当技术实现不再是门槛，产品经理之间拉开差距的会是什么？本文作者结合两年多的电商平台整合项目实战，对比AI引入前后的效率代差，指出AI将执行层标准化后，个人品味与决策判断成为稀缺能力。同时剖析AI焦虑的本质，提出用SOP可写性判断替代风险，并强调产品经理需提前约束AI边界，聚焦真问题。

当技术实现不再是门槛，产品经理之间拉开差距的会是什么？

好久没写过文章了，从去年AI浪潮开始工作变的更忙碌了，似乎天天都在忙着学习新技术、新概念、新工具，行业新名词从前几年的以年度为单位出现到后来的数月，到现在甚至可能是以小时为单位出现，一觉起来就能看到各种新词汇又出现了，涌现出来很多营销号天天鼓吹AI焦虑，似乎随时都会落后于大众，最近卷度似乎下来一些，敏感的神经对于这种出现频率的新事物也开始更容易接受，过了那个脱敏期后也开始趋于平稳化，最近手上的一个做了两年多的项目也接近收尾进入常态化运营阶段了，我翻出来从2024年立项开始的项目文档，除了大几十上万字的PRD之外，还有研发和测试产出的上百条提交记录以及测试用例，回想起那会儿项目刚立项的时候，光是对齐每个电商平台订单和财务的金额字段口径就花费了数周，实际上持续了半年之久。写过的数据清洗脚本已经不记得有多少了，各个模型之间的字段映射关系也还没做完，项目周期内光是叫停大版本全量回滚发布的事故就出现了3次，相伴而来的就是日以亿级的数据修复工作，每次都会消耗产研团队几天的时间。

这个项目的核心目标其实是两个，整合目前接入的300余家电商平台订单的金额体系，痛点在于对接平台的数量较多，各个平台也有不同的运营方式，像是货架电商和直播电商的各种营销策略其实存在差异，各个上游又有各自的字段定义以及计算逻辑，我们作为整合方面对这些口径不一的字段也经常无从下手，极度依赖人力校验，每每核对一个平台就相当于重做一遍模型转换的流程，就跟重学了一门方言一样的感觉，很多经验和工具都无法共用，当时也没有想到什么更友好的方案来处理此事，所以整个项目对数据模型的验证和适配差不多就花了半年的时间，前前后后迭代了193个版本。

那么现在的工作流是怎样的？还是一样的工作内容一样的需求，可以把伪代码、Api文档、示例报文、字段定义、业务规则、数据样本和预期结果一股脑丢给AI，让AI自行建模自行分析，这些高度数字敏感的劳动对于人来说是高额成本，不过对于AI来说反而是舒适区，执行效果快准狠，它还能顺便把之前产品团队线上试运行后才能得到的分析结果预测也产出了，还能跟着我们产品和测试同学一起设计测试用例，每上线一个新平台的底层计算服务平均需要2~3天，当然AI的产物还是经由人工来核验校准一遍。过去半年到一年可以实现的工作现在被压缩到了短短几天，这个本质上其实不是效率高低的差异了，是量级是代差，就好比石器时代和工业时代的流水线作业效率差异，所以当时第一次全链路引入AI来辅助并完全跑通一个平台的时候，我的第一反应真的很兴奋，从GPT-3发布伊始当时也是第一时间试用过，因为我本身就属于喜欢鼓捣喜欢研究新技术的性格，那会儿对AI其实没有多大实感，当时的第一反应是这个达成率其实并不尽人意，我并没有对它抱太大的期待，很多工作我还是习惯性的自己去完成，但是这次实践结果给我多大的震感其实也不是技术迭代的惊艳，而是我猛地发现那些让我们花费大量时间精力的难题，不知道从什么时候开始起已经算不上难题了。

因为一直是在产品岗位工作，以前接到各个一线团队或者同级团队同学的需求时，我的第一反应还是会冒出一些问题：这个能不能实现？实现成本是多少？现在这些问题停留在我思考环节的时间越来越短，短到我甚至现在已经不再考虑能不能实现的问题，短到我自己都没留意到这些想法是什么时候开始逐渐消失的，Agent能力涌现后很多需求的试错成本已经无限接近于0，很多之前还停留在会议室阶段的需求现在的第一做法是先低成本做个mvp试一试再考虑迭代的问题，做原型越来越快，试错成本也基本上可以忽略不计，可以实现可以做到的需求数量也越来越多，我们在评审会上可以跳过大量纠结要不要做和能不能实现的沟通，可以腾出大量时间来做自己感兴趣的自驱型需求，很多之前需要借助公司资源来验证想法的事情现在自身+Agent完全就可以胜任了，从mvp版本里拿到预期的效果再拿到评审会上去把他做到完美并让大家都看到成果。

总的来说就是从我能看到的视角出发，用AI用的越深入，把一个想法实践出来所需的成本就会越来越低，比如说选择哪个基模搭配哪个Agent？引入哪些skills等等手段。过去做到这些结果主要靠信息差，靠每个人更好或者说更独特的学习习惯来拉开每个人之间的差距，这套规则现在突然就不那么有效了，大家无限接近于站在同一个起跑线前，当然必须承认大家对于AI行业的评价很多是可以借鉴的，比如说AI工具就放在那里，对于每个人来说都平等，但是使用AI的程度和效果亦有差距，同样的模型+Agent用在不同的人手上确实会得到差异很大的结果，这个是我们要看清的现实，并不是我用上最前沿的模型就能得到比别人更好的结果，这个理论是不成立的，假设大家都能充分利用好时代红利，能全面拥抱AI，大家从同一个起跑线出发后又出现了新的问题，现在市面上越来越多同质化严重的产品，每天似乎都在发布各种各样的低成本小工具，看软件名字往往第一时间无法判断出这个软件到底是做什么的，解决什么问题的，与某某某竞品的差距是什么，说到底我们现在该思考的是什么？是我们做产品到底是需要解决什么问题？什么样的问题才算是眼前该解决的真问题？

我目前的理解还比较浅显，只是有感而发写了这篇文章供大家参考：技术实现能力眼看着变成了一种公共商品，每个人取用这项能力的成本和难度都在降低，这是不争的实施，资源和工具就在那里，你不用自然也会有人用；那么在我们每个人所处的环境背景下（公司、团队等属性）如何判断什么值得做、该做成什么样子等这类能力，我把它叫做个人品味，我认为可能是接下来相对稀缺的东西，AI能给到你的是概率分布，是基于你引入在上下文中的事实依据来组装并展示出来的各种选择，它没有你长期的工作经历和人生阅历，没有那么多的人性情感，这或许可以成为你的亮点。

说说现在的AI焦虑，我们到底在担心什么

最近放假之余和行业内的很多朋友都有聊天，聊天的话题总也绕不开AI焦虑的问题，做产品的怕自己写方案画原型的速度和准确性比不上AI，研发同学怕基础编码部分的工作被替代，企业接入大模型后又担心写业务代码这些偏核心的能力也被替代等等。说实话，产品工作里的必备事项，比如说写方案、做竞品分析、画原型、做数据分析等这些高度机械且重复性的工作确实会被大模型提效，可能过去花费几天的工作现在接入大模型和Agent通过几轮对话说不定就能搞得定，本质上这些工作属于必要的，但是我们借助大模型后应该”避重就轻”，根据每个人所处环境不同在相同的工作流里总是会有一些不那么重要但是需要花费时间的工作我们可以让模型去做，好比说去采集行业数据等，是必要，但是非核心，不一定需要我们上手去做，我们应该把有限的时间精力放在重要的环节，AI可以在概率分布空间里一次性给你生成10种实现方案，甚至每种方案的纸面上的优劣势以及伪代码和产品方案都可以给到你，但是它暂时还没办法直接帮你判断哪些需要工作经验+人生阅历经验积累才能看清的东西，换句话说最适合你所处环境背景下的最优解，或许未来模型能吃能大上下文的时候也能做到，不过至少不是现在，相信大家都经历过一些只有上线才会出现的bug，这种隐性冲突藏在业务里，藏在线上产生各式各样的数据里，不在方案里也不在代码里，这种事情现在AI就难以提前做到人类水准。我见过很多团队的同学把AI生成的产物直接就上线了，上线当天业务链路就崩溃了，研发熬通宵补数据，产品同学做复盘汇报，花的精力甚至比推倒重来更多，这种擦屁股的事情比不用AI的时候还累。

很多人对AI的焦虑其实深层不是担心”被替代”这几个字，而是他某天突然发现，一直以来引以为傲的东西（比如说文档能力强、资历老、对公司业务流程熟悉所以能写出更多业务逻辑代码）突然算不上可以自豪的资本了，因为这些恰恰是最容易被标准化的那部分，当AI在这些领域比我快，比我规范甚至比我考虑的还要周全的时候，我这些年工作积累的能力壁垒一块块被拆掉了。有个判断标准我一直在用，一件事如果说能被自然语言写成清晰可执行的sop，那么他迟早是会被替代的，会被写到prompt里面，sop里面装的是执行层面，而执行恰恰是Agent出现的原因，也是他最擅长的，因为它可以7*24小时不停机不出错，不会情绪化，它的核心优势就是效率和准确性，那么写不进sop的那部分呢？比如说这个需求到底该不该做，该做成什么样这些当下的决策问题才是人的优势。

大模型能力越强，产品经理越要提前约束好边界

我在我司做企业ERP已经很多年了，订单、仓储、物流、财务、数据都做过，跟着团队一起踩过的坑数不胜数，有一条经验可以被反复验证：一套系统到底好不好用，就看你有没有把不同部门不同岗位人员的职责边界以及数据流转规范和异常处理机制沉淀进系统流程里，如果可以做的更好，甚至可以把规范提前埋进业务代码。过去不少ERP项目或者功能上线后的效果未达到预期，根因往往就在这里，底层规则没有被表达出来，系统逻辑对于使用者来说依然是个黑盒，最后成为一个中看不中用的空壳产品。

现在接入大模型后这个问题只会被放大，从研发视角看大模型的输出天生带有不确定性：

• 大模型生成的代码或许阅读起来是逻辑通顺，条理清晰的，但是代码边界往往藏着N+1查询，并发写冲突，业务逻辑冲突等只有遇到生产数据时才会暴露的问题，本质上这种问题和代码写的好不好关系不大，而且代码兼容性和鲁棒性是不是足够好。
• 上游模型版本每次更新后，比如说大模型公司计划下线某个版本的模型id，原本跑的好好的业务逻辑可能瞬间大面积失效
• 大模型输出的流程方案可能逻辑是自洽的，但是事务一致性和数据一致性却可能没有被考虑进去

大模型能力在变强，Agent的能力同时也会跟着水涨船高，这两者出现在业务流程里的频率也越来越高，越是这种时候我们越需要提前建立约束，缺少业务边界或者没有明确的责任划分机制，错误就会沿着真实业务链路像滚雪球一样放大，导致出错的后果比接入大模型之前更加严重。之前我跟团队落地”AI生成经营报表”这个功能时没有敢让AI自由发挥去碰所有业务数据，而是先给整个流程确定了三层业务边界，每层边界都是硬编码进去的，同时这些边界也都是从业多年的经验积累得到的

• 第一层：数据来源校验，所有喂给大模型的数据集必须先经过数仓的字段口径校验，不合法的数据直接在ODS层被拦下，其实也就是之前ETL工作里会做的数据校验，只是现在把它规则化做强制约束。
• 第二层：异常值拦截。AI 生成的报表里一旦出现超出波动区间的数据，系统自动触发二次校验，调预写好的统计逻辑交叉核对，同样的这个区间其实也是经验之谈，互联网的公开数据里真不一定能查到这种现成的数据。
• 第三层：分级权限控制。不同部门的角色只能看到自己权责范围内的报表内容，提前给大模型约束角色，大模型生成前就按角色过滤数据集，从源头杜绝数据越权问题。

我们产品经理的工作不会直接因为大模型或者Agent的能力变强就真的会省事，我们该做的是充分借助它们的能力把自己从那些”不得不做但收益不大”的源源不断的事情里面抽身出来，让它们去做这些全流程里的低价值环节，我们抽身去多思考，多考虑自驱迭代的内容以及多考虑产品战略层面的问题，如果说以前产品经理的工作主要是在定义系统该做什么，那么现在我们更多的要去思考：接下来往哪里走怎么走？但是有个前提需要先搞清楚，活可以交给大模型，但是边界我们要自己考虑后划清，在什么情况和什么操作环境下可以让它做，终止条件是什么，我们提前把风险预估好并且把责任落到具体执行人上，不然省下来的时间最后都得搭进去临时救火。

AI原生应用本质上是AI原生团队才有的产物

如今市面上打着AI原生旗号的产品有很多，绝大多数产品都是外挂式AI的套壳产品，在本身的软件上加一个AI对话窗口，前端接收用户输入的问题，提示词直接透传给后端，后端转发给大模型再反向把结果展示给用户，这个就算AI原生产品了。这个事情从使用者角度看起来挺厉害的，其实本质上并没有把AI能力和真实的业务流程长在一起，流程并没有重新定义。AI返回的结果经常不适用于当前系统的真实数据和真实流程，用的还是”Chat AI”那套，顶多比公开版的聊天AI工具多搭了一层内部的RAG，让AI能获取到一些非公开未整理且边界不清的内部数据，用户抱着尝鲜的心态来体验使用后发现结果远低于预期，扫盲后也就回到旧操作方式了。

我的理解是真正的AI原生产品出现之前，个人背后的组织需要先成长为所谓的AI原生组织，不然做出来的产品还是套壳。

在传统研发模式里，产品经理的精力大部分在盯着功能清单写需求文档和排期上；研发同学的时间多半消耗在编写重复的业务代码，做接口联调，排查基础问题上。而真正迈入AI原生团队的组织工作流程不应该是这样的，组织内的协作方式需要重构，不能和做产品一样换汤不换药，继续在原有的组织流程上引入AI来局部提效。让每个人都应该变成”一个人 + 一组 Agent”的小型作战单位。产品经理不该把时间耗费在写标准化文档上，而是多花时间去理解用户的需求，深挖用户的真实需求，我们都知道大多数客户提出的需求其实只是表达了他的现状，他或许并不知道真正的需求到底是什么，应该多花时间在定义产品价值和划清规则边界上。研发也不应该日复一日的重复造轮子，而是应该借助AI把精力聚焦在系统集成，系统稳定性和性能调优等核心问题上。每个人应该学会拆解需求拆任务交给Agent来协助完成，最后可以做一步人工验收，责任到个人。当然这是理想的状态，这其实和大数据时代的逻辑是一致的，当年高喊的数据原生是让整个团队的工作逻辑围绕着数据流转来展开的，远远不是在系统里加上几个数据看板就叫做数据原生，从数仓建模到业务流程升级，每一步都是提前把逻辑和边界想清楚，放到现在其实也适用，团队还没完成能力和流程的重构，只是在旧产品外面套壳AI，这样永远做不出真正好用能用的AI原生产品。

到头来这种工作模式里AI反而成了团队降速的牵绊，这两年听到很多人张口闭口就是拥抱AI，仿佛任何产品的slogan都必须要带上AI两个字，市面上涌现了很多叫”xx AI”的产品，好像发布公告只要发出就能证明我们没有在AI时代掉队，我理解这个其实就是为了做产品而做产品。前期大多数为了赶工期，产品经理本人连产品闭环根本就没有想清楚就直接在目前产品的某个环节接入了大模型，后续如何做迭代也变的很模糊了，慢慢发现只是多写了一做代码屎山，业务团队都用不起来更不要谈用户体验了，做出来的产品和以前我们使用各种各样的工具组合起来没有本质区别，更糟糕的是不少分析环节接入大模型后变的黑盒，数据的灵活性反而不如之前使用各个组合工具来的灵活，对用户就更难交代了，使用体验没有被认可，何谈用户的付费意愿。

提速的悖论：跑的越快反而越累

AI把灵感落地的速度越来越快，成本越来越低。有意思的地方是速度提上来了，真正组织内卡最终交付的反倒不是技术而是一些传统环节，比如说code review速度跟不上coding的速度，市场推广的速度跟不上产品迭代更新的速度等等。一个功能AI可以半天给原型一天给MVP版本，review的流程需要两天，市场团队的排期更甚者是按月排，整个项目节奏完全错配。问题是出现在什么地方，很多企业期待的AI落地只是拿AI替代企业内部的局部工作流程，或者只是提升局部工作的效率，局部环节的速度看起来确实提高了，可是公司其他团队之间的协作流程没有梳理也没有重构，这就好比把高速路某一段车道从两车道扩成八车道，但是前后还是两车道，从结果来看并没有跑的更快，而是堵的更死了。

数字就更直白了，我们团队之前每周签入200多个变更集，现在一天就能签入这个数量，人效看着是比之前提高了不少，其实需求量也在膨胀，供给端提速需求端就会跟随着吃满，每个人没有更轻松反而更累了”蒸汽机效率提高后煤炭总消耗反而涨了”，本质上是效率压低了单位成本，却把总需求放大了。更现实的问题是每个人身兼数职成了标配能力，项目经理不止是做需求调研和资源协调，还得写PRD，产品经理不止做方案设计还得把可交互的原型生成出来，还得多干一部分前端和UED的工作；研发不止是专注写代码，有时还得写写产品方案和测试用例。每个人就像被AI推着跑，没有人停下来想一想这些活应该怎么样重分配，哪些工作该交给AI哪些亲自上。组织内只在局部环节叠加AI的能力，不去重构组织整体的协调联动，如此提速带来的不一定是解放，可能是更深更难恢复的内耗，真正的瓶颈不一定是某个局部环节的速度而是整个链条有没有围绕着新的产生速度来重新组织。

AI原生难以推动是因为撼动的是工业时代的地基

其实在我们公司内部今年内我也见到了几个团队的AI原生产品的改造项目，规律其实很明显：真正卡交付进度的基本不是大模型或者Agent的能力，而是团队本身上，流程图画的再漂亮只要实际的协作流程不变，大模型到最后就只能窝在产品的角落里当一个看起来高级美观的搜索框，以前搜索框周围好歹围着一堆筛选条件，现在简洁得只剩一个输入框，placeholder 一句话：”把你想问的告诉我”……要解释这个现象我们需要先有个清晰认知，今天绝大多数公司的组织形式都是工业时代的产物，科层的回报机制和流水线式的岗位划分方式，这套基底是为了解决工业时代的核心矛盾，比如说信息传递成本太高，个人能力半径较小所以用层级传递信息，用分工来摊薄复杂度和单位成本，企业之所以长成今天这个形状主要是为了压低协调的交易成本，公司里那些流程画出来的就是协调成本的形状。产研岗位是最典型的流水线，产品经理写方案传递给研发，研发写完代码传递给测试，测试完后提交测试bug再给回研发，环节之间的信息全靠文档和会议来对齐，中层管理者在这个流水线里扮演的是信息过滤器，高层没有时间去看那么多原始信息，只能依靠中层来整合信息并向上传下达。在管理幅度的说法里一个管理者有效的管理下属数量应该是5~7人，我司其实也差不多，一个组长带5个人左右

信息差是这套体系的隐形支柱，为什么互联网公司的中层通常很重要，他手上握着足够的资源，他见过你没见过的历史决策，他跟着公司经历过你没经历过事故，哪些地方会有坑他们基本都有提前预判的能力，不说能不能彻底前置风险，他的决策范围就是会比执行层的人广，这些看不见的信息差只有经历过的人才知道，其实也是组织权力的重要来源。AI在这个流程产物上动手，让信息传递成本趋近于零，对齐上下文不再依赖层层传递信息，或许你和大模型的一段对话对话就足够满足，靠管理幅度支撑起来的层级结构这次遇到了真挑战，比如说亚马逊 2024 年 9 月宣布，到 2025 年一季度末把个人贡献者与管理者的比例至少提高 15%。个人能力被急剧放大，一个有些经验的懂业务的人带着一群Agent往往就能顶过去一个小型项目组，让人与人之间的信息差无限被铲平，以前那些只有老员工才知道的隐性问题被大模型一条条翻出来。中层原本的四项职能（盯进度，协调资源，整合信息汇报，人才培养成本）前三项职能AI干的又快又便宜，只剩最后一个带人还需要人，当然我对这一点也持怀疑态度，企业内部完善的知识库，完全可以直接用来新人培训，覆盖面甚至超过人类讲师，除了从 0 到 1 的创意思想现阶段没法完全灌输，已有的知识和知识边界，AI 会掌握得更好。所以 AI 原生组织难推进，早就不卡在技术选型上。往根上挖，是利益问题，你颠覆的不只是某个工具，是一整套权力结构。工具换了，学一学总会；地基动了，很多人的存在价值就缩水了，甚至没了。

很多AI套壳产品就是把现在的电动机挂在原来的蒸汽机上，排队交接和审批流程本来就是围绕着人的有限注意力去设计的，往上挂一个AI，流程还是那个流程数字当然不会动，更麻烦的是转型期的数据往往先涨后跌，新流程的磨合成本是真金白银，产出却还没跟上，于是大量项目倒在最难看的那个坑里，被一群拿着报表、完全理性的人，合理地砍掉了。地基拆掉之后，组织会是怎样的，微软给了几个有意思的方向，智能变成”随取随用”的资源后，组织架构图开始让位给”工作流图”，团队不再按职能做区分，而是围着具体任务临时组建，打完就散；岗位在淡化，角色在崛起，每个人都得学会当”Agent 的管理者”。至少有一点现在基本能确认：这一波 AI 浪潮真正改变得不只是某个工具，而是围着旧生产方式长出来的那套组织结构、工作流程。技术趋近平权，动的是实现的门槛；实现成本一旦降到某个程度，组织原有的边界也会跟着松动。我们只有尽早的想明白这些问题并且能真正落实到自身所处的环境，根据自身环境为背景去搭建适合自身环境的流程，我们才能处于不掉队的位置。

从头部企业的开源动作看行业正在发生的转向

目前全球范围内模型竞争已经是很鲜明的两条不同的赛道，以美国御三家为主的闭源模型厂商，和以中国Deepseek在内的几家开源巨头，大家竞争的路线已经存在差异化，最前沿实验室出品的闭源模型依然在基模能力上是出众的，在复杂任务环境下有绝对优势，在追求性价比或者存在地缘政治关系等因素环境中开源模型也占据一些优势，也不知道是不是从Deepseek开始，中美两边相对头部的各个模型厂商，Agent厂商开始不约而同的走向开源，美国主要还是以御三家为行业主导，而国内的情况则不尽然，可以说是群魔乱舞，常见的有Deepseek开源Deepseek系列模型、阿里开源Qwen系列、智谱开源GLM系列、腾讯开源Hy系列、百度开源文心系列、月之暗面开源了Kimi系列、阶跃星辰开源Step 5 Preview、MiniMax系列、科大讯飞的星火系列、零一万物的Yi-1.5系列、甚至还有美团的LongMao系列等等，大家不再频繁高调展示跑分榜记录，纷纷走向开放加入开源行列，随着基模能力的增长Agent的能力也在井喷式爆发，大家的竞争重点从模型能力迁移到的Agent能力，也就是生态能力。9月2日Workbuddy上线开放平台，Workbuddy负责人在发布会上说”真正的生产力，从来不取决于一个工具有多强，而取决于它能连接多少能力、走进多少场景”这句话很应景当下，因为大多数人的使用需求其实并不需要使用到最前沿的模型，我们考虑的是稳定的交付效率和性价比；

随着时间推进，真正产生工作收益的是Agent相关的能力，Agent接在真实业务系统里要面对的问题，比如说权限问题，事务和数据的一致性等问题光靠模型本身是不好解决的；而模型侧的玩家其实也不好过，模型厂商单纯给模型堆参数的收益会越来越低，Scaling Law的边际收益在放缓，互联网上的优质公开数据基本喂完了，想再拿增量高质量数据，渠道越来越少、成本越来越高。为了抢数据，头部公司已经在做”抢数据”的事情，美国一桩版权诉讼公开的文件里写着，某头部 AI 公司曾大规模采购实体书，拆掉书脊扫描，扫完把原书销毁，内部立项文件的目标一句话：”对全世界所有的书进行破坏性扫描”。这件事怎么定性我们不讨论，至少可以说明一个问题，轻易可以获取到的互联网上的公开数据快见底了，基模的军备竞赛在不远的将来只有极少数的玩家可以玩的起，对于大多数人来说模型会变的越来越像基础设施，不再有那么高的获取和使用成本。

模型能力在标准化，价格或许也会收敛，a16z 造过一个词，”LLMflation”，也就是说同等能力的大模型，推理成本大约每年降到原来的十分之一。按照这个计算来估算，大模型的基础能力在未来会像水电一样变成大宗商品，将来买token可能和我们现在给手机卡充值流量一样简单和低价，任何人都能以极低的成本拿到可以用来工作的模型和Agent能力，这样的话比拼的重点其实就变味了，谁能先扎进一些垂直场景去解决别人解决不了的问题，那些更有价值的问题，就像现在基于开源模型RL出来的”行业模型”，比如说首个非标机加工工艺开源大模型，基于通义千问研发，蚂蚁集团基于 Ling 模型继续训练，强化了多文档金融分析、财报比对与估值建模。

技术平权改变最大的是让许多过去被技术门槛困住的有趣灵魂，就是现在经常被人说起的Vibecoding，看着各行各业零代码基础的人也可以手搓出很多极具美感和创意的产品，他们不用再花几个月去各种学习网站上看网课看资料去学习基础，对于我自己来说，大模型补齐了我作为产品经理在coding方面的短板，压低了我整合数据和资源的成本，和跨岗位的人拉齐了一定的认知差距，降低了我与其他人的一些信息差，以前打开 B 站还会搜”Python 入门、PyTorch 入门、Hadoop 底层原理……”，现在这些更像一个个技能包，开箱即用，我更多时候只需要想清楚：我到底要什么。AI提高的是人效，是从想法到成品的“交通效率”，想法变成现实的成本被极大程度的压缩，“定义有价值问题”这一步目前大模型还没办法完全替代有能力的人，所以这也是为什么大家都在说最先被替代的是做基础开发的人员，因为他们的劳动可复制性太强，一个公司内的资深架构师我相信还不至于现在就能轻易被大模型替代掉。每个人在垂直行业沉淀了多年的业务经验和对行业负责数据、业务问题的理解，对客户对人的长期洞察结论，这些才是大模型最难复刻的东西。

所以我的理解是，定义问题的能力、业务理解的深度和广度、判断什么值得做的见解会越来越值钱。这些软能力，没有被训练在大模型的参数里。工程实现的护城河一点点被填平，技术会趋近平权，而你对真实环境的灵感与品味，是模型压缩不掉的那部分稀缺资源。在这个行业做了这么多年，每当一轮风口来临时都会有一批人贩卖焦虑怕掉队，可当你放眼看那些穿越周期的人，眼光一致落在问题本身。模型会一直迭代，技术会一直进步，今天最先进的 AI 工具，两年后大概率就是人人能用的基础能力。真正值得长期积累的是提炼问题的眼光，业务一团糟时也能揪出关键；是把零散经验沉淀成规范、搭成稳定系统的能力；还有最重要的，敢跳出思维惯性、打破舒适圈去创造的勇气。

产品是表达想法的载体，技术终将趋近平权。历史、现在乃至未来，真正稀缺的，是你看到了什么、想到了什么，以及把所见所闻变得有价值的行动，当你做到上述时相信你也一定能得到一个满意的结果。