最后的壁垒：AI学会了那7步方法论，学不会的那一步叫判断

guozi

当AI工具已能覆盖产品方法论中至少5个步骤，产品经理的核心价值何在？本文从波兰尼的隐性知识理论出发，拆解判断力为何是AI无法学会的护城河，并指出隐性知识不进则退，需要持续训练。



笔者早前曾写过一篇文章，总结从0到1做产品的7步方法论（传送门：复盘：如何从 0 到 1 落地一个互联网产品）：画架构图、输出脑图、画原型、补流程图、组织评审、测试验收、部署上线。如今这7步中至少5步已被AI工具覆盖。但本文并非讨论”AI会不会取代PM”——这个问题过于浅。真正值得拆解的是：方法论之所以最先被自动化，是因为它本质上是显性知识，可编码、可传授、可复制。而AI学不会的那部分——在信息不完备时做判断的能力——属于隐性知识，它从未被写进任何文档，也无法被写进任何文档。本文从波兰尼的隐性知识理论、卡尼曼的认知偏差框架和德鲁克的知识工作者生产力论出发，逐层推导这条逻辑链，最终落点在一个判断：判断力是产品经理的隐性护城河，但隐性知识不进则退，它需要持续训练。
一、一个可以观察的趋势
近两年，一个行业趋势逐渐清晰：以”需求转译+流程协调+文档生产”为核心职能的产品经理，其工具价值正在被AI工具链系统性地替代或压缩。这不是恐慌式预测，而是可以通过公开信息观察到的变化轨迹。

PayPal早期高管Keith Rabois在公开场合指出：传统PM靠信息传递、流程协调和需求转译建立起来的岗位价值，正在被新工具链吸收。Gartner的预测数据也指向同一方向——到2027年，60%的”需求翻译型”PM岗位将消失。行业调研显示，传统产品经理岗位需求出现明显下滑，而AI相关产品岗位需求大幅增长。

更值得关注的是2026年SITS2026（奇点智能技术大会）上的一场圆桌讨论。来自Google Brain、阿里云通义实验室和微软GitHub Copilot团队的工程负责人讨论了一个问题：工程团队要不要取消PM岗？某团队提交了12个月的跨职能协作数据：PM在需求翻译、排期对齐、验收闭环三个环节平均引入2.8天延迟，取消PM后迭代速度提升31%，需求吞吐量从每月24.3涨至37.6。这些数据说明的是工具效率提升后，中间层角色的必要性会被重新计算。这不是坏消息，这是一个需要正视的事实。

正视它的意义在于：当我们搞清楚”什么被替代了”和”什么没有被替代”，才能看清产品经理真正的价值锚点在哪里。
二、方法论的本质：显性知识的可编码性
笔者早前曾发表过一篇文章，总结从0到1做产品的7步方法论：画产品架构图、输出脑图、画原型、补流程图、组织评审确定里程碑、测试验收、部署上线，7步的每一步，都从实际项目中复盘而来。

如今逐条对照：架构图，AI根据需求描述30秒生成一版；竞品分析，AI抓取竞品官网30分钟出对比表；原型，AI根据描述生成线框图甚至高保真原型；流程图、状态机、泳道图，AI自动生成；测试用例，AI根据PRD批量产出。有人进行了半年实验，结论是：一个经过良好提示词训练的AI，在执行层任务上的表现已经超过入职3个月的初级产品经理——不是持平，是超越。

7步中至少5步被AI工具覆盖。这不是偶然现象，而是一个必然的逻辑结果。理解这个必然性，需要回到知识的分类框架。

1966年，匈牙利裔哲学家迈克尔·波兰尼在《隐性维度》（The Tacit Dimension）开篇提出一个命题：“我们能知道的比能说出的多。”波兰尼将知识分为两类：显性知识（explicit knowledge）——能被清晰表述、写成规则、传授他人；隐性知识（tacit knowledge）——无法被完整表述，嵌入在经验、直觉和身体记忆中。前者如画流程图的步骤、拆需求的框架、写PRD的模板；后者如判断一个功能该不该做、一个市场时机对不对、用户说”我想要A”时真正需要的是不是A。

方法论的本质，是显性知识的集合——结构化、可复用、可传授。正因为可传授，所以可编码。正因为可编码，所以可自动化。AI最擅长的，正是处理”能说出的知识”：给它规则，它执行规则；给它模式，它复制模式；给它足够的数据，它归纳出新的规则。

回头复盘那篇方法论文章的写作过程，实际上是将隐性经验翻译为显性知识的过程。翻译完成的那一刻，它就变成了可以被学会的东西——可以被同事学会，可以被新人学会，也可以被AI学会。这不是方法论的缺陷。方法论有价值，它让团队协作成为可能，让经验得以传承。但将方法论等同于核心竞争力，逻辑上等于声称：自己的全部价值，就是那些可以被写下来、被学会、被自动化的东西。

波兰尼六十年前厘清的这条边界，恰恰是理解当前产品经理处境的钥匙。方法论被自动化不是事故，是显性知识的宿命。真正的问题是：方法论之外，还有什么？
三、方法论之外：信息不完备时的判断
方法论是显性知识，回答得是”怎么做”。方法论之外的那部分隐性知识，回答的是”做什么”和”为什么做”。把这部分隐性知识进一步拆解，它的核心可以收敛为一个词：判断。

丹尼尔·卡尼曼在《思考，快与慢》中提出了一个认知偏差概念——WYSIATI（What You See Is All There Is），即”你看到的就是全部”。人的System—快速、直觉的思维系统—会根据已有信息构建最连贯的故事，然后报告高置信度。那些未看到的信息、未查到的数据、未考虑的替代方案，在故事中根本不存在。不是因为不重要，而是因为不可见。

AI的决策模式，本质上是WYSIATI的极端形态。它的所有判断基于已有数据，是”归纳”的极致——数据越充分，输出越可靠。这一点恰恰是AI的优势所在：在数据充分的场景下，归纳的效率和覆盖面远超人工。但产品经理最关键的决策，不在数据充分的阶段，而在数据不充分的阶段。项目初期，用户说不清需求，市场尚在混沌期，手中只有几次定性访谈和部分直觉，信息完备度可能不足30%。正是在这个阶段，需要做出方向性判断。

有人用半年实验验证了这条边界：AI在执行层任务上超过初级PM，但在定义问题和战略决策上”连起跑线都没站上”。原因在于两种思维模型的根本差异：AI追求最大概率的正确——给定明确问题，输出平均分以上的答案。产品经理要的不是”最优解”，而是”胜率乘以赔率最高的赌注”——对了收益巨大，错了损失可控。前者是归纳思维，后者是博弈思维。

进一步拆解，产品经理在0到1阶段的核心判断力可以分解为三个层次：

第一层：在信息不完备时选方向

数据不足30%，用户无法清晰表达需求，市场处于混沌期，必须做出方向性选择。AI可以整理已有信息，但无法在迷雾中替人选路。在WYSIATI的作用下，AI会将已有信息编织成最连贯的故事，输出一个高置信度的答案——但这个答案基于的是”可见的”信息，而非”全部的”信息。产品经理的价值，恰恰在于能够感知到”不可见的”部分：那些用户没说出来的顾虑、市场尚未显现的趋势、技术约束带来的隐性风险。这种感知能力不来自文档，来自长期蹲在现场积累的体感。

第二层：判断”值得下注”

不是选择”最优解”，而是选择”对了收益大、错了损失可控”的方案。做平台型产品时，资源仅够支撑3个模块，需要从十几个候选中做出取舍。选择的依据不是技术复杂度最低，而是哪个组合能最快形成业务闭环——让平台跑起来、产生数据反馈、获得迭代依据。AI可以分析每个模块的技术参数，但无法判断：在资源有限时，什么是”入口”，什么是”后端”，先做什么能建立飞轮。这需要对行业业务链条的整体理解，而这种理解嵌入在经验中，从未被完整写进任何文档。

第三层：将判断转化为组织共识

方向判断正确，但缺乏决策层支持、工程师不认可、设计不理解，判断就无法落地。将一个判断变成”团队共识”，需要说服、博弈、妥协和激发。这些是纯粹的人际工作，AI无法介入。那篇方法论文章中的”组织评审”一步，表面是流程，实质是博弈——当时未能看透这一层。

三层相加，正是波兰尼所说的”能知道但说不出”的部分。复盘这十余年的产品经验，反复训练的就是这一“下判断”。它没有被写进PRD或者画进各种flow图。正因为未被写下来，AI无法学习。

由此可以得出一个推论链条：方法论是显性知识→显性知识可编码→可编码的东西被AI自动化→方法论被自动化是必然；方法论之外的部分是隐性知识→隐性知识不可编码→不可编码的东西AI无法学习→判断力是AI的盲区。这条链条不是推测，是波兰尼框架的自然延伸。
四、隐性知识的特征：不进则退
判断力是隐性知识，AI学不会。但隐性知识有一个容易被忽视的特征：它不像显性知识那样写下来就固定了，它需要持续训练才能维持，不进则退。

彼得·德鲁克在《21世纪的管理挑战》中指出：”21世纪管理最重要的贡献，是提高知识工作者的生产力。”知识工作者的生产力核心在于持续更新知识。体力劳动者的工具不会自行迭代——锤子今年能用，明年也能用。但知识工作的工具——认知框架、行业判断、市场敏感度——会过时。不更新，就等于用生锈的工具作业。

这个论断对产品经理尤其成立。判断力的燃料是一手信息：用户在做什么而不是说什么，竞品在变什么而不是抄什么，趋势往哪里走而不是追什么热点。长期不接触一线，判断力就会钝化。这种钝化不是能力退化，而是注意力偏移——在同一赛道深耕过久，容易将”熟悉”等同于”了解”，将”经验”等同于”判断”。用旧认知框架套当下的市场现实，框架不变，市场在变，时间一长，判断力必然钝化。

Keith Rabois提出过一个框架：barrels与ammunition。barrel是能独立发起、整合资源、推动执行、扛住结果的人；ammunition是执行力量，依附于既定方向运作。从0到1的项目经历，训练的恰好是barrel能力——做过从无到有，就知道每个环节的痛点和风险在哪里。这种全链路体感属于隐性知识，AI无法提供。但体感不是固定资产，它是活期存款，需要持续注入新的一手信息才能维持。

因此，隐性知识的维护没有替代路径。需要持续接触用户——观察行为而非收集话语；持续体验竞品——亲手使用而非阅读分析报告；持续阅读行业深度报道——理解趋势而非追逐热点；持续与一线从业者对话——获取AI无法替代的语境和情绪信号。AI可以整理100条用户反馈，但无法替代亲身感受用户犹豫表情时的信息密度。AI可以分析竞品功能矩阵，但无法替代亲手使用竞品时”这里不对劲”的直觉反应。这些直觉是判断的燃料，只有第一手接触才能采集。

承认这一点，本身就是一种判断。我想，很多人面临的最大障碍，不是看不到自身短板，而是不愿承认——因为承认意味着过去赖以生存的那套东西需要更新，意味着需要重新投入训练。这种心理门槛远高于技术门槛。但波兰尼的框架已经给出了清晰的判断标准：你的核心竞争力在显性层还是隐性层？如果是显性层，它正在被自动化。如果是隐性层，它是否还在持续训练？
五、能力重估：一个分层框架
以上分析可以收敛为一个产品经理能力的重估框架。而过去十余年，产品经理的岗位价值建立在三个成本之上：沟通成本（业务方不会写需求，需要PM翻译）、交付成本（做原型很贵，改交互很贵）、信息成本（用户反馈需要人工整理，竞品需要人工拆解）。PM作为中间层的组织接口，承担收集需求、写PRD、排优先级、推动评审、协调设计研发、跟踪上线、汇报结果的全链条工作。

AI改变得是这三个成本结构。文档可以快速生成，原型可以快速搭建，竞品拆解和需求归纳可以即时完成，用户反馈可以自动整理。原来依赖中间角色传递的信息，越来越多地可以被工具直接处理。原来需要多轮会议对齐的内容，如今在一个人、一组提示词和一个工作流中就能完成。

这意味着，产品经理的能力结构需要重新分层：

• 将被替代的层：需求转译、文档生产、原型绘制、竞品功能清单整理、测试用例生成——这些是显性知识，AI已经做到比初级PM更快更全。
• 被压缩但仍有价值的层：跨部门协调、项目进度跟踪、评审组织——AI能提升效率，但人际博弈和妥协仍需要人。
• 不可替代的层：定义”什么值得做”、在信息不完备时下判断、将判断转化为组织共识——这些是隐性知识，AI无法触达。


未来的PM评价标准或许会从”文档是否完整、流程是否顺畅、沟通是否充分”转向”能否识别值得做的问题、能否提出有判断力的方案、能否借助AI快速验证、能否让业务指标发生变化”。留在不可替代层的产品经理，会越来越像业务负责人——知道钱从哪里来，增长为什么停，用户为什么留存或流失。
六、结论
回到波兰尼那句话：”我们能知道的比能说出的多。”11年产品工作，真正值钱的恰恰是那些说不出的部分——在信息只有30%时下判断的能力，在赔率和胜率之间做取舍的直觉，将判断转化为组织共识的博弈能力。这些能力AI学不会，因为它们从未被完整写下来过——不是因为不想写，而是因为隐性知识本身的特征决定了它无法被完整表述。

但隐性知识的另一面是：它不进则退。判断力不是银行存款，放着就能增值；它更像肌肉，长期不练就萎缩，重新训练才能恢复。恢复的方式不是回到起点，而是在已有经验的基础上重新校准——重新去一线采集判断的燃料，重新用一手信息喂养直觉。

方法论被自动化，不是产品经理的危机，而是一次能力重估的契机。它逼着我们回答一个问题：如果方法论不再是壁垒，那什么是壁垒呢？答案已经由波兰尼给出——隐性知识，判断力。但知道答案只是第一步，持续训练它才是关键。

如果这篇文章对同行有参考价值，它不在于给出了什么新框架，而在于提供了一个重新审视自身的角度：你的核心竞争力，到底在显性层还是隐性层？如果是显性层，它正在被自动化。如果是隐性层，它是否还在持续训练？

本文由 @Roxanne 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议

--------------------------------------------------
本文转载自：https://www.woshipm.com/operate/6464081.html