最近读到 Anthropic 的一份内部研究，我有种强烈的“共谋感”。

他们观察了自己 132 名工程师和研究人员的工作方式，做了 53 场深度访谈，分析了 20 万条 Claude Code 的使用记录，结论很直白：AI 让大家更“能干”了，也让工作边界更模糊了。

作为一名产品经理，我每天的工作就是在不断“把自己从具体任务中剔除”。

不再亲自写每一段说明文档、不再手动搭每一个低保真原型，而是把这些交给 AI 和团队的自动化流水线。

听起来像是在努力让自己失业，但我更愿意把它定义为“把人的价值上移”。把交付外包给机器，把判断保留给人。

这篇文章，我想结合报告要点和我的实战体会，聊聊三个问题：

• AI 为什么让产出“变多”而不是单纯“更快”？
• 技能在提升的同时为什么也在退化？我们要做哪些“防退化”设计？
• 团队协作与角色边界如何重构，产品经理要如何重新定义自己的核心价值？

AI 的真实增益

报告里有几个数字非常抓人：

• 一年内 AI 使用率从 28% 涨到 59%，自评生产力提升从 20% 到 50%。
• 时间略降，但产出大幅增。这意味着 AI 的价值不只是提速，更是让我们做“更多种类的事”。
• 27% 的 AI 辅助任务是过去不会去做的“papercut fixes”（纸割伤修复）：小文档、小测试、小重构、小优化。

作为产品经理，我能感受到这些“纸割伤”修复的复利效应——

• 无主文档、零散验收标准、埋点不统一、空状态不友好、错误信息不一致，这些都不复杂但总被拖延。
• 以往它们投入产出比低，很容易被搁置。AI 把处理成本降了一个量级，于是长年积累的“细小摩擦”逐渐被消灭。
• 结果是流程更顺滑、问题更可见、协作更省力，团队的“系统健康度”大幅提升。

更重要的是，AI 正在把“能力边界”往外推。后端工程师借助 AI 搭出像样的前端界面，安全团队用 AI分析陌生代码库，研究团队用 AI 做数据可视化。每个人都更“全栈”，反馈循环因此显著变快——

• 从“跨团队排期若干周”到“几个小时共创会，当场生成、当场调整”，这不仅是效率提升，更是认知同步的提速。
• 学习门槛降低了：先做出能跑的东西，在迭代中补知识，先结果、后原理的路径正在成为常态。

技能退化的悖论

报告同样诚实地揭示了风险：底层技能在退化。AI 能把你快速带到答案，但绕路的“无用功”也是理解系统的必要路径。

这个悖论在产品领域也成立。示例：

• AI 能帮你生成漂亮的 PRD 大纲，但业务上下文、博弈约束、长期架构取舍，仍需要脑子里那根“系统思维的主线”。
• 你得先懂什么是好问题陈述，才能判断 AI 的输出是否靠谱；如果总把判断外包，监督能力会逐步萎缩。

我在团队里做了几件“防退化”设计：

刻意保留 10% 的“手工路径”：每个迭代挑选一两个任务，不用 AI，从零到一纯手动推进，保持对系统和细节的触感。

双轨产出：关键文档由 AI 生成初稿，负责人必须“独立重构一次”，写出不看 AI 的版本，确保结构与逻辑来自人脑。

红队轮值：设置“AI 反事实检查”角色，专门找 AI 输出的稀奇错误与潜在偏见，训练团队的质疑能力。

阅读日：每周固定时间，把注意力从产出转向理解，阅读 RFC、复盘架构决策、重走一次“慢路径”。

这些看似“低效”的安排，是我们对“学习不可外包”的承诺。Martin Fowler 的提醒很贴切：原型可以 vibe coding，但长期维护的东西，你必须真的懂它如何运作。

把任务交给 AI，把判断留给人

受访者总结了委托给 AI 的适配条件，这些和我的经验高度一致。归纳成一个简易指南：

适合交给 AI 的任务：容易验证、边界清晰且相对独立、质量要求适中、重复枯燥、用 prompt 描述比亲自动手更快。

不适合交给 AI 的任务：高层战略思考、充满组织语境与人际关系的决策、需要品味与审美的设计、描述成本高于执行的复杂任务。

信任是渐进的。我给团队建了一个“信任阶梯”：

Level 1：从可验证的小任务开始（脚手架、文案润色、日志分析）。

Level 2：把复用性强的模块交给 AI，建立自动化验证（测试、lint、规则引擎）。

Level 3：在明确约束下委托更复杂的设计与实现，保留关键审查点。

Level 4：对低风险任务允许“完全委托”，比例控制在 0–20%，并设定逃逸机制（异常即回滚到人工审查）。

一句话心法：把 AI 当成一个“很强但不太靠谱的实习生”。它的产出能帮你省大量时间，但进入主分支前必须有人类的合规与质量闸口。

工作流重构

报告显示，AI 能连续完成的动作从每 10 步要人介入一次，进化到每 21 步才需要人介入；任务也从修 Python 导入错误，升级到实现与优化缓存系统。这意味着：人类的价值在从“写指令”上移到“设边界、立规则、验质量”。

我把团队的工作流从“文档驱动”改成了“约束驱动”：

先验收，后实现：先定义可执行的验收测试和约束，再让 AI 与工程协作去实现，结果一键验证。

短会+共创：集中 2–3 小时，产品、设计、工程围绕 AI 一起生成方案与原型，现场迭代，减少跨周协调。

自动化闸口：PR 必须通过静态检查、风险规则和合同比对；高风险改动双人审查。

这套方法学，让 PM 从“写更多 PRD”转向“设计更好的验收与边界”。我现在写的不是更长的说明，而是更清晰的限制条件、测试样例、失败场景与回滚策略。

协作的情感经济

另一个微妙的变化是人与人的连接。报告里有人提到：现在 80–90% 的问题先问 AI，只有搞不定的再找同事。效率确实提高了，但师徒关系、临场指导与团队情感也在淡化。

我不希望团队只剩“冷冰冰的高效”。于是做了几件事：

导师办公时段：把时间从“解答具体问题”转为“讲判断方法”，讲如何做权衡、如何设计边界。

结对复盘：重要节点做“人-人复盘”，刻意讨论 AI 输出背后的人类判断，沉淀团队的共同语言。

知识可见化：用 AI 把隐性知识转成可搜索的“判断卡片”，但最终由人来签名背书。

技术不是只有效率维度，它也在重塑关系。当我们不再“必须”彼此时，还愿不愿选择彼此，决定了团队的温度与韧性。

职业的下一层

受访者对未来的看法不一，但共识很清晰：不必押注某个单点技能，适应力才是核心竞争力。

产品经理的工作会发生什么变化？我的判断：

价值上移：从写需求到写约束，从做方案到定原则，从交付项目到治理系统。

人机分工：把“可验证的任务”更大胆地交给 AI，把“不可替代的判断”牢牢握在手里。

护城河迁移：领域知识、组织语境、审美与品味、伦理与责任，会成为更稀缺的资产。

如果说“努力让自己失业”，它的真实含义是：不断把自己从今天的具体工作中抽象出去，去承担更高一层的责任与价值。

给产品经理的三条生存法则

法则一：任务外包，判断自留。把可验证、边界清晰的任务交给 AI；把背景复杂、取舍纠结、关系深重的判断留给自己和团队。

法则二：刻意练习“慢路径”。保留无用功的练习时间，建立双轨产出与红队机制，用结构化的反思抵御技能退化。

法则三：重构为“约束驱动”组织。用验收、规则、回滚与责任设计，替代冗长说明；用短会与共创替代跨周协调，让反馈回路更紧凑。

结语

Anthropic 的报告提醒我们：AI 的增益是真实且迅猛的，它让我们做更多、做更广，也让某些技能与连接面临萎缩。

作为产品经理，我不再把自己看成“需求流水线的调度者”，而是把自己定义为“问题的框架设计者、判断的质量守门人、团队学习的系统教练”。

把具体任务交给机器，把腾出来的时间投向复利：理解、取舍、原则、边界、责任。这样“让自己失业”，才是我们在 AI 时代真正的职业安全感。