应 AI 产品交付实践、评估产品级 AI 风险，并支持负责任的发布、监控、迭代、采用与价值实现的产品专业人士。

AIPM-2 是 APD 认证 AI 产品经理路径中的专业实践级，并为 AIPM-3：AI 产品经理·战略领导力奠定基础。

认证说明

AIPM-2：AI 产品经理·专业级是由 APD 研究院颁发的专业认证。它基于 APD AI 原生产品经理能力模型。

本认证不代表政府许可或正式认可的国际标准。APD 研究院可能随时间更新认证结构、考试蓝图、有效期规则、评估政策、实践作业要求与考试内容。

总结

AIPM-2 旨在验证 AI 产品管理的应用型专业就绪度。

它验证应试者能够将 AI 原生产品管理实践应用于真实 AI 产品场景，包括机会甄别、人机工作流设计、AI 原生产品需求、技术权衡推理、企业知识与检索需求、AI 评估规划、自适应 AI 产品交付、负责任的 AI 风险管理、发布就绪度、采用、迭代与价值实现。

AIPM-2 是 APD 认证 AI 产品经理路径的专业实践级。