PM职业市场正经历一场K型分化：AI PM一岗难求，传统通用型PM却面临淘汰危机。这场分化不是行业周期问题，而是岗位能力结构的根本性重组。本文将揭示PM岗位内部的两极分化现象，剖析AI PM的核心竞争力，并提供从‘协调者’转型为‘系统设计者’的实战路径。

有人告诉你”PM 要被淘汰了”，也有人告诉你”AI PM 一岗难求”。

两句话都对。它们说的根本不是同一群人。

产品经理这个职业的就业市场，正在沿着一道 K 字裂开。一笔往上走，工资在涨，岗位在抢；一笔往下走，简历石沉大海，岗位悄悄消失。

最容易让人误判的地方在于：很多人以为这是行业景气度的问题，等周期回暖就好了。不是的。这道裂缝不会合上，它是结构性的。

我想给你一张坐标系，让你先看清自己现在站在 K 的哪一笔上，再说怎么换到上行那一笔。

K 型不是发生在行业之间，是发生在岗位描述内部

通常我们理解”分化”是行业层面的：AI 行业涨，传统行业跌。

但 PM 这次的分化更狠，它发生在 job description 内部。

高需求高度集中在两类 PM 身上，一类是造 AI 产品的，一类是用 AI 武装自己的。

而那个最庞大的中间地带，也就是传统通用型 PM，写需求、开会、协调、跟进、汇报，正在快速失血。Agents Today 在《The Great Reshuffling》里用了”大洗牌”这个词，说的就是同一件事：不是 PM 这个职业整体在涨或跌，是这个职业内部在重新分层。

这件事残忍就残忍在这里。它不是行业在分化，是你的岗位描述自己在分化。

你还是那个 title，做的还是那些事，但其中越来越大的一块正在被划到”AI 能干”那一侧。

上行那一笔：从写 OKR 到写 eval

往上走的 PM 多了一层新能力，我把它概括成”教系统什么是好”。

传统 PM 定义 outcome：这个功能上线后，留存要涨多少，转化要提升几个点。

这套东西 AI PM 也要做，但他们还多了一件传统 PM 不用做的事，写 eval。

Agents Today 和 adaline labs 的《AI Product Manager 101》都点到了这个能力：当你的产品核心是一个会犯错、会胡说、行为不确定的模型，你就得有一套办法去定义“什么样的输出叫好”，并且持续地测它、调它。

这不是写一份验收标准那么简单，它更像是在给一个不听话的实习生反复划重点，告诉它什么对什么错。

这个能力为什么值钱？因为它正好踩在 AI 产品最难的地方。

模型本身是 API，谁都能调，真正的壁垒是你能不能把一个不确定的系统调教到稳定可用。

会写 eval 的 PM，做的是这件事；只会写 PRD 的 PM，做的是 AI 已经能干的事。

我举个具体的对照。传统 PM 给一个客服功能写验收标准，会写”用户提交工单后，系统在 3 秒内返回受理回执”，这是个确定性的、要么过要么不过的标准。

但你给一个 AI 客服写验收，没法这么写。你得回答一连串模糊的问题：

• 用户骂脏话的时候，机器人该硬刚还是该软下来？
• 用户问了一个产品根本没有的功能，它该老实说没有，还是顺着圆一个？
• 同一句话用四种语气问，它的回答稳不稳定？

这些没有标准答案，你得自己造出一套打分体系，准备几百条真实和刁钻的测试用例，给每种回答定义什么叫”好”、什么叫”能接受”、什么叫”绝对不能出现”，然后每次模型一更新就把这套题重跑一遍，盯着哪个指标掉了。

这套活，本质上是在替一个不听话、还会即兴发挥的系统反复划边界。

写 PRD 是描述一个确定的东西，写 eval 是驯化一个不确定的东西，这是两种完全不同的肌肉。

中间层为什么蒸发：协调价值被吃掉了

中间层 PM 的核心价值，过去很大一块是协调。

在工程、设计、运营、老板之间传话、对齐、翻译、汇报。

这部分价值正在被 AI 直接吃掉。

这不是 PM 独有的现象，整个中层都在塌。Axios 报道过一组数字：2022 到 2025 年，美国上市公司管理层 headcount 降了 6.1%，Meta、Amazon、Google 都在主动扁平化。

Lepaya 把这叫”The Great Flattening”，大扁平化。

背后的逻辑是一致的：当信息流转、状态同步、文档整理这些事 AI 能自动做，专门设一个人来”协调”就变得多余了。

角色的重心正在从 coordination（协调）转向 orchestration（编排）。前者是人肉中转站，后者是设计和指挥一套系统。

所以中间层蒸发，不是因为你不够努力。

恰恰相反，可能你很努力。问题在于，你努力的方向正好是 AI 最擅长的那部分。你越是把“高效协调”练到极致，你越是把自己练进了那个正在消失的位置。

供需数据：稀缺到底在哪一边

光讲趋势容易空，看一组供需数字。

知乎那篇《2026 年 AI 产品经理薪资曝光》里有个对比让我印象很深：AI 产品经理岗位的简历投递竞争比大约是 1:8，而传统 PM 岗位是 1:35。差不多四倍的差距。

同样投一份简历，AI PM 方向的命中率要高得多。这就是结构性稀缺的样子。不是 AI PM 这个活轻松，是会干这个活的人太少，而岗位在快速变多。

那句被说烂了但确实对的话是：”AI 不会淘汰 PM，但会淘汰不会 AI 的 PM。”数据站在这句话这边。

换笔指南：用 AI+ 而非 +AI 重做核心动作

知道了要往上走，怎么走？最常见的误区是”多学几个工具”，今天学个 prompt 技巧，明天学个新插件。

这是 +AI 的思路，把 AI 当成贴在旧工作流上的补丁，效果有限。

真正的换笔是改造工作流，是 AI+。

我习惯用一个三步的尺子来想这件事，就是 AI First 的 3A。

第一步 Automation：先把你那些重复性的协调、整理、汇报工作自动化掉，这部分本来就是 AI 最擅长、也是你最容易被替代的，主动交出去。

第二步 Augmentation：用 AI 增强你的判断，让它帮你跑更多方案、看更多数据、压缩你做决策前的信息搜集成本，但拍板还是你。

第三步 Agent：把一整条流程交给 Agent 去跑，你从执行者变成设计者和担责者。

你会注意到，这三步的方向是一致的：把你身上“AI 能干”的部分一层层剥离，把你的精力往“只有你能干”的判断和设计上集中。

这才是从下行那一笔换到上行那一笔的真实路径。

我用我自己的一条工作流给你看 +AI 和 AI+ 的差别有多大。

以前我每周要写一份产品周报，汇总各条线进展、整理数据、发给管理层。

+AI 的做法，是我让 AI 帮我润色措辞、把数据排版成表格，省了大概二十分钟，但这件事的形态没变，还是”我每周手动攒一份报告”。

AI+ 的做法，是我推倒重来问了一个问题：

• 这份周报存在的目的是什么？
• 是让管理层随时知道项目卡在哪。那为什么要等到周五、要我来攒？

我后来搭了一套东西，让数据从系统里自动流进来，AI 每天扫一遍各条线的状态，只在出现异常时主动给我和相关人推一条提醒，周报本身被取消了。

前一种做法，我还是那个”按时交报告的人”，正是中间层最容易被吃掉的活；后一种做法，我变成了”设计这套监控系统的人”。

同一件事，两种姿势，落在 K 字的两笔上。

但是：别从一个焦虑跳进另一个焦虑

我得说点反话。K 型这套叙事，正在被大量”AI 转型课”拿去贩卖焦虑，话术都差不多：你不转型就完了，快来报名。我对这个很警惕。

有两个边界你得记住。

第一，一线产品判断、跨团队的信任、复杂局面的统筹，这些”非标”能力短期内 AI 吃不掉，一个扎实的通用 PM 仍然有位置，不要被”通才必死”的叙事吓到盲目转行。

第二，”写 eval”这类技能的门槛被夸大了，它没那么玄。

真正稀缺的从来不是会念几个技术名词，而是业务理解加上 AI 判断的那种复合能力。你要追的是这个复合，不是名词。

别从一个焦虑跳进另一个焦虑。看清坐标是为了行动，不是为了恐慌。

落到动作上，这周就做一件事：列出你本周 80% 时间在做的 5 件事，逐一标注”AI 能不能独立做到 80 分”。

能的越多，说明你越靠近正在蒸发的那个中间层。

下周起，挑其中至少一件，改造成”我设计、AI 执行、我担责”的模式。换笔不是一次跳跃，是从一件事开始的迁移。

K 型分化最残忍的地方在于：它不是行业在分化，是你的岗位描述自己在分化。看清你站在哪一笔，比努力更重要。