产品经理和设计师即将赢得人工智能时代
作者:记录AI变革的 文章来源:至顶头条
2026-06-16 19:47
作者:记录AI变革的 文章来源:至顶头条
2026-06-16 19:47
邦小白快读
自动化越多越忙,AI时代人才反而更值钱。
作者 | 智顶顶
来源 | 至顶科技
Lenny's Podcast于2026年5月24日发布了这期对话,嘉宾是Every的联合创始人兼CEO Dan Shipper。Every是一家媒体与软件公司,约30人的团队全员是AI早期采用者,从编辑、运营到销售,人人都在用AI做大量工作。这种极端的试验环境,让Every成为真正意义上的"AI工作方式实验室"。
Dan去年第一次上这档播客时,随口提了一个观点:大家都低估了Claude Code用于非技术工作的潜力。结果一年后,Anthropic推出了Co-work,OpenAI跟进了Codex桌面版,他的判断被逐一验证。此次他带着12个新预测回来,部分观点相当刺耳,包括"SaaS末日论是扯淡"、"CLI时代已经结束"、"AI大裁员不会发生",以及一句让产品经理们心跳加速的话:"我对PM们极度看好。"
这不是预言家的表演。Dan的判断来自真实数据:过去一年,Every的团队规模从15人扩充到了近30人,这与"AI会让公司裁员"的流行叙事恰好相反。
“我们是活在未来的人”
一个预测者的可信度,很大程度上取决于他是否真的活在他所预测的未来里。
Dan的方法论很简单:不做预言,只做观察。Every的30个人,工程师、设计师、编辑、销售、客服,全员AI重度用户,这在任何一家公司里都是不可能出现的浓度。"在普通公司,总会有一批人是早期采用者,有一批人跟在后面,还有一批人非常抗拒。"他说,"我们这里没有那种混合。"
这种极端的内部密度,让Every具备了一种独特的感知力。他们在外部发布之前就能测试模型,帮助引导开发方向。每当一个新能力出现,团队里立刻有真实的工作任务去验证它。
他还有一个判断早期工具价值的标准,叫做"触手测试":早上醒来,你会不会下意识地想拿起这个东西?Claude Code在某个版本后,开始通过这个测试。
工作将在两个界面里发生
Dan对未来一年工作方式的核心判断,是一个"双轨分叉"。
第一轨:公司层面的超级智能体(Super-Agent)。
大家曾经设想过的那种场景,终于到来了:每个人的公司里会有一个AI智能体,员工可以直接把任务交给它,由它去完成工作,然后反馈结果。这个智能体很可能住在Slack里,因为大多数人希望把工作和个人事务分开。
Dan原本以为,最优的架构是"每人一个智能体",就像《黄金罗盘》里每个人肩上的守护精灵(Daemon),是你灵魂的一部分。但他完全翻转了这个判断。现在他认为,在相当长的时间内,每家公司会有一个超级智能体,而不是每人一个。
原因很现实:维护一个AI智能体是体力活。配置、调试、定期喂上下文、处理各种崩溃……一旦有人不想花时间维护了,这个智能体立刻就变得没用。Shopify、Ramp等公司率先验证了"公司级单一智能体"的模式,背后有专职团队(通常是前置部署工程师)负责运营和维护。
"每一个智能体都需要一个真正在意它的人。这种连接一断,智能体就废了。"他说。
第二轨:Codex或Claude Code成为知识工作的操作系统。
这是Dan认为更重要、也更容易被忽视的变化。
Anthropic最初发现,把AI智能体直接放在电脑上、通过终端运行,效果出奇的好,因为模型对终端的操作有大量训练数据支撑,理解能力极强。而一旦它能访问你电脑上的一切,它的能力就几乎没有边界。
于是有一段时间,人们以为"CLI(命令行界面)才是AI时代的正确工作方式"。Dan的判断是:那个时代已经结束了。我们加速通过了CLI时代。人们当初喜欢CLI是因为它强大,但真正让Claude Code有效的不是CLI本身,是"智能体能访问电脑上的一切"这件事。当Anthropic把Co-work做成图形界面,OpenAI把Codex做成桌面应用,这个核心能力被保留,而体验变得更好了。
Dan现在的日常是这样的:他打开Codex,里面有一个内置浏览器。他在Codex里访问自己用Claude Code搭建的在线Markdown编辑器Proof,开始写作。Codex在旁边盯着他写的东西,他可以随时打断Codex去做研究、改格式、搜资料,然后继续写。Codex也能同时处理他的邮件:Cora(他们自己做的邮件智能体)把邮件汇总成一页,他对着这页内容自言自语,Codex就去处理每一封邮件。"我已经连续10天保持收件箱清零了,这对我来说是天方夜谭。"
他说他以前一直以为AI的最佳形态是"把AI嵌进浏览器",但现实刚好相反:把浏览器嵌进AI智能体。
"我现在就会买SaaS股票"
这是本期播客里最反直觉的判断之一,也可能是最有价值的投资逻辑。
流行的叙事是:AI智能体会取代SaaS工具,因为智能体可以直接完成任务,不需要经过那些软件。Dan认为这个逻辑完全错了。
AI智能体不会消灭SaaS,它会增加SaaS的用户数量。
理由很简单:智能体需要工具才能工作。智能体使用PostHog看数据,智能体在Slack里发消息,智能体在GitHub上提PR。每一个在公司里跑的智能体,都是这些SaaS工具的新用户。"我们自己的SaaS支出是逐年上涨的,就算我们已经有了这么多智能体。"
更妙的是,这个趋势会改善SaaS公司的利润率。很多SaaS公司现在的焦虑是:要给产品加AI功能,调用模型要花钱,毛利率会被压缩。但如果用户自己带着Codex进来用你的产品,用的是他自己的API Token,SaaS公司根本不需要为这些调用付费。
这意味着SaaS公司需要重新想明白自己在构建什么:不是"一个嵌了AI的产品",而是"一个人类和智能体可以同时协作的产品"。人在图形界面里操作,智能体通过CLI访问,两边的行为都能实时同步。这是全新的产品设计挑战。
Dan还举了Proof自己的例子:有用户遇到问题时,不是用户发支持邮件,而是用户的智能体自动生成一份精确的bug报告,包含复现步骤、代码库分析。这份报告变成GitHub issue,他们再派一个智能体去修复。"那个闭环速度,是人工客服支持完全无法实现的。"
自动化是谎言,智能体需要园丁
Every这一年从15人增长到近30人。这个数字本身就是一个反常。
Dan的解释很直接:每一次自动化,都需要一个人在上面盯着它运行。
他两年前写过一篇叫做《配置经济》(The Allocation Economy)的文章,大意是人与AI的协作关系,类似于管理者与员工。管理者不是在海滩上躺着,他们在不停地跟进、调整、确保输出质量。AI也一样,你以为自动化掉的事情,其实只是变成了另一种形式的工作:监督和维护自动化本身。
他自制了一个基准测试,叫"资深工程师基准",测试AI能否把一个粗糙的Vibe Code项目从头重构。在GPT-5.5出来之前,所有模型都只能拿到30分(满分100分,人类资深工程师能拿到85-90分)。GPT-5.5拿到了62分,跳升了30个点。
但他的结论让人意外:即使模型达到资深工程师水平,他也会把标准线调高,让当前模型重新归零。原因在于,基准测试只能测试"你已经能表述的问题",而人类最有价值的工作,往往从发现问题本身开始。
他举了个例子。他在Proof上线后服务器频繁崩溃,他告诉模型"这里有五个已报告的问题,去修复它们"。每一个顶级代码模型都会乖乖去修这五个问题。而真正的资深工程师,看了代码之后会说:"这坨东西根本就该重写,你不想听但我必须告诉你。"
"模型会做你说的事,人会做你需要的事。"这两件事,还差得很远。
工作形态的变化:审查变成了主要职业
知识工作的内容,正在发生一个深层的结构调整。
简单说:生产变得容易了,审查变得重要了。
Dan观察到,Every内部非技术人员(编辑、运营)开始直接提PR(Pull Request,代码合并请求)。一年前这不可能发生。现在有些开源项目每天会收到数千个PR,维护者用几万个Codex实例来筛选和合并其中有价值的部分。
但这带来了新的瓶颈:不再是"我们能不能做出来",而是"做出来的东西符不符合整体架构?我们该删掉哪些?"Dan说Anthropic在这方面做得不错,他们会定期从Claude Code里删掉功能,防止它臃肿膨胀。
他还提到数据科学团队的处境:以前数据科学家的工作是做分析、解答实验结论。现在每个人都能做分析,到处都是"分析结果",但大量结果是错误的,数据科学家的主要工作变成了纠错。解法不是让数据科学家自己去应付这些请求,而是搭建一个智能体系统来吸收基础问题,让数据科学家去处理真正复杂的问题。
这是"前置部署工程师"(Forward Deployed Engineer)这个新角色的由来。
这类人不仅会写代码,更擅长搭建"让非技术人员用智能体完成技术任务"的系统。他们可能花大量时间在Slack里跟公司的超级智能体对话,问"你为什么做了这个蠢操作",然后调整它的行为。这个岗位正在大型科技公司和Each产品中快速成型,是当前AI落地中需求最迫切、供给最稀缺的技能包。
"PM们要翻身了"
Every有一个叫Marcus的人,背景是产品经理,之前在Axios负责写作产品,带了很大的团队,做到了几千万ARR。后来他休息了一年,深度学习如何使用Cursor,现在Dan说"我以前永远不会雇他来做这份工作,但现在他是团队里交付速度最快的人之一"。
Marcus做的是什么?他运营一个叫Spiral的写作应用。他用自己的产品直觉和对写作用户的理解,推动每一个功能方向;然后用AI把代码的部分做出来;同时还会仔细查看每一个用户对话,从中提炼出"我们下一步要做什么、要修什么"的完整叙事。
"他不需要组织一个完整的工程团队。他直接做了。"Dan说,"这太危险了。"(这里的危险是竞争意义上的:对其他人来说,这样的PM太难对付。)
Dan认为PM之所以会在AI时代获得结构性优势,根本原因在于AI的崛起把技术执行成本压低了,但判断做什么、判断好不好、判断用户真正需要什么,这些依然是稀缺能力,而且更稀缺了。PM恰好是这些能力的集中地。
全栈设计师是另一个赢家。设计师有大量好想法,过去总在交接给工程师的过程中打折。现在他们可以直接提PR,不需要解释每一个像素背后的意图。"AI工具做出来的东西都是一个样,能让它真的好看、真的有性格,这件事反而变得更值钱了。"
AI不会大规模裁员,但你必须改变做法
Dan的判断是:AI大裁员不会发生。至少不会以人们想象的那种方式发生。
他的解释框架是这样的:每一个新模型,都把昨天的人类能力变得廉价。大量原来需要专业技能的事情,现在任何人借助AI都能做。这些能力会迅速扩散,然后变得同质化,因为用的是一样的模型、一样的提示词。
这就是"AI slop"的来源:每个人都能发Twitter、写落地页、生成代码,于是到处都是一样的东西。
人类在这个结构里的位置,是找到如何把"冻结的昨日能力"用来创造"今日的新东西"。这件事不能被自动化,因为在你能把它表述成基准测试之前,它根本不存在。工程师、设计师、PM,每一个岗位目前的趋势都是"人数需求上涨而不是下降",原因就是AI生产的东西越来越多,需要人来整合、判断、修正它。
但这不意味着什么都不用改变。Dan把必要的改变总结成一句话:"骑上模型。"
具体说,就是在你的日常工作里用起来,每当新模型发布,把之前不能做的事情再测一遍。好的工具测试方式,是应用到你真正在乎的事情上,而不是找个演示场景测一遍。"每一次新模型发布,你都是世界上最早发现它在你这个领域能做什么的人之一。"
他特别强调,AI的真正前沿不在旧金山。"旧金山的人在造它,但他们不知道怎么用它。AI的前沿,在每一个真实的人用它做真实事情的地方。"
我们将读到更多AI写的东西,并且喜欢它
一个令人不适但必须面对的事实:大量知识工作的书面输出,已经是AI写的了。
Dan对这件事的态度相当坦然。他说自己大部分邮件现在由GPT-5.5通过Codex起草,有一次Codex直接把邮件发出去了,他事后看了看,发现"就是我会写的那种"。
他设了一个很具体的标准:AI生成的文档,烂与不烂的差距在于——写它花的时间,是否比读它花的时间短?如果生产成本比阅读成本还低,说明这个文档根本没有认真对待读者。"你发给我一份AI生成的文档,我觉得很好。但我们聊起来,发现你完全不知道里面说了什么,这是大忌。"
他还描述了Every内部做季度规划的方式:一个Notion智能体对公司里每个人逐一访谈,问去年做了什么、进展如何、今年想做什么、指标是什么……然后生成每个团队的策略报告。Dan看这些报告,主要是找"哪些团队需要互相沟通但还不知道",以及"哪个报告质量有问题"。
这种写作方式会继续扩散。人们对AI写作的抵触,很大程度上源于对"AI生成等于草率"的印象,但一个被认真使用AI工具的人写出的策略文档,往往比他徒手写的要好,因为大多数人写策略文档是真的不擅长。
被问到最难的问题:哪个岗位受影响最小?
主持人Lenny问了一个很有趣的问题:在产品/技术团队的所有岗位里,哪个目前受到的冲击最小?
Dan的判断是:销售。
顶端漏斗(Top of Funnel)里AI的确在帮忙做线索来源和资格认定,但真正的销售工作,本质上还是人与人之间的说服和信任,这件事AI目前的改变幅度最小。他顺手举了一个自己用Codex做招聘研究的例子:他想招一个L&D(学习与发展)总监,觉得曾在General Assembly做过技术教育且有AI背景的人会很合适,直接让Codex去找——结果它找到了一个完全符合条件还关注了他Twitter的人,他去DM对方,当晚共进晚餐。"这放在以前要花多久?"
变化最大的:客户支持(几乎被AI重塑)、代码工程(已经完全变了)、数据科学(审查工作量激增)。CEO和中层管理者是另一类情况,Dan的观察是他们目前勉强能以"什么都没变"的姿态应对,但这个窗口期正在关闭——"你公司走多远,很大程度上取决于你作为CEO走多远,这件事没法完全委托出去"。
注:文/记录AI变革的,文章来源:至顶头条,本文为作者独立观点,不代表亿邦动力立场。
【版权提示】亿邦动力倡导尊重与保护知识产权。未经许可,任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题,烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至run@ebrun.com,我们将及时沟通与处理。
已点赞
{{ praise_text }}
好文章,值得被更多人看到
下一篇
艾瑞618消费洞察:京东珠宝首饰 运动户外品类增速双第一
在618大促上半场中,京东的珠宝首饰、运动户外两大品类增速双双领跑行业,珠宝首饰品类获得市占第一的成绩。









