AI 工具正在重塑产品经理的工作方式，但效率提升的背后，是个人价值与判断力的重新定位。本文通过微信会员卡对接的实战案例，探讨如何将经验迁移给 AI，以及在 AI 协作中如何守住核心决策权，为产品人提供了一套可复用的思考框架。

近期茶余饭后的闲谈，聊得最多的，还是各自最近的 AI 应用进展。

拿最近手头的工作来说，微信会员卡对接就是一个很直观的例子。

以前遇到这类需求，我需要自己啃官方接口文档，梳理不同版本的能力和体验差异，再和业务讨论应用场景、确认前置流程和材料，最后整理出交互 Demo、待讨论问题和需求文档。

现在，我已经可以把这类工作拆进一套相对稳定的 AI 协作流程。

AI 负责消化官方文档、整理接口能力、生成 HTML 交互 Demo、汇总待讨论问题，再形成需求文档初稿；我负责和业务讨论、复核信息，以及判断当前阶段究竟应该选择哪条路。

比如这次对接，微信会员卡有 1.0 和 2.0 两种版本，体验、接入流程和前置准备都有差异。完整体验当然更好，但结合当前目标、材料准备和综合成本，最后的判断是先简单接通。

AI 可以帮我把信息铺开，把差异列清楚，甚至推演几种方案。但它不能替我决定：此时此刻，什么才是合适的。

HTML Demo 也不是为了直接交付，而是为了快速聚焦视觉表达。在大家已经基本同频的情况下，拿着具体页面讨论，比围绕抽象文字来回确认高效得多。

类似的流程跑顺以后，原本需要 3 天沟通、1 天输出的工作，最快可以压缩到 1 小时。我也可以同时并行推进 4 个需求。

工作时长没有增加，产能却被明显放大了。

但新鲜感过去之后，另一个问题也慢慢浮了出来。

我像是把自己逼成了流水线上的螺丝钉，来回奔波在不同 AI 流程的输入、复核、修改和确认环节中。并行的需求越多，每天需要接收的信息量就越大，甚至到了过载的边缘。

结果是，效率更高了，人却更累了。

歇下来的时候，我开始忍不住想：如果 AI 逐渐成为一种基础生产力，未来会是什么画风？当我把自己的知识、经验和工作方法不断交给 AI，我在新的工作画面里，究竟还占据什么位置？

一、AI 什么都会，但还不知道“你这里”是怎么做的

通用模型知道的很多，但知识足够广，并不意味着它天然理解一家公司、一个部门，或者一个具体岗位是怎么运转的。

公司内部的专有名词、部门间约定俗成的规则、历史遗留问题，以及那些大家默认“懂的都懂”的判断依据，都不是公开信息。

所以，在 AI 真正进入工作之前，依然需要人完成一次经验迁移。

先是知识库。

把历史材料汇集起来，整理系统框架、业务架构、部门分工和协作流程，让 AI 知道我们在讨论什么，各个角色的职能边界在哪里，一件事情通常依据什么进行判断。

再是 Skill。

以前新人入职时，我们会给他模板、概要、案例和注意事项。现在，这些信息也可以被封装成 AI 能够反复调用的工作方法：什么背景下使用、需要哪些输入、经过哪些步骤、产出什么结果，以及应该遵守哪些规范。

然后是 Agent。

当一件事情涉及多个角色，就可以按照真实的团队分工，把任务拆给不同的 AI 角色。每个 Agent 守住自己的职能边界，再完成上下游串联。

最后是工作流。

现实中的工作很少由一个人从头到尾独立闭环。它通常会经过多个节点，有前置条件、人工确认、异常分支，也有继续推进或者退回修改的标准。

这些原本存在于团队协作里的节点，同样可以被迁移到 AI 工作流中。

知识库、Skill、Agent 和工作流，本质上都在做同一件事：把原本只存在于人脑和团队默契里的东西，逐步变成 AI 可以理解、执行和复用的能力。

如果一定要用一个并不严谨的数字描述，在这个阶段，可能还有 60% 的关键工作需要人亲自补充上下文、整理经验和校准流程。

这不是统计结论，只是我用来观察变化的一组假设。

因为此时最重要的，不是 AI 会不会做，而是我们能不能把自己真正会做的事情，准确地交给它。

二、AI 能把活做完，不代表这件事做对了

持续和 AI 协作之后，我已经很少期待依靠一句提示词直接拿到成品。

不是因为 AI 产出不了，而是“可以完成”和“可以使用”，中间依然隔着一段距离。

我现在更习惯把一件事情拆成多个确认节点：

信息输入之后，先让 AI 复述理解并提出问题，确认讨论边界；

再让它整理概要，由人修正理解偏差；

然后输出计划，确认结构和方向；

产出初稿之后，再检查事实、逻辑和实际使用中的问题；

最后根据修改意见继续调整，形成可以交付的结果。

拆解的目的不是把流程变复杂，而是控制偏差。

AI 写一篇万字长文很轻松，但如果方向错了，人工从头复核只会更累。相比一次性生成完整结果，我更愿意在前面的几个小节点及时纠偏。

微信会员卡对接也是一样。

AI 可以整理 1.0 和 2.0 的能力差异，可以生成交互 Demo，也可以列出接口和前置材料，但最终要不要追求完整体验，还是先以较低成本接通，依然需要结合业务阶段进行判断。

Demo 的价值也不在于“AI 已经把页面做出来了”，而是它帮助我们更快进入有效讨论。

AI 承担的是产出，人在承担的则是判断。

当知识库、Skill、Agent 和工作流逐渐稳定，需要人亲自查资料、搭结构、写初稿的部分会继续下降。假设原本离不开人的部分从 60% 下降到了 40%，剩下来的工作会越来越集中在复核、取舍和验收上。

问题也随之发生了变化。

以前累，是因为事情做不完；现在累，可能是因为 AI 做得太快，需要判断的事情突然变多了。

三、AI 理解逻辑，但不一定理解为什么不能选最合理的方案

日常工作里，经常会出现一种我们自我调侃为“猥琐方案”的东西。

从产品结构、系统逻辑或者长期体验来看，它可能并不漂亮，甚至明显带着补丁感。但受到历史问题、权限边界、部门关系、资源投入和上线时间的影响，它偏偏是当下能够落地的方案。

但凡有得选，没有人希望自己的交付物长成这样。

可现实世界从来不是只按照最优逻辑运行。

这些方案之所以成立，往往不是因为它们足够合理，而是因为它们暂时平衡了不同角色的权、责、利。

AI 可以理解流程，也可以分析利弊，但如果这些真实约束没有被完整地写进上下文，它很容易给出一个逻辑上更漂亮、现实中却无法推进的答案。

这些东西 AI 能学会吗？

我相信可以。

当我们把相关角色的目标、边界、资源和顾虑逐渐补充进去，甚至让不同 Agent 站在各自的立场上进行推演，它也可能得出类似的折中方案。

但即便 AI 可以参与推演，最后依然需要有人判断哪些约束不能碰、哪些妥协可以接受，并为最终选择承担责任。

如果人的直接参与进一步下降到 20%，这 20% 反而会变得更加珍贵。

因为它留下来的，很可能不是执行，而是那些无法只靠“逻辑正确”完成的取舍。

四、减少的是亲自执行，不是个人价值

所以，60%、40%、20% 并不是一场个人价值的倒计时。

它描述的是：随着 AI 协作越来越成熟，一件事情中必须由人亲自执行的部分正在减少。

但在另一个方向上，个人可以调用的产能、影响的范围，以及需要承担的判断责任，都在同时扩大。

以前，个人价值很大一部分来自“我可以把这件事情做出来”。

以后，它可能逐渐变成：

• 我知道什么值得被放大；
• 我可以把经验变成 AI 能够复用的能力；
• 我能够发现结果中的偏差和风险；
• 我知道什么时候应该追求更好，什么时候应该先解决问题；
• 以及，在 AI 给出多个答案之后，我愿意选择一个，并为它负责。

从这个角度看，把自己的知识和方法交给 AI，不一定是在削弱自己的价值。

真正的能力，可能是借用 AI，把自己的产能、判断和结果放大。

只是，这种放大并不天然等于轻松。

当 AI 可以快速生产大量结果，人很容易成为所有流程共同的确认节点。如果流程没有重新设计，AI 节省出来的时间，会迅速被更多需求、更多信息和更多复核工作重新填满。

这也是现在真正让我不安的地方：

我是在借 AI 放大自己，还是只把自己变成了一个更高效的确认节点？

五、写在最后

对于已经持续使用 AI 的人来说，问题可能早就不再是“AI 能不能用”，而是怎么把它稳定地放进工作里，以及如何处理由此带来的新负担。

现在遇到 AI 产出效果不好，我不会马上回到手搓，也不会简单归结为“提示词写得不够好”。

我会继续排查：是不是缺少必要的业务知识，是不是任务拆得不合适，是不是验收标准没有讲清楚，或者这件事本来就超出了当前模型和工具适合承担的边界。

同样，当效率提升之后人反而更累，也不一定说明 AI 应用得不对。

可能只是原来的工作流程，还没有适应被放大后的产能。

如果你也在经历类似的阶段，可以观察一下最近反复发生的一项工作：AI 承担了哪些执行环节，你的时间又花在了哪些确认节点上？这些确认中，哪些真的需要人的判断，哪些只是因为流程还没有设计好？

答案未必马上出现，但至少可以帮助我们分清：究竟是 AI 在放大自己，还是自己正在被 AI 的产出推着走。

希望你的 AI 应用越来越顺手。

也希望顺手之后，我们没有只是变得更累。