李想在《罗永浩的十字路口》第 27 期里提到，理想内部把 AI 使用权限全面放开之后，token 用量最大的前 20 名员工名单，不是公司传统意义上最顶尖的那批人。而是那些以前不太会表达、争取不到资源，但脑子极好的人。这个细节值得 PM 停下来想一想。

如果你现在用 AI 的方式是”偶尔问一下、写个邮件、改个文案”，你大概率不在这个名单里。不是因为你能力差，是因为你还没有在真实业务场景里把 AI 用深。

李想还否定了两件事：一是”专业工作会被 AI 替代”，普通人用 AI 写出来的代码质量差得没法用，AI 提升了效率，但不会让外行变成真正的专家。二是”一人公司”，验证了半年，跑不通，那些声称在验证一人公司的人，每天发的内容是”某模型又更新了”，真实的生产环境一个都没建起来。观点虽然有些绝对，但也反映了现实情况。

这两个否定合在一起，给出的是一个很具体的判断：AI 时代，专业能力强的人优势会被放大，但”专业”的定义本身变了。过去 PM 的专业体现在需求文档、评审会、路线图；现在多了一层——能不能用 AI 把自己的判断力转化成实际产出。下面把李想的判断翻译成 PM 能对照的具体动作。

一、新人才画像拆解：三层指标

第一层：有没有在真实业务场景里用 AI

李想说那些排在前面的员工，”只要有 token、有业务环境，就能改造很多东西”。关键词是业务环境，不是沙盒玩具。

对 PM 来说，用 ChatGPT 写周报不算。用 AI 跑过一次完整的用户访谈分析、搭过一个竞品情报的自动抓取和归类系统、用 Agent 把需求拆解流程跑通过一次——这才算。

判断标准只有一个：你用 AI 产出的东西，有没有直接影响过一个产品决策？如果没有，你用的是 AI 的皮，不是 AI 的肉。

第二层：想法够不够值钱

“想法最贵”这句话单独拎出来是废话，需要拆解。PM 的”想法”体现在三个具体位置：

问题定义：发现别人没发现的用户痛点，或者把一个模糊的业务问题翻译成 AI 可以处理的任务。这是 PM 最核心的工作，AI 做不了。模型可以帮你分析数据、归纳访谈，但”这个痛点值不值得解决、解决它能带来多大价值”，判断必须人来。

metric 设计：定义什么叫成功。一个 AI 功能上线，用什么指标衡量它有没有做对？大多数团队的答案是用户满意度或使用率，但这两个指标都是滞后的。PM 要提前定义评测集——给这个 AI 功能 100 个典型输入，正确输出应该长什么样。这件事 AI 帮不了你，因为”正确”的定义本身就是 PM 的判断。

agent 编排：把业务逻辑拆成 AI 能执行的步骤。一个需求分析 agent 应该先做什么、后做什么、什么时候需要人介入、什么时候可以自动执行——这个拆解本身就是产品设计，PM 不做，没有人做。

这三个位置，一般AI 暂时难做好，必须人来。这是 PM 在 AI 时代真正的不可替代性，不是”沟通能力”或”同理心”这类软技能，应该是这三个具体的硬动作。

第三层：有没有建立自己的 AI 工作流

李想否定一人公司，认可三五人小团队。背后的逻辑是：单个人用 AI 可以提效，但没有稳定的生产环境，产出质量不稳定，遇到问题没有人补位，如果是自媒体则是例外。

对 PM 来说，散点式用 AI（哪里不会问哪里）和系统性用 AI（把核心工作流 AI 化）是两个量级。前者省了零散时间，后者改变了工作方式。

一个检验方法：列出你日常最耗时的 5 个任务，逐一问自己——这个任务有没有可复用的 AI 工作流？如果没有，这就是下一个值得投入的地方。

二、PM 的 AI 能力升级地图

不是能力模型，是三个段位的可操作路径，按”当前状态 → 下一步动作”的格式给出。

段位 A：AI 使用者

特征：问答式、偶发性。用 AI 写文案、改邮件、查资料，没有固定工作流，用不用随心情。这是大多数 PM 现在所在的位置。

当前的问题：这个段位的 AI 使用，本质上是把 AI 当搜索引擎用，节省了一些查找和整理的时间，但没有改变任何一个工作环节的运作方式。李想说的那种”能改造很多东西”的人，不在这个段位。

下一步动作：选一个自己最高频的 PM 任务，竞品分析、用户访谈整理、PRD 初稿，三选一。围绕这个任务，建一个可复用的 prompt 模板，包括输入格式、输出格式、质量检查清单。连续用 30 天，只做这一个任务的 AI 化。30 天后，产出质量应该能稳定在一个可接受的水准，不依赖当天的运气。

段位 B：AI 工作流搭建者

特征：系统性、有流程。核心工作已经有 AI 介入，有自己的 prompt 库和工具组合，能稳定产出，不是每次都从零开始。

当前的问题：工作流是个人的，不是团队的。自己用顺了，但换一个人用就跑不起来。另外，工作流里自己介入的频次还是太高，很多本可以自动化的环节还在手动做。

下一步动作：两个方向选一个。第一，把个人工作流文档化，让团队里至少一个人能复现；第二，把某个重复性高、判断要求低的工作流封装成 Agent，设置好触发条件和输出格式，让它在没有人干预的情况下自动跑完。后者难度更高，但价值更大。

段位 C：AI 原生产品设计者

特征：能定义 AI 产品的边界。不只是自己用 AI，能判断产品里哪些功能交给 agent、哪些必须人来；能设计评测集；能从用户反馈里判断模型输出质量的问题出在 prompt、模型选择还是数据。

这是李想说的”想法最贵”真正指向的位置。PM 能到这一层，才是在 AI 时代有真实溢价的，因为这个判断力目前没有办法被 AI 替代。

当前的问题：这个段位的 PM 不多，但瓶颈通常不是技术，是对模型能力边界的认知不够准确。容易高估 AI 能做什么（把太多决策交给模型），也容易低估 AI 能做什么（该用 agent 的地方还在让用户手动操作）。

下一步动作：找一个你负责的 AI 功能，用五条框架（泛化任务、泛化信息获取、精确控制、信息记录、个性化）逐项打分，找出最薄弱的一条，作为下一个迭代的主攻方向。

三、写到最后

有人说 AI 时代人与人之间的专业差距，会从 100 倍扩大到 10000 倍。这个判断对 PM 是好消息还是坏消息，取决于你现在在哪个段位。如果你在段位 A，这是坏消息，因为差距正在扩大，而偶尔用 AI 写邮件改变不了这个趋势。

如果你在段位 B 或 C，这是好消息，因为你的判断力和工作流会被 AI 持续放大，竞争优势会随着工具进化而增强，不是减弱。

还有一句话值得重视：AI 不会让外行变成真正的专家。这意味着 PM 过去积累的产品判断力、用户理解、业务认知，在 AI 时代没有贬值，只是需要一个新的输出方式。

但问题是，你有没有开始建立这个新的输出方式？