先给结论：AI 项目管理与传统项目管理最大的差异在于——AI 项目的产出具有概率性。需要在计划中内建「数据—模型—效果」的迭代循环，而不能按确定性交付物做线性排期。
这不是方法论偏好问题。用错了框架，项目会在一个很具体的地方翻车：排期表上写着「模型开发：3 周」，但没有人能保证 3 周后效果达标。
传统项目管理的隐含假设
传统项目管理的方法体系非常成熟，但它有一个隐含前提：只要把事情拆够细、资源给够、执行到位，产出就是确定的。
盖一栋楼、开发一个功能明确的系统、组织一场活动——这些场景下前提成立。所以工作分解、关键路径、挣值管理这些工具才有效。
AI 项目里这个前提不成立。同样的数据、同样的团队、同样的时间，做出来的效果可能达标，也可能不达标。效果不是「做到位就有」的，而是试出来的。
这一条差异，会连锁影响到排期、验收、汇报和风险管理的每一环。
CPMAI 六阶段：以数据为中心的循环
CPMAI 是面向 AI 与数据项目的一套公开方法论知识域，核心思路是以数据为中心、分阶段迭代推进。六个阶段大致如下：
| 阶段 | 核心问题 | 主要动作 | 出口判据 |
|---|---|---|---|
| 一、业务理解 | 要解决什么业务问题？ | 定义业务目标、成功指标、约束条件 | 有可量化的成功标准 |
| 二、数据理解 | 我们有什么数据？够不够？ | 盘点数据源、评估质量与覆盖度 | 明确数据缺口 |
| 三、数据准备 | 数据能用吗？ | 清洗、标注、口径统一、构建数据管道 | 数据可稳定供给 |
| 四、建模 | 用什么方法实现？ | 方案选型、开发调优、内部验证 | 达到预设效果阈值 |
| 五、评估 | 业务上真的有用吗？ | 业务场景验证、成本效益核算 | 业务方确认可用 |
| 六、运营 | 能持续跑吗？ | 上线部署、效果监控、迭代维护 | 有运维责任人与监控机制 |
关键不在于记住这六个名字，而在于理解三件事：
第一，前三个阶段占了大头。 业务理解、数据理解、数据准备，在实际项目中往往消耗大部分时间。很多团队直觉上认为建模是核心，把主要精力放在第四阶段，结果卡在数据上。
第二，它是循环不是直线。 任何一个阶段都可能退回前面。评估阶段发现业务上不好用，可能要退回业务理解重新定义问题；建模效果不达标，可能要退回数据准备补充数据。这种回退是正常的，不是管理失误。
第三，第六阶段不是终点。 模型上线后效果会随数据分布变化而衰减，需要持续监控和迭代。传统项目交付即结束，AI 项目交付才是运营的开始。
四个关键差异
差异一：确定性 vs 概率性
- 传统项目：交付物是确定的，做完就是做完。
- AI 项目：效果是概率性的，需要设定阈值和观察期。
管理动作的调整：排期时不要写「模型开发 3 周」，而要写「3 周内完成两轮迭代，评估是否达到阈值 X，未达标则触发方案评审」。把不确定性写进计划，而不是假装它不存在。
差异二：线性推进 vs 迭代循环
- 传统项目：阶段之间尽量避免回退，回退意味着返工。
- AI 项目：回退是内建机制，要预留回退预算。
管理动作的调整：预算和排期要为至少两到三轮迭代留出空间。只按一次成功编排的计划，第一轮效果不达标时就没有余地了。
差异三：交付物验收 vs 效果验收
- 传统项目：验收看交付物是否符合规格。
- AI 项目：验收看在真实业务场景中是否可用。
管理动作的调整：成功标准必须在第一阶段就定义清楚，包括指标、达标线、取数口径、观察期。这四项缺一项，结项时就会产生分歧。
差异四：失败成本的形态不同
- 传统项目：失败通常表现为延期或超支，成果部分可用。
- AI 项目：可能出现「投入全部完成但效果不达标」的情况。
管理动作的调整：设置阶段性的中止判据。比如在数据准备阶段结束后就评估一次可行性，如果数据缺口无法在合理成本内补齐，及早中止比硬推下去损失小。允许项目「体面地失败」，是 AI 项目治理的一部分。
项目经理需要补什么
结合上面的差异，转向 AI 项目管理的常见补齐方向有三块：
- 数据基础素养——不需要会建模，但要能判断数据质量问题、理解口径差异的影响、看懂基本的效果指标。
- 迭代式管理方法——能设计带回退机制的计划，能向管理层解释「为什么这次没达标不等于项目失败」。
- 人机协作流程设计——明确哪些环节由 AI 完成、哪些由人复核、出错了责任怎么算。这是让 AI 应用真正被用起来的关键设计。
关于岗位本身的变化，可以说得实在一点：目前更常见的形态是 AI 承担信息汇总、文档生成、进度提醒、风险信号扫描等重复性工作，而目标取舍、干系人协调与责任承担仍由人负责。变化的是工作内容构成，不是岗位消失。
学习顺序的建议
如果你还没有系统的项目管理基础，建议先补基础框架，再进入 AI 项目管理。原因是 CPMAI 所讨论的很多内容，是在传统项目管理框架上的调整和扩展——没有底子，容易只记住方法论名词，而无法映射到实际动作。
比较顺的路径是：先建立项目管理的整体地图（可参考 CAPM 覆盖的知识域范围），再进入 AI 项目管理的方法与实践，最后在真实的 AI 项目中完成迁移。这也是双轨设计的基本考虑——两个知识域各自解决一部分问题，组合起来才覆盖完整。