一位毫无编程经验的小红书运营，仅用一个下午就做出了能自动仿写帖子的Chrome插件——这背后是AI对产品经理传统能力的颠覆性挑战。当实现创意的技术门槛归零，PRD撰写、竞品分析等"硬技能"正在快速贬值，而问题发现力、判断力和共识构建力这三种难以量化的能力，正成为产品经理不可替代的护城河。本文深入剖析AI时代PM价值模型的重构逻辑，揭示从"需求翻译官"到"决策链路负责人"的转型路径。

最近发生了一件让我细思极恐的事。我的一个朋友，做小红书内容运营，没有任何编程经验，甚至从来没有打开过代码编辑器。她的日常工作是刷帖子、找参考、手动改写，重复到机械。

某天她告诉我，她做了一个谷歌浏览器插件。我以为她在开玩笑。插件这种东西，放在两年前，需要熟悉 Chrome Extension 的 API 规范、JavaScript 异步逻辑、DOM 操作、跨域请求处理……随便拎出一个，都能拦下 90% 的非技术人员。

但她没有开玩笑。她打开浏览器，当着我的面演示：打开一篇小红书帖子，点击插件图标，右侧弹出侧边栏，自动读取帖子的标题、正文和标签，选一个仿写场景，点击生成——不到 20 秒，三个可以直接编辑的仿写版本出现在屏幕上。

整个插件，从零到可用，她花了不到一个下午。

我问她怎么做到的。她说：“就是跟 AI 说我要什么，它告诉我怎么一步一步来。我连文件夹都是它帮我创建的。”

我沉默了很久。不是因为这件事多么了不起，而是因为它意味着一条原本存在的边界，正在悄悄消失。

一、一条正在消失的边界

在过去相当长的时间里，“能不能做出来”和”知不知道要做什么”，是两件完全分开的事。

一个产品经理可以清晰地描述用户需求，画出完整的交互流程，写出逻辑严密的 PRD——但他做不出来。做出来这件事，需要工程师。这中间的鸿沟，让”懂需求的人”和”会实现的人”长期维持一种相互依赖的关系。

产品经理的核心价值之一，正是建立在这条边界之上：我是那个站在用户和技术之间的翻译官，因为没有我，两边说不上话。

但现在，这条边界正在快速模糊。

“Vibe Coding”这个概念出现后——用自然语言向 AI 描述你想要的东西，AI 负责生成代码，你不需要理解代码，只需要判断结果对不对。未来将会完全屈服于氛围，忘记代码的存在。

这话当时听起来像玩笑，现在越来越像预言。国内的 Claude Code、Cursor、豆包等工具，正在把“把想法变成软件”这件事的门槛，从”需要 3-5 年编程经验”拉低到”需要一个下午的耐心”。

当“实现”这件事的成本趋近于零，“知道要做什么”这件事的独特性，还剩多少？

这不是一个可以用”PM 不会被替代”来搪塞过去的问题。这是一个需要认真回答的问题。

二、哪些 PM 能力，正在被 AI 蚕食

在回答“产品经理的护城河是什么”之前，我们需要先诚实地面对一个更难受的问题：

哪些我们以为是核心能力的东西，其实正在快速贬值？

1. 写PRD

PRD 曾经是产品经理的核心交付物，也是展现专业度的主要载体。结构化表达、需求拆解、边界定义、流程描述——这些技能花了不少人几年时间去打磨。

但现在，一个训练有素的 AI，在你提供足够上下文之后，可以在 20 分钟内生成一份结构完整、逻辑清晰的 PRD 初稿。它不会写错流程图的语法，不会忘记异常路径，也不会漏掉“非功能需求”这一章。

PRD 本身的价值，从来不在于”写”这个动作，而在于”想清楚了什么”。但长期以来，“写得好”和”想得好”在外观上太像了，导致很多人把写 PRD 的能力当成了核心能力。

1. 竞品分析和市场调研

这类工作曾经需要花大量时间搜集资料、整理信息、做对比表格。现在，告诉 AI 你想分析哪个行业的竞品，它可以在几分钟内生成一份覆盖主要维度的分析框架，甚至帮你补充遗漏的视角。

1. 基础的用户访谈框架设计

根据你的产品类型和用户画像，AI 能生成一套访谈提纲，比很多初级 PM 手写的版本更完整。

1. 数据报表解读（初级层）

看懂数据，找出明显的异常，生成结论描述——这类工作在 AI 面前越来越透明。说白了：所有“信息整理型”和“模板填写型”的工作，正在加速被替代。非常残酷的现实：如果你的核心价值主要体现在这些地方，那确实需要认真考虑下一步了。

三、真正的护城河，是这 3 件事

好消息是，产品经理的工作里，有一些东西，AI 在相当长的时间内都做不了。

不是因为 AI 不够聪明，而是因为这些能力的本质，不是信息处理，而是判断、感知和人际协调——这三件事，需要的不是算力，而是经验、情境理解和真实的利益博弈。

护城河一：问题发现力

我的朋友做出那个小红书插件，背后有一个前提：她知道自己要解决什么问题。

她每天要仿写帖子，每次要在浏览器、AI 对话框、备忘录之间来回切换，效率低，动作重复。这个痛点非常具体：不是“内容创作效率低”这种宽泛的描述，而是”我每次打开 AI 都要重新粘贴原文，然后再把结果复制到别的地方，这个来回让我很烦”。

把这个具体的、真实的痛点说清楚，是 AI 帮不了她的——那是她自己在日复一日的使用场景中积累出来的感知。

这就是问题发现力的本质：在别人还没意识到有问题的地方，你已经看到了。

AI 可以在你告诉它问题之后帮你生成解决方案，但它无法替你去感知用户的情绪，无法替你在一次产品走查中发现那个让用户皱眉的细节，也无法替你在一次用户访谈里听出”我没什么意见”背后真正的含义。

用户调研的核心价值，不是收集信息，而是在真实接触中捕捉信号。 这种感知力，是产品经理长期浸泡在用户场景中才能形成的能力，不是靠读报告能学来的，更不是 AI 能模拟的。

一个可操作的训练方法：不要只问用户“你有什么需求”，而要问“上一次你因为这个产品感到烦躁，是什么时候，发生了什么”。具体的情绪锚点，往往比宏观的需求描述更有价值。

护城河二：判断力

我的朋友用 AI 帮她做了这个插件，但在做插件的过程中，有无数个选择点是 AI 给不了答案的：

• 这个功能是做弹窗还是做侧边栏？
• 要不要加”历史记录”功能？
• 生成一个版本还是三个版本？
• 用户指令框要不要提供预设风格？

对于每一个选择，AI 可以给你列出利弊，可以告诉你业界通常怎么做，但它无法替你决定：在你的具体场景、你的用户习惯、你的资源约束下，哪个选择更值得。

这就是判断力：在信息充分但方向不确定的情况下，做出高质量的选择。

随着 AI 工具的普及，每个人可以更快地生成方案、更快地验证想法，这反而让“选择哪个方向去做”变得更重要。信息不再是稀缺品，判断才是。

举一个更大的例子：当你的团队 AI 分析出了 100 个潜在功能方向，每个都有数据支撑，每个都有用户需求——你要选哪 3 个放进下季度的 Roadmap？这个决策，需要你同时考虑：

• 技术实现的难度和周期
• 商业价值的大小和确定性
• 团队当前的能力边界
• 竞争对手的布局
• 用户的实际优先级（而不是问卷里填的优先级）

这 5 个维度的综合权衡，不是靠更多数据能解决的，靠的是经验和判断。

判断力的训练，有一个反直觉的方法：给自己设定一个”截止日期原则”——在没有更多信息的情况下，你必须在 X 分钟内做出决定。长期依赖”再等等看更多数据”，会让判断力退化。做决策，然后复盘决策，是比收集信息更有效的训练路径。

护城河三：共识构建力

这是最容易被忽视，也是最难被替代的能力。

一个产品能不能做出来，很多时候不取决于需求有多清晰，而取决于相关的人能不能对齐。

业务方想要更多功能，技术说排期不够；运营要这个设计，设计说用户体验会受影响；老板要快速上线，团队说质量要先保证……这些冲突不是信息不够造成的，是利益和视角不同造成的。

产品经理的核心价值之一，是在这些冲突里找到一个“大家都能接受的方向”，并且让所有人愿意朝这个方向走。

AI 可以帮你起草一份对齐文档，可以帮你列出各方的诉求，可以给你提供谈判策略——但它没办法替你走进会议室，感受气氛，读懂技术负责人那句“我们来看看排期”背后是在推脱还是在认真评估，然后用一句话把氛围扭转过来。

人和人之间的协调，本质上是信任的建立和传递。 这件事发生在真实的关系里，需要时间积累，需要情绪感知，需要在无数次小的互动中建立信用。这不是 AI 能模拟的，甚至也不是靠技巧能速成的。

四、一个新的 PM 价值模型

把上面三件事放在一起，我们可以勾勒出 AI 时代产品经理的价值模型：

不是“懂技术 + 懂业务”的翻译官，而是“发现真问题 → 做出好判断 → 推动真执行”的决策链路负责人。

AI 工具让”实现”这件事的成本大幅下降，但它同时放大了”方向对不对”和”能不能真正落地”的重要性。当实现变得便宜，浪费在错误方向上的代价反而更清晰了——因为你可以更快地看到结果，也更快地知道自己在错误的道路上走了多远。

这对产品经理来说，其实是一个机会。

过去，PM 的很多精力消耗在“把需求翻译成开发能看懂的文档”上，这部分工作 AI 正在越来越多地承担。被解放出来的时间，本可以用来做更有价值的事：更深度的用户接触、更清晰的方向判断、更有效的团队对齐。

问题是：你有没有意识到这个转变，并且主动去填充那些被空出来的高价值时间？

五、对企业的赋能：PM 角色的真正升级

从企业的视角来看，AI 时代产品经理的价值，正在从“执行层”向“赋能层”迁移。

传统 PM 的价值路径是：理解需求 → 写文档 → 协调资源 → 跟进交付。这是一个串行的、依赖 PM 作为中心节点的模式。

新的价值路径是：

第一，帮助非技术团队用 AI 工具自助解决问题。 就像我朋友的案例——运营、设计、市场的同事，都有很多重复性的工作可以被 AI 工具替代，但他们不知道从哪里开始。产品经理因为对工具和流程的理解，可以成为这些人的”AI 能力教练”，帮整个团队提效，而不只是自己提效。

第二，把“验证想法”的周期从月缩短到天。 过去，一个功能想法需要经过评审、排期、开发、测试的完整流程才能验证。现在，一个有 Vibe Coding 能力的 PM，可以在 24-48 小时内做出一个可以给用户看的 demo，大幅降低验证成本，让迭代更快发生在用户真实反馈上。

第三，提升决策质量，而不只是决策速度。 AI 可以帮你更快地分析数据、更快地生成方案，但”选哪个方案”这个判断，最终需要人来做。PM 的核心价值，正在从”生成选项”转向”选出正确选项”，这需要更强的行业理解、用户感知和风险判断，而不只是工具使用能力。

写在最后

回到我朋友做插件这件事。

她花一个下午做出了一个真实运行的 Chrome 插件，这件事本身并不是重点。重点是在整个过程中，哪些事情 AI 替她做了，哪些事情 AI 做不了。

AI 替她写了代码、解决了报错、配置了文件、生成了 HTML 和 CSS。

但 AI 做不了的是：她在日复一日的工作中，感知到了那个让她烦躁的具体痛点；她决定“这个问题值得花一下午来解决”；她在看到三个仿写版本之后，判断“这个比那个更符合我的需求”。

发现真正值得解决的问题、判断哪个方向值得投入、推动事情真正发生——这三件事，是 AI 工具能力越强，反而越需要人来做好的事。

技术门槛的消失，不是在消灭产品经理的价值，而是在重新定义它。

那些一直把价值建立在“翻译”和“文档”上的 PM，确实面临真实的压力。但那些一直在培养问题感知力、判断力和推动力的 PM，正在迎来一个更好的时代——因为现在，他们可以更直接地用这些能力创造价值，而不用把大量时间耗费在可以被工具替代的中间环节上。

人人都能做产品的时代，真正的 PM 做的不是产品，而是别人看不见的判断。