AI浪潮下，产品经理的进化之路

最近和几位做产品的朋友聊 AI，聊到最后都会落到同一个观点上。

但 PM 这个岗位会不会消失，不取决于"PM"这个名称本身，而取决于 PM 实际承担的工作——AI 取代的是某些具体任务，而不是 PM 这个职业。

这篇文章不谈"AI 取代 PM"，只谈"PM 在 AI 时代如何进化"。

PM 的工作看似种类繁多，拆解开来其实就两种：

清华互联网产品研究协会联合特工宇宙 2025 年发布的《AI 重塑产品经理工作流》白皮书给出了一组对比数据：

仅 32% PM 认为 AI 显著提升效率，超 21% 表示 AI 帮助有限，3% 认为 AI 几乎没什么用；但仅 13% PM 担心自己被 AI 取代——因为 PM 日常的"收集信息、沟通协调、讨论决策"占据了大部分时间，软性能力是 AI 短期内无法取代的。

两组数据放在一起看，矛盾就自然消解了：AI 取代的是执行类工作，PM 真正投入时间的判断类工作，AI 暂时还触及不到。

但这里有一个反向警示：并非所有"判断"都高枕无忧——用户行为预测、市场趋势建模、竞品功能拆解这类本质上是"计算 + 模式识别"的判断，AI 比你强得多。真正稳固的护城河，是在信息不完备条件下做取舍——AI 算不清这种"算不清的事"。

硅谷知名产品经理 Lenny Rachitsky 等人开展的盲测实验也表明：在知识与背景输入充足的前提下，AI 在硬技能（分析、调研、计算）层面已经能与人类平分秋色。问题在于——PM 真正耗费心力的事，"该不该做""做的话如何做""做错了谁负责"，并不在这个实验范围内。

吴恩达多次提出"产品管理瓶颈"的论断：随着代码实现速度提升 10 倍甚至 100 倍，制约团队效率的不再只是工程实现，而是"到底该做什么"。需求定义、用户反馈、优先级判断、产品边界——这些都成了新的瓶颈。

PM 的"执行护城河"消失了。PM 的"判断护城河"依然存在——但前提是，你的判断是"在不确定下做取舍"，而不是"在数据中找答案"。

1-3 年的 PM，AI 取代程度确实很高。

一位 Top 大厂 AI PM 常思行，把每个工作环节都丢给 AI 跑了一遍，结论相当扎心：

一个经过良好 prompt 调教的 AI，在执行层任务上的表现，已经超越了一个入职 3 个月的初级 PM。不是接近，是超越。

他自己时间分配的变化很能说明问题：**写文档 40% → 15%**，多出来的 25% 全部用于验证 AI 输出和做更深层的决策。哈佛商学院 + INSEAD 的最新研究也佐证了这一点：基于 6200 万份简历和 2 亿条招聘数据，2023 年以来采用 AI 的企业初级岗位招聘每季度下降约 **80%**。

但阶段 1 的 PM 并非"毫无价值"。有 5 件事，AI 取代不了——而且这 5 件事，恰好是 PM 成长路径上的"入门修炼"：

另外还有一个案例：某职场社交产品，AI 分析结论是"用户对人脉拓展功能兴趣不高"。但 PM 深入沟通后发现：用户怕主动加好友被当成"打广告的"，感到尴尬。做了"匿名点赞职场动态"小功能后，人脉互动率直接翻了 3 倍。

AI 能分析 100 万条用户评论，但它读不懂用户说"这个 APP 好难用"背后，是深夜抢票时的焦虑，还是支付失败后的愤怒。

这一阶段的判断是典型的"AI 取代不了"地带——但容易被低估。

阶段 1 的 PM 价值有限，但成长空间巨大——重点不是"我被不被取代"，而是"我能不能从纯执行跃迁"。

这一阶段的核心问题："我能不能从'翻译'走向'判断'？"

阶段 2 是 PM 价值开始凸显的阶段。判断类工作从"参与"跃迁到"主导"，AI 取代程度中等。

另一个真实案例：运营提"会员专属客服"功能，2 周可上线，AI 也支持。但 PM 算了一笔账——付费会员仅 5%、专属客服每月成本 +2 万、复购提升只 +1%；对比之下，80% 用户吐槽"搜半天找不到想要的"，把资源投到搜索优化 ROI 远高。最后放弃会员客服，**全平台转化率提升 8%**。

这个案例里有三层判断：

AI 列方案、给数据没问题；但选哪个、如何落地、谁去推动——必须 PM 来做。

在调度系统上的经历是另一个典型。AI 列出十几种调度方式的优缺点——按距离分配、按电量分配、按混合权重分配——AI 列得明明白白。但真正难的并非选哪种算法，而是：

这些判断，AI 给的方案只能作为参考。拍板的是 PM——因为每个选择背后都关联着客户体验、团队节奏、商业回报。

这一阶段的另一个特点是商业判断也开始被 AI 部分颠覆——动态定价、ROI 自动化、营销优化这些原本由 PM 主导的"判断"，现在 AI 模型能给出更精准的答案。所以阶段 2 的 PM 必须从"参与"跃迁到"主导"——能解释"为什么这个 ROI 模型不适用于我们场景"、能担责"换模型后的客户流失"。

阶段 2 关键进化：**从"事后复盘"跃迁到"事前预判"**——执行带来的判断是做完反思，思考带来的判断是提前预判几种可能性、备好应对方案。

这一阶段的核心问题："我的判断，是从'执行'中来的，还是从'思考'中来的？"

还有 4 个共同方向：**从"参与设计"到"主导设计"、从"功能判断"到"商业判断"、从"单点判断"到"全局判断"**——关注商业、跳出功能看战略、建立行业视野、主动参与决策。

阶段 3 是 PM 价值最高的阶段。AI 取代程度低——AI 提供数据和分析，但战略判断 AI 取代不了。

一位 10 年经验的 PM 总结过"4 条道"：

这 4 条道的共同点：全部是判断，且全部是 AI 做不了——价值判断涉及"为谁"，问题判断需要现场访谈，约束判断是博弈和共识，演化判断要敢于说"这个功能我们不做"。

这里提到一个让人警醒的困局：

PRD 写得飞快，原型画得顺畅，但面对"为什么要做这个"的灵魂拷问时，却往往只能搬出"老板要的"或"竞品有的"。

这就是 5-10 年 PM 的典型瓶颈——**"高水平执行"的瓶颈**：

你只带走了"动作"，没带走"判断"。

在复杂 B 端/G 端项目里，这种困局更突出。无人车履约场景中常见的情况是：客户工厂的产线临时变更、车队调度规则与系统默认逻辑冲突、客户高层换了对接人——这些"不在原 PRD 范围内"的事，AI 没法替你拍板。你只能靠"约束之道"和"演化之道"走出来。

在《AI 时代，产品经理的生死局》一文里提过一个观点：阶段 3 的 PM 应该成为"人机协作的指挥家"。AI 是永不疲倦的"团队成员"，PM 的任务不是事必躬亲，而是清晰给它指令、评估它的产出、纠正它的错误——成为一名出色的"教练"和"指挥家"。

这一阶段的核心问题："我的判断，是'会判断'还是'敢判断'？"

会判断：你知道怎么分析、怎么列举、怎么权衡。 敢判断：你愿意承担判断的后果——包括做错的代价、被反对的压力、长期主义的孤独。

阶段 3 的 PM 必须从"会判断"跃迁到"敢判断"。

反向警示：阶段 3 也不是绝对安全——AI 模拟沙盘（simulate the entire market / industry）正在让部分战略决策也能被 AI 部分模拟。真正不可被 AI 取代的，是"承担判断后果的人"——AI 可以给你 5 个战略选项，但没人替你承担选错的责任。

跨过 5 年门槛后，PM 还要面对"横向跃迁"——从单个产品的判断者，跃迁为整个产品线或业务线的决策者：

这个跃迁没有固定的时间表——有人 5 年就完成，有人 10 年还在原地。

讲完了"做什么"，讲"怎么做"——AI 在每个阶段扮演什么角色：

阶段 1 用法：让 AI 写 PRD 初稿、整会议纪要、扫竞品功能（半天 → 30 分钟）。关键是省下的时间用来观察老 PM 如何判断——不观察老 PM 的过程，PM 自己永远停留在"翻译"层。

阶段 2 用法：让 AI 列方案优缺点、数据异常候选原因、PRD 评审挑刺。AI 经常把客户"抱怨"读成"建议"、把"沉默"当"认可"，PM 必须逐条对照原始信息——这正是 PM 比 AI 强的地方。

阶段 3 用法：让 AI 分析 5 年行业趋势、模拟定价策略反馈、整理财务模型。AI 释放时间，让 PM 专注战略思考、行业洞察、团队建设、跨部门协作——这些是 AI 取代不了的"高密度判断"。

AI 用法的核心洞察：随着 PM 经验增长，AI 的角色从"工具"跃迁到"助手"再跃迁到"放大器"——AI 干的活越多，PM 越有时间做 AI 取代不了的事。

回到开头那句话。

AI 时代，PM 不是被取代，是要进化。

你今天的工作里，AI 取代的部分越多，你越要进化到 AI 取代不了的部分。这一进化不是"学新技能"，而是"换工作重心"。

从执行到判断，是 PM 在 AI 时代最重要的一跃。

第四篇文章讲"PM 的判断 3 层"——这是原则；这篇文章讲"PM 如何从执行进化到判断"——这是路径。原则 + 路径 = PM 在 AI 时代的完整进化方法论。

但说到底，方法论只是地图。真正让你跨过阶段 1 → 2 → 3 的，是你愿不愿意在每个阶段做该阶段的判断——而不是躲在 AI 的舒适区里做"高级执行"。

如果你最近也在用 AI，但还在纠结"我做的 AI 协作够不够多"——不妨问问自己：

5 年后你还在做 PM 的话，是因为 AI 取代不了你，还是因为你不愿被取代？