不会用 AI 的产品经理，正在被会用 AI 的实习生取代——这不是危言耸听

关注

原创最新推荐文章于 2026-11-06 10:20:32 发布 347 阅读 AI 写同款· GEO 优化 ›

深入解析YT8521S千兆以太网PHY芯片的设计与调试要点本文深入解析了YT8521S千兆以太网PHY芯片的设计与调试要点。重点剖析了硬件设计中的电源方案、RGMII接口电平配置（尤其是1.8V电平方案）以及PCB布局布线等关键细节，并提供了从硬件检查、驱动配置到性能测试的完整调试流程，帮助工程师规避常见陷阱，实现稳定可靠的千兆网络连接。阅读详情

写在前面：我做了七年多的工程和量化，一半时间在写策略和基础设施，一半时间在跟产品、研究员吵架。这篇不是职业规划鸡汤，是我把 2026 年上半年能拿到的公开数据摊在桌上，加上自己团队里真实发生的事，做的一次复盘。结论可能和标题不完全一致——这也是我愿意写它的原因。

一、先说那件让我改主意的事

今年三月，我们组来了个暑期实习生，研二，非科班，产品方向。

第一周给他的活是”把过去两年的用户反馈工单归归类，看看哪些是策略层面的问题”。这个活我心里估的是两周：几万条工单，人肉抽样打标，出个分布，再挑几十条典型的写进文档。

他第三天下午发给我一个链接。不是文档，是一个跑起来的页面：工单按语义聚成 19 类，每类可以点开看代表样本，右边挂着一个”这条分类对不对”的按钮，他自己标了 300 条做验证集，标注一致率写在页脚。底下还有一句话：”第 7 类和第 12 类我认为模型分错了，理由如下。”

我问他花了多久。他说，两天，主要时间花在写评测集和调分类标准上，代码是 AI 写的，他”看不太懂但能测出来对不对”。

那一刻我意识到的不是”AI 好强”，而是：这个活里我原本以为最值钱的部分（判断力、分类体系、验证），他一分没省；我以为最花时间的部分（执行），几乎归零了。 一个没有任何工程背景的实习生，交付了一个我按老办法要排两周的东西。

同一周，组里一位工作六年的产品同事交上来一份 PRD。写得很规范，逻辑清楚，附了竞品截图。也很好——只是它和三年前那份，除了内容，形态上没有任何区别。

这两件事放在一起，就是这篇文章想讲的全部。

本文以claude为例，考虑到国内订阅claude确实有点困难，可以参考一下这里：claudemax.shop

二、但标题是有问题的，我得先自己拆一次

“实习生取代产品经理”这个说法，作为标题很好用，作为判断很粗糙。因为数据显示，最先被挤出去的恰恰是实习生和应届生。

脉脉高聘 2026 年 1—2 月的人才流动数据里有一个很刺眼的结构：新发岗位中，要求 3 年以上工作经验的占比超过七成，3—5 年经验段的岗位量同比增长约 19%，而面向 1 年以内经验者的岗位缩减了约 20%。报告给这个现象起的名字叫”去初级化”。

同样的形状在美国数据里更清楚。斯坦福数字经济实验室基于 ADP 薪酬数据做的 “Canaries in the Coal Mine?“，去年 8 月第一次发布时，22—25 岁人群在高 AI 暴露职业中的相对就业缺口是 15%；2026 年 6 月口径的修订版，这个数字扩大到了 19%。研究团队强调，这个缺口主要不是靠裁员实现的，而是靠不招人——企业没有辞退谁，只是不再开那个入门岗。

更值得琢磨的是他们给出的机制解释：就业下滑集中在依赖”编码化知识”（codified knowledge，能写进教材、SOP、文档里的那种）的岗位；而依赖”默会知识”（tacit knowledge，只能靠反复实践和带教长出来的那种）的岗位，资深从业者的就业反而在涨。

所以准确的说法应该是：

取代你的不是”实习生”这个人，而是”一个具备判断力的人 + 一堆能干活的 Agent”这个新的成本结构。
实习生只是这个结构目前最便宜的宿主。

一个会用 AI 的实习生之所以危险，不是因为他年轻，而是因为他身上没有旧工作流的沉没成本。他没学过 Axure，所以不会舍不得画原型；他没经历过”需求评审要过三轮”的时代，所以不会觉得两天出一个可点击的验证版本是越界。

而如果你恰好是那个已经在这套旧流程里做得很熟练的人——你的熟练本身，正在变成负债。

三、招聘市场已经开始给这件事标价

如果说上面还是趋势判断，那么下面这组数字是已经发生的事实。

猎聘《2026 节后开工首周人才供需趋势洞察报告》：2026 年开工第一周，企业招聘中明确要求会使用 AI 工具的岗位同比增长 215.61%，这类职位的平均年薪 27.34 万元，整体高于不要求 AI 能力的职位。同期，简历中标注”会使用 AI 工具”的求职者同比增长 139.67%——需求侧的增速是供给侧的 1.5 倍还多，而且报告特别提到，这类人才最集中的岗位就是产品经理。

脉脉那边给的是存量口径：2026 年 1—2 月，34.39% 的新发岗位明确要求具备 AI 能力。

三分之一。这个数字的含义是，AI 能力已经过了”加分项”阶段，正在变成”门槛项”。用量化的话讲，它正在从 alpha 变成 beta：早期少数人用它拿超额收益，现在它是你入场必须先付的仓位成本。 前两年靠”会写提示词”在公司里刷存在感的那批人，红利已经吃完了；接下来不会用的人开始被扣分，这是同一件事的两个阶段。

四、为什么偏偏是产品经理站在风口正中间

我见过太多”某某职业危险了”的文章，大多经不起推敲。但产品经理这个岗位的处境确实特殊，原因是结构性的：产品经理的工作里，可被编码化的部分占比太高了。

把一个 PM 的一周拆开看，大致是这么几块：

工作内容	被 AI 压缩的程度	说明
用户访谈/工单的综合归纳	高	三周的活压到三天，且质量常常更稳定
竞品与市场监测	高	从季度性动作变成持续性输入
PRD、需求文档、状态同步	高	一类结构极其稳定的文本，模型天然擅长
原型与可点击 demo	高	门槛几乎归零，这是变化最剧烈的一块
数据取数、看板、A/B 分析	中	取数和跑数被吃掉，指标定义没有
目标取舍、优先级、说服人	低	需要承担责任，而 AI 不能承担责任
判断”什么问题值得做”	低	这是默会知识，也是唯一真正的护城河

前四行，是过去十年产品经理”专业性”的主要外在表现形式。它们现在正在批量贬值。

Atlassian 的《State of Product 2026》给出的数字是，多数产品团队每天用 AI 省下约两小时，其中最主要的用途正是自动化例行事务和产品文档。省下的两小时不会凭空消失，它会变成组织对你的新期待。

与此同时，团队结构本身在变。传统上一个 PM 配 6—8 个工程师，这个比例的前提是”工程产能是瓶颈”。当工程产能被 AI 显著放大后，瓶颈往上游移动了——变成了”到底该做什么”和”做出来的这一堆东西对不对”。吴恩达提过一个相当激进的说法：这个比例可能会从 1 : 4 翻转到 2 : 1。LinkedIn 的 CPO Tomer Cohen 在 Lenny’s Podcast 上讲，他们已经把 APM（助理产品经理）项目整个换成了一个叫 “Product Builder” 的通道，训练能横跨产品、设计、工程的通才。Linear 这样的公司在 2026 年整个公司只有两个 PM。

这两个方向看起来矛盾（一个说 PM 要变多，一个说 PM 要变少），但其实指向同一件事：PM 这个岗位正在分裂。 一端是能自己把想法做出来的 builder，另一端是负责判断、取舍、担责的 governor。夹在中间那个”把业务的话翻译成工程的话、把工程的话翻译回业务的话”的传话人角色，正在被挤没。

如果你现在的核心价值是”我知道这个需求该找谁、流程该怎么走”，那么坦白讲，你的岗位正在被两个方向同时侵蚀。

五、从量化的视角看，这件事一点也不新鲜

我在量化这行待久了，对”工具普及导致能力贬值”这件事有点条件反射式的熟悉。

十五年前，能自己搭一套回测框架、把 tick 数据清干净、把撮合模拟写对，本身就是很硬的门槛，这一条就能让你拿到 offer。今天呢？开源框架一大把，数据商把清洗好的数据卖给你，云上点几下就有算力。执行能力的门槛塌了，于是所有人的注意力被迫往上游移动：你的假设是什么？你怎么知道它不是过拟合？样本外为什么会失效？

回测框架之于量化研究员，就是今天的 AI 之于产品经理。

而这行还有一个更疼的教训：当执行成本趋近于零，最稀缺的能力立刻变成”分辨真假”。 一个能一天跑一万次回测的研究员，如果没有严格的样本外纪律，他产出的不是一万个策略，是一万个陷阱。我见过太多因为”跑得太快”而亏钱的团队，从没见过因为”跑得太慢”而亏钱的。

今天的 AI 产品工作完全同构。当一个人能在两天里生成五个可点击的原型，真正的风险不是”做得太慢”，而是五个都做出来了，但没有一个是该做的；或者更糟——你已经分不清哪个是该做的了。

Anthropic 的 Economic Index 系列报告持续追踪一个我认为特别重要的指标：人和模型的交互，多大比例是”增强”（人在回路里，反复迭代、评审、纠偏），多大比例是”自动化”（直接下指令、拿结果，几乎不往返）。在消费端，增强始终是主流，2026 年 2 月的样本里增强仍略占上风。

但同一份报告里还有两个数字必须一起看：

企业 API 侧的流量，自动化占比高达 75% 左右——也就是说，任务一旦跑通、被沉淀成流程，就会从”人机协作”迁移到”无人值守”。
大约 49% 的职业，已经有至少四分之一的任务被人用 Claude 做过。

把这两条连起来读，路径就很清楚了：先是你用 AI 干活（增强），然后你干的这个活被摸清楚了、被写成流程了，它就搬到 API 上去自动跑了（自动化）。

所以”AI 只是副驾，不会取代人”这句话，短期是对的，长期是一种自我安慰。真正决定你安不安全的，不是 AI 现在能不能做你的活，而是你的活能不能被写清楚。能写清楚的，早晚会被搬走；写不清楚的（也就是默会知识），才是你的位置。

六、”会用 AI”到底是什么意思——不是你以为的那个意思

回到开头那个实习生。他真正强的地方，一件都不是”提示词技巧”。我后来复盘，是这三件：

第一，他把需求写成了可验证的规格，而不是描述性的文档。

传统 PRD 是写给人看的：背景、目标、用户故事、交互说明。它假设读它的人会脑补、会追问、会在评审会上把歧义磨掉。而 AI 不会追问，它会自信地把你的歧义具象化成一个错误的实现。所以在 AI 工作流里，一份”好需求”的标准变了：它必须包含验收条件、边界情况、以及明确的”不做什么”。 说白了，PRD 正在从散文变成契约。这件事对工程师来说不新鲜——我们管它叫接口定义。

第二，他先建评测，再让 AI 干活。

那 300 条人工标注的验证集，是整件事的地基。没有它，那 19 个分类就只是一个看起来很漂亮、但没人敢用的结果。在一个生成成本趋近于零的世界里，唯一还稀缺的是”判定对错的能力”。 建评测集这个动作，本质上就是把你的判断力固化成一把可复用的尺子。

这恰恰是量化研究员的基本功：先定义什么叫赢，再去找赢的方法。顺序反了，你就是在给自己造陷阱。

第三，他敢交付半成品，并且明确标注了哪里不可信。

“第 7 类和第 12 类我认为模型分错了，理由如下”——这一句话的价值，超过前面所有的自动化。它意味着他没有把 AI 的输出当成结论，而是当成需要审查的证据。AI 时代最危险的从业者，不是不用 AI 的，是用了 AI 但对输出不设防的那个。 前者慢，后者会引爆事故。

对照着看，很多”我也在用 AI”的产品经理，实际用法是：让 AI 润色 PRD、让 AI 总结会议纪要、让 AI 生成几句竞品分析。这些当然有用，但它们只是把旧流程做得快了一点。用 AI 加速一个本来就不该存在的流程，是这一轮效率革命里最普遍的浪费。

七、那么具体该做什么

我不喜欢结尾给一堆正确的废话，所以按处境分开说，每一条都能在两周内开始。

如果你入行 0—3 年（最危险的位置，图 2 和图 3 说的就是你）

别再把”熟悉 Axure / 会写 PRD”当技能写在简历上，那栏现在等于零分。
强制自己每个需求都做一版能点的东西再去评审。工具无所谓，Claude Code、Cursor、各家的 AI 原型工具都行，重点是让”想法—可运行”这条链路在你手上闭环。
补两样东西：SQL 和基本的评测思维。前者让你不用求人取数，后者让你敢对 AI 的输出说”不对”。
主动去抢那些”没人说得清楚该怎么做”的活。数据摆得很清楚：能写清楚的任务正在被自动化，你的职业保险单在写不清楚的地方。

如果你入行 3—8 年（表面最安全，实际温水）

诚实回答一个问题：你上周的产出里，有多大比例是”信息搬运”？如果超过一半，那不是忙，那是暴露。
把你最擅长的那套判断——为什么这个需求该砍、为什么这个指标是虚的——试着写成一份能交给 AI 执行的规格。写得出来说明你真的懂；写不出来，说明你以为的经验其实是习惯。
你的默会知识是最值钱的资产，但前提是它能被复用。带教、写决策记录、做复盘模板，这些”看起来不产出”的事，在 AI 时代的相对价值反而在涨。

如果你带团队