AI提效20讲⑭:代码由AI全量开发后,软件公司的产研团队需要哪三类人?

作者：蒋云峰  校审：林德燊  排版：习丌𠙶

一个正在发生的事实

过去十年，产研团队最贵的东西是”实现”。产品经理写完PRD要排期，设计师画完原型要评审，工程师接到需求要估点——每一步都在消耗时间，每一步都在烧钱。整套研发流程，说白了就是在管理一种稀缺资源：把想法变成可运行软件的能力。

但这件事正在被颠覆。

编码Agent的成熟，让”写代码”这个动作的成本断崖式下降。不是降了百分之二三十，是数量级的变化。一个懂业务的人坐在电脑前，对着Agent描述清楚自己要什么，几个小时就能拿到一个能跑的原型。这在三年前是不可想象的。

问题随之而来：当实现不再稀缺，产研团队的价值锚点在哪？

这不是一个理论问题。它正在影响每一个产品经理、工程师和设计师的职业命运。

从”怎么做”到”该不该做”——效率革命的真实含义

很多人对”AI提效”的理解停留在表面：写代码快了，出图快了，写文档快了。这当然没错，但只看到这一层的人，恰恰会被这波变革淘汰。

真正的变化在于——研发流程的瓶颈发生了转移。

过去的瓶颈在”实现”。你有一个好想法，但工程资源排不上，设计资源排不上，一个季度能做三个需求就算高效了。整个产研团队的日常，大量时间花在需求评审、排期对齐、跨部门沟通这些”交易成本”上。

现在的瓶颈在”判断”。Agent帮你消灭了实现的稀缺性，但同时制造了另一种过剩——低质量产出的过剩。任何人都能用Agent快速生成一个看起来能用的东西，但它的架构合不合理？交互逻辑通不通？放到线上跑三个月会不会崩？这些问题Agent不会替你回答。

所以，产研提效的本质不是”做得更快”，而是”在做得更快的基础上，判断得更准”。

打个不太恰当的比方：以前是手工作坊时代，一天能做十件衣服，每件都得精心裁剪，质量基本有保障。现在机器开足马力一天能出一千件，但里面可能八百件有线头、有色差、有尺寸偏差。你需要的不再是更多裁缝，而是更好的质检员。

这就是为什么整个产研体系的核心工作正在从”如何实现”转向”如何审查”。判断力，在这个时代比执行力值钱得多。

产研团队正在分化为三种人

这种瓶颈转移带来的直接后果，是团队角色的重新洗牌。传统的”产品-设计-研发”三角分工正在模糊，取而代之的是三种按能力模型划分的新角色。

• Generalists：消灭沟通损耗的人

第一种人是Generalists（通才）。他们同时具备产品思维、工程能力和设计感知，能够独立完成从需求定义到原型验证的完整闭环。

通才的价值在哪？在于他们消灭了跨角色沟通中的信息损耗。

传统流程里，产品经理脑子里的想法，要先写成PRD，再在评审会上跟设计师和工程师对齐，设计师理解之后画原型，工程师再理解一遍开始写代码。每一次信息传递都有衰减，每一次对齐都有成本。你一定经历过那种场景：开发做出来的东西和产品经理最初想的完全不是一回事，然后返工，再对齐，再返工。

通才跳过了这一切。他直接跟Agent对话，想法到原型之间没有中间商。需求变更了？他自己调。方向错了？他自己改。整个链路上没有信息衰减，没有等待排期。

当然，通才不是万能的。他们适合零到一的探索阶段，适合小团队、快节奏的场景。一旦产品进入规模化运营，还是需要专业分工。但在早期验证阶段，一个通才能顶传统团队三到五个人的产出。

• Builder：把创意推上线的人

第二种人是Builder，可以理解为”构建者”。他们未必有多深的系统架构能力，但有极强的产品直觉和行动力。

Builder的典型特征是：他们不写长篇PRD，不画复杂的架构图，而是直接动手做。看到一个用户痛点，他们的第一反应不是”立项排期”，而是”我先用Agent搭个东西试试”。一个下午，一个能跑的MVP就出来了，丢给用户试用，收集反馈，第二天就迭代。

在Agent时代，Builder的价值被极大放大。因为验证想法的成本无限趋近于零，试错的代价几乎可以忽略。传统研发流程里，你要验证一个功能是否可行，得走完需求、设计、开发、测试全流程，少说两三周。现在Builder可以在一天之内完成同样的验证。

但Builder也有明显的局限。他们善于从零到一，但往往不擅长从一到一百。一个Builder快速搭出来的原型，代码结构可能一团糟，数据模型可能经不起推敲，安全性可能完全没考虑。这不是他们的问题，这是他们的定位——他们是先锋，不是城建。

• Reviewer：为质量兜底的人

第三种人是Reviewer，审查者。如果说Builder是油门，Reviewer就是刹车。但这个刹车不是那种让你停下来的刹车，而是让你不翻车的刹车。

Reviewer需要什么能力？深厚的系统思维和领域判断力。

当Agent和Builder以极高的速度产出大量原型和代码时，Reviewer要做的是从这些产出中筛选出真正有价值、可扩展、可维护的方案。他们要回答的问题包括但不限于：这个方案在当前规模下能跑，但用户量增长十倍之后呢？这段代码的依赖关系合理吗？这个交互设计在极端场景下会不会出问题？这个需求到底是不是伪需求？

在传统研发团队里，这个角色通常由技术负责人或资深架构师兼任。但在Agent时代，Review的工作量会急剧增加——因为产出多了，需要被审查的东西也成倍增长。Reviewer不再是一个附属角色，而是一个独立的、不可或缺的核心岗位。

说句不好听的：未来的产研团队，可能不缺写代码的人，但一定缺能看出代码问题的人。

不管走哪条路，这两样东西必须有

角色可以选，路径可以变，但有两块底层能力是所有人都绑定的。缺了任何一块，在Agent时代都会很难受。

• 产品感：你得知道该让Agent做什么

产品感这个词被说烂了，但在Agent时代它有了更具体的含义——你能不能准确地向Agent描述”要做什么”以及”为什么要做”。

Agent是一个极其听话但毫无主见的执行者。你告诉它做一个用户管理模块，它就做一个用户管理模块。但这个模块到底应该包含哪些字段？权限体系怎么设计？异常流程怎么处理？这些Agent不会替你思考。

如果你的方向本身就是错的——比如你花了一周时间让Agent帮你打磨一个根本没有用户需要的功能——那Agent只是帮你更高效地浪费了时间。有人说过一句很到位的话：”好的产品经理会因为Agent变得更好，烂的产品经理会因为Agent变得更烂。”道理就在这里。Agent是放大器，它放大你的判断，不纠正你的判断。

产品感的核心不是什么玄学，它是长期浸泡在用户场景中积累出来的直觉。你知道用户在什么情况下会做什么操作，你知道哪些功能看起来合理但实际没人用，你知道一个好的交互流程应该让用户在几步之内完成目标。这些东西，Agent学不会，但你不能不会。

• 系统思维：你得知道Agent做出来的东西能不能活

产品感告诉你”做什么”，系统思维告诉你”做出来的东西能不能活”。

这里的”系统”不仅仅是技术系统，而是包含技术架构、业务逻辑、组织协作在内的整体系统。一个功能不是孤立存在的，它要跟现有的系统集成，要跟其他模块配合，要在真实的用户场景中经受考验。

举个具体的例子。你用Agent快速做了一个订单管理系统的原型，界面挺好看，基本流程能跑通。但你有没有想过：并发量上来之后，数据库的读写会不会成为瓶颈？订单状态流转的状态机有没有死循环？退款流程和正向流程之间的数据一致性怎么保证？第三方支付接口超时了怎么处理？

这些问题，Agent不会主动告诉你。它给你的是一个”能跑”的东西，但”能跑”和”能上线”之间隔着十万八千里。

系统思维的价值就在于此——它让你能够从一个可运行的原型中，看到它在真实环境中的所有潜在风险，然后在这些风险变成故障之前把它们解决掉。

对于工程师来说，系统思维体现在架构设计能力上；对于设计师来说，体现在对交互逻辑的全局把控上；对于产品经理来说，体现在对业务全链路的理解深度上。表现形式不同，底层逻辑一样：你得看到全局，不能只盯着局部。

对产研从业者说几句实话

最后，说几句可能不太中听但确实有用的话。

第一，你过去是做产品的、做研发的、还是做设计的，在接下来三到五年里会变得越来越不重要。Agent正在模糊这些角色的边界。一个懂技术的产品经理和一个懂产品的工程师，在Agent的加持下，做出来的东西可能差不多。决定你价值的不再是你的专业标签，而是你的能力组合。

第二，趁现在想清楚两件事。一件是你的短板在哪——产品感和系统思维，哪个更薄弱？这两块能力不是”有就加分”，而是”缺了要命”。另一件是你要走哪条路——你是想成为横跨多个领域的通才，还是快速验证创意的Builder，还是为质量把关的Reviewer？没有高下之分，但必须有选择。

第三，别被”AI替代论”吓住，也别被”AI万能论”忽悠。Agent不会替代产研团队，但会替代那些只会执行、不会判断的人。你的护城河不是你会写代码、会画原型、会写PRD，而是你能做出正确的判断——什么该做，什么不该做，做出来的东西好不好，能不能活。

这才是代码变廉价之后，产研团队真正的核心竞争力。

点击下方关键字，查看原创热文

▼

典型案例：白酒  |  啤酒  |  饮料  |  食品  |  母婴  |  日化  |  建材  |  数码

理念解读：五码合一 | bC一体化 | 全域粉销 | 营销数字化 | 即时零售 | OMO | DTC

应用场景：一元换购  |  再来一瓶  |  扫码发红包  |  防窜货  |  防伪  |  溯源  |  质保码  |  药品追溯码  |  终端陈列  |  白酒品鉴  |  白酒宴席

业务系统：营销数字化系统（BDE）| 标识中台（IMP) | 赋码采集关联软件（CCAS）| 会员中台（CDP）| 智能体生态平台（MAP)

数智科普：数据资产  |  AI智能体  | GEO（生成式引擎优化）  | AI提效