• 亿邦公众号
    • APP下载

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

EN
全文速览

本文分享了AI时代的职场发展趋势,以及普通人使用AI提升工作效率的实操干货,核心内容如下:

1. 核心判断:AI不会带来大规模裁员,反而会让具备判断力、创造力的人才更值钱,其中产品经理、全栈设计师是AI时代的核心赢家,销售岗位受AI冲击最小;

2. 实操方法:普通人用AI的正确姿势是“骑上模型”,要把AI用到日常真实工作中,新模型发布后第一时间测试自己领域的应用,不要只做演示场景测试;选AI工具可以用“触手测试”,早上醒来会下意识想用的才是合格的好工具;

3. AI使用规范:AI可用来协助起草内容,但作者必须掌握内容核心,若文档生产成本低于读者阅读成本,就是不合格的劣质内容。

本文基于企业全员AI落地的实践,梳理了AI时代品牌经营的新趋势和机会,核心内容如下:

1. 消费与品牌趋势:AI降低了内容生产和产品落地门槛,同质化产出大幅增加,能做出差异化、有独特性格的产品和内容反而更值钱,品牌打造差异化优势的优先级进一步提升;

2. 产品研发变化:AI压低了技术执行成本,判断用户真实需求、把控产品方向的能力变得更稀缺,品牌可借助AI快速落地产品原型,缩短研发周期,降低试错成本;

3. 运营升级机会:AI可重构客户支持环节,自动生成精准的问题报告和需求,大幅提升问题解决闭环效率,品牌可借助AI降低运营成本,提升用户响应速度。

本文为布局AI业务的卖家梳理了AI时代的市场机会、风险提示和行动方向,核心内容如下:

1. 业务机会:流行的“SaaS末日论”并不成立,AI不仅不会消灭SaaS,反而会新增大量SaaS用户,卖家无需盲目抛弃现有SaaS工具,正确方向是改造产品,打造人类和AI智能体可同时协作的产品,还不需要卖家承担AI调用成本,能有效改善利润率;

2. 团队调整方向:AI不会带来大规模裁员,但要求团队改变工作方式,全员深度用AI是大势所趋,前置部署工程师这类新岗位需求迫切,需要提前布局相关人才;

3. 风险提示:AI会催生大量同质化产出,卖家需要强化自身的需求判断、内容审查能力,跳出同质化竞争才能获得优势。

本文分享了AI落地的最新进展,对工厂推进数字化转型、拓展业务有诸多启示,核心内容如下:

1. 产品生产设计层面:AI大幅降低了设计、原型开发的技术门槛,非技术人员也能借助AI生成设计方案和产品原型,工厂可借助AI快速响应小批量个性化订单需求,缩短设计生产周期,提升市场反应速度;

2. 数字化转型启示:工厂不需要盲目追求“每人一个AI智能体”的架构,可先落地公司级统一超级智能体,安排专职团队维护即可,能降低转型成本和维护难度,更易推进落地;

3. 组织管理变化:AI落地后,生产环节自动化程度提升,工厂需要新增审查、监督、调整AI产出的工作环节,把控输出质量,避免同质化产出,以此提升自身核心竞争力。

本文基于企业全员AI实践,梳理了AI时代To B服务行业的发展趋势、客户痛点和新机会,核心内容如下:

1. 行业核心发展趋势:未来AI工作方式将呈现“双轨分叉”,第一轨是企业级超级智能体,第二轨是Codex这类本地AI成为知识工作的操作系统,图形化界面已经取代CLI成为主流方向,服务商可围绕这两个方向提前布局产品;

2. 客户核心痛点:当前企业落地AI普遍面临智能体维护难度大、AI产出质量参差不齐、非技术人员无法用好AI完成专业任务的问题,这些都亟待服务商解决;

3. 新业务机会:市场对前置部署工程师相关服务需求迫切,服务商可推出帮助企业搭建AI协作系统、培养相关能力的服务,也可以将现有SaaS产品改造方向调整为支持人和智能体同步协作,适配新的工作需求。

本文梳理了AI时代企业用户对平台的新需求,以及平台运营、招商的新方向,核心内容如下:

1. 用户需求变化:AI时代,企业需要平台支持AI智能体通过接口访问平台功能,实现人和智能体的操作实时同步,原有纯面向人工操作的产品架构已经不符合新需求,需要针对性调整;

2. 平台运营调整:AI让内容、代码等各类产出的数量大幅提升,平台运营核心已经从原来的促进生产,转向内容审核、质量筛选、架构梳理,平台需要搭建AI辅助的审查系统,管控平台内容质量;

3. 招商增长机会:AI催生了前置部署服务、AI辅助开发工具、差异化设计服务等大量新需求,平台可针对性开展招商,引入相关新业态商家,同时平台自身也可借助AI升级客户支持服务,提升响应效率,降低运营成本。

本文分享了AI一线落地实践的最新观察和诸多判断,对研究AI产业变革的研究者有较高参考价值,核心内容如下:

1. 产业最新动向:当前AI工作方式已经进入双轨分叉阶段,公司级超级智能体成为主流落地模式,本地桌面AI成为知识工作操作系统,CLI时代已经结束;SaaS不会被AI取代,反而会迎来新的增长,前置部署工程师成为当前AI落地中需求最迫切的稀缺岗位;

2. 产业新问题:AI发展打破了“AI自动化会全面取代人类工作”的叙事,实际带来了同质化产出泛滥、审查监督成为新产业瓶颈、AI产出始终需要人工维护调整等新问题;

3. 产业分工新特征:人类与AI形成了新分工,AI负责执行指定任务,人类负责发现问题、判断真实需求、审查监督AI产出,产品经理和设计师因此获得结构性优势,AI不会带来大规模裁员,这是AI时代产业分工的核心新特征。

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

This article shares career development trends in the AI era and practical tips for ordinary people to boost work efficiency with AI. Its core insights are as follows:

1. Core judgment: AI will not trigger large-scale layoffs. Instead, it will increase the value of talents with good judgment and creativity. Product managers and full-stack designers will be the core winners in the AI era, while sales positions will see the least impact from AI.

2. Practical guidance: The right approach for ordinary people to use AI is to "ride the model" — integrate AI into daily real-world work, and test applications in your own field as soon as new models launch, rather than only testing AI in demo scenarios. To select AI tools, use the "touch test": a qualified good tool is one you will instinctively reach for when you wake up in the morning.

3. Usage guidelines: AI can assist in drafting content, but human authors must retain control over the core of the content. Any document whose production cost is lower than the reader's cost to read it is unqualified low-quality content.

Based on the practice of company-wide AI adoption, this article outlines new trends and opportunities for brand operations in the AI era. Key takeaways are as follows:

1. Consumer and brand trends: AI lowers barriers to content creation and product development, leading to a surge in homogeneous output. As a result, differentiated products and content with distinct brand personalities have become far more valuable, making the build-out of competitive differentiation a higher priority for brands.

2. Changes in product R&D: AI reduces technical execution costs, making the ability to identify real user needs and steer product direction far more scarce. Brands can leverage AI to quickly build product prototypes, shorten R&D cycles and cut trial-and-error costs.

3. Opportunities for operations upgrading: AI can restructure customer support, automatically generating accurate problem reports and demand insights, greatly improving the efficiency of end-to-end problem resolution. Brands can use AI to cut operating costs and speed up user response.

This article outlines market opportunities, risk warnings and actionable directions for sellers expanding into AI-related business. Core content is as follows:

1. Business opportunities: The popular "SaaS doomsday" narrative is unfounded. AI will not eliminate SaaS; instead, it will bring a large influx of new SaaS users. Sellers do not need to blindly abandon their existing SaaS tools. The right path is to transform products to support simultaneous collaboration between humans and AI agents, which does not require sellers to bear AI inference costs and can effectively improve profit margins.

2. Team adjustment directions: While AI will not cause large-scale layoffs, it requires teams to rethink their work methods. Company-wide deep AI adoption is an inevitable trend, and there is already urgent demand for new roles such as pre-deployment engineers, so sellers should plan for relevant talent recruitment in advance.

3. Risk warnings: AI will spawn massive volumes of homogeneous output. Sellers need to strengthen their capabilities in demand judgment and content review, and stand out from homogenized competition to gain an edge.

This article shares the latest progress in AI implementation, with multiple implications for factories advancing digital transformation and expanding business. Key insights are as follows:

1. Product design and manufacturing: AI greatly lowers technical barriers for design and prototype development, allowing non-technical staff to generate design solutions and product prototypes with AI support. Factories can leverage AI to quickly respond to demand for small-batch personalized orders, shorten design and production cycles, and improve market responsiveness.

2. Implications for digital transformation: Factories do not need to blindly pursue an architecture of "one AI agent per person". Instead, they can first implement a unified company-level super agent, managed by a dedicated full-time team. This approach cuts transformation and maintenance costs, making implementation far easier.

3. Changes in organizational management: After AI implementation, automation in production links increases. Factories need to add new work links to review, supervise and adjust AI output, to control output quality and avoid homogeneous products, so as to enhance their core competitiveness.

Based on the practice of company-wide AI adoption in enterprises, this article sorts out development trends, customer pain points and new opportunities for the B2B service industry in the AI era. Core content is as follows:

1. Core industry trends: Future AI-powered work will evolve into a "two-branch bifurcation". The first branch is enterprise-level super agents, and the second is local AI systems such as Codex, which will become the operating system for knowledge work. Graphical interfaces have already replaced CLIs as the mainstream direction, and service providers can plan product development around these two tracks in advance.

2. Core customer pain points: Currently, most enterprises implementing AI face widespread problems including high difficulty in agent maintenance, inconsistent AI output quality, and non-technical staff being unable to use AI effectively for professional tasks. All these problems await solutions from service providers.

3. New business opportunities: There is strong market demand for pre-deployment engineering services. Service providers can offer services to help enterprises build AI collaboration systems and develop relevant in-house capabilities. They can also adjust the transformation direction of existing SaaS products to support simultaneous collaboration between humans and AI agents, to adapt to new work requirements.

This article sorts out the new demands enterprise users have for platforms in the AI era, as well as new directions for platform operation and merchant recruitment. Core insights are as follows:

1. Changes in user demand: In the AI era, enterprises require platforms to support AI agents accessing platform functions via APIs, to realize real-time synchronization of operations between humans and AI agents. Original product architectures designed exclusively for manual operation no longer meet new demands, and require targeted adjustments.

2. Adjustments to platform operation: AI has led to a massive increase in output of all types, from content to code. The core of platform operation has shifted from driving production to content review, quality filtering and architecture organization. Platforms need to build AI-assisted review systems to control platform content quality.

3. Growth opportunities via merchant recruitment: AI has created massive new demand for pre-deployment services, AI-assisted development tools, differentiated design services and more. Platforms can carry out targeted recruitment to bring in merchants from these new business segments. Meanwhile, platforms can leverage AI to upgrade their own customer support services, improve response efficiency and cut operating costs.

This article shares the latest observations and judgments from on-the-ground AI implementation practices, offering high reference value for researchers studying AI-driven industrial transformation. Core content is as follows:

1. Latest industry trends: Current AI-powered work has entered the two-branch bifurcation stage. Company-level super agents have become the mainstream implementation model, local desktop AI has become the operating system for knowledge work, and the CLI era has come to an end. SaaS will not be replaced by AI; instead, it will enter a new phase of growth, and pre-deployment engineers have become the most urgently needed scarce role in current AI implementation.

2. New industry problems: AI development has broken the narrative that "AI automation will fully replace human work". In practice, it has created new problems including rampant homogeneous output, review and supervision becoming a new industry bottleneck, and the persistent need for human maintenance and adjustment of AI output.

3. New characteristics of industrial division of labor: A new division of labor has formed between humans and AI: AI handles execution of assigned tasks, while humans take charge of problem identification, judgment of real needs, and review and supervision of AI output. This gives product managers and designers a structural advantage. AI will not cause large-scale layoffs — this is the core new characteristic of industrial division of labor in the AI era.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

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

+1

{{ praise_text }}

好文章,值得被更多人看到

广告

下一篇

跨境电商资源对接

《全球跨境电商服务商资源手册》第二期手册现已发布,触达更多资源,了解跨境服务商信息,欢迎点击链接下载。

了解详情

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。

阿里巴巴 平台 天猫 未来零售

2026-06-16 17:12:20