从 Claude 发布了最新的 Opus4.6 模型之后，我就开始把搜索推荐场景的策略 PRD 交给 Claude 来写了。

给它喂了业务背景、用户画像、现有策略逻辑、几组 AB 实验数据，让它输出一版完整的 PRD。结果出来我看了半天，说实话，打个 70 分不过分。框架完整，数据引用准确，甚至连实验分组逻辑和新用户的兜底方案都写得有模有样。这个质量，比 8 年前刚转策略方向时的我写得好，更比现在的校招生写得好太多了。

那天晚上我躺在床上想了很久。不是焦虑那种想，是认真地在盘，我这么多年积累的东西，到底哪些有护城河，哪些其实只是熟练度？下面是我自己的思考，和大家分享一下。

先说能被替代的部分

我觉得，AI 能替代策略 PM 大概 80% 的日常工作，而且这个比例还在涨。

我回顾了一下自己过去一个月的工作日历，发现大概有八成的时间花在了这些事上：

1. 数据分析报告
   以前写周报月报，光是从不同数据平台拉数、对齐口径、做交叉分析，就得花大半天。现在呢？我把原始数据丢给 AI，告诉它分析维度和关注指标，10 分钟出一版带结论的分析报告。不仅快，而且它不会犯 "把 DAU 和 MAU 的口径搞混" 这种低级错误。你在 prompt 里定义清楚了，它就严格执行。
2. 竞品调研
   上个季度做一个内容分发策略的竞品研究，我让 AI 先做了一轮初筛。它把抖音、快手、视频号的推荐逻辑差异、最近半年的公开策略调整、相关专利摘要都整理出来了，甚至还标注了信息来源和可信度。我在这个基础上做人工校验和补充，整体效率提升了至少 3 倍。
3. 实验方案初稿
   写一个 AB 实验的方案，包括假设、分桶逻辑、核心指标、护栏指标、预期效果，这些 AI 写得越来越好了。实验方案本质上是格式化的逻辑推演，正好是 AI 的强项。
4. 指标异常归因
   某天大盘 CTR 掉了 0.3 个百分点，以前你得花两三个小时拆维度、看漏斗、排查上游变更。现在把监控数据和近期变更日志喂给 AI，它能快速给出几个最可能的归因方向，准确率还挺高。

这些工作有一个共同特点：输入明确，逻辑可拆解，输出有标准格式。这些都是 "给定条件下的信息处理"。AI 对这方面的提效是非常显著的。

再说不能被替代的部分

但是我觉得，策略 PM 真正的价值，从来不在这 80% 里。我觉得核心价值包括：

第一，定义 “什么值得做”

举个真实的例子。去年 Q3，我们团队面临一个选择，是继续优化首页推荐的点击率，还是转去做搜索结果页的 "用户意图理解"。从数据上看，首页优化的 ROI 更确定，但搜索的 query 非常复杂，如果聚焦用户意图理解，还是在做基建相关的工作，实在不好拿结果。

但我还是毅然决然决定 all in 搜索。原因是当识别了用户意图，那么上层的召回、相关性、排序、重排、页面展示等都可以基于用户意图做差异化呈现，同时还可以反哺给行业做定招选品，探索行业红蓝海方向。这是一个难而正确的事情，更长期主义。

但这个判断不是从数据里算出来的。数据只能告诉你过去发生了什么，不能告诉你未来应该聚焦什么。AI 能帮你分析所有已知信息，但在不确定性中选择方向这件事，它做不了。因为这需要对业务趋势的直觉，对组织战略的理解，甚至对老板没说出口的期待的揣摩。

第二，在数据模糊时拍板

做策略经常遇到一种情况，实验跑了两周，核心指标涨了但置信度不够，同时有一个次要指标掉了一点。上线还是不上线？

这个时候没有标准答案。你要综合考虑业务节奏（大促前不敢冒险）、技术成本（如果不上线这个迭代就白做了）、团队士气（连续几个实验没产出大家快没信心了）。最后你得拍一个板。上。

拍板的本质不是计算，是承担。AI 可以给你列出所有 pros 和 cons，但它不会替你签那个名字。而产品，就要为自己做的事情负责。

第三，拉齐 10 个人的预期

在阿里做过策略的都懂，推一个策略上线，你要对齐的角色有算法、工程、数据、产品、测试，可能还有法务和行业。每个人的诉求不一样，算法想要更大的探索空间，运营想要更稳定的效果，工程想要更简单的实现方案。

工作不是找到一个 "最优解"，那东西不存在。你的工作是找到一个 "大家都能接受、推得动" 的方案，然后说服每一个人。这是政治能力，也是沟通艺术。策略 PM 有一半的工作是 "人的工作"，而 AI 很难。

第四，感知用户说不出口的需求

去年做一个新用户冷启动策略，数据告诉我们新用户留存率低是因为内容不够精准。但我在做用户访谈的时候注意到一个细节，用户讲 "刚进来的时候，不知道该干嘛"。这不是精准度的问题，是 "确定感" 的问题。

后来我们在冷启动阶段加了一个很轻的引导，不是问你喜欢什么，而是直接告诉你 "和你类似的人都在看这些"。新用户转化就涨了。这种洞察，AI 分析用户行为数据是分析不出来的。因为用户自己都不知道自己要什么，他只是 "感觉不太对"。

这个很像我一个老板，她之前腾讯来的阿里，天天给我们讲我们做的事情还不够，做产品要有感觉，要有体感，要找到最本质的需求。而能把这种模糊的感觉翻译成具体策略的人，就是不可替代的。

淘汰的是人，不是岗位

说到这里，我的核心判断其实很清楚了。AI 不会消灭策略 PM 这个岗位，但会淘汰一种策略 PM，"执行型" 的那种。

什么是执行型策略 PM？就是老板说 "把这个指标优化一下"，你就去拆指标、跑数据、写方案、推上线。整个过程你不需要做任何真正的判断，你只是在执行一个已经被定义好的任务。这种工作，AI 做得又快又好，还不用调休。

但 "判断型" 策略 PM 反而会更值钱。为什么？因为 AI 把执行效率拉平了。以前，一个人执行力强、写文档快、数据敏感度高，这些都是竞争优势。现在这些能力人人都能通过 AI 获得。

当所有人都能用 AI 做到 80 分的执行，区分度就完全落在了那 20% 的判断力上。这就像计算器普及之后，能快速心算不再是竞争力，但知道 "该算什么" 的人变得更重要了。

所以我说：AI 能替代 80%，但剩下的 20% 更值钱了。

给策略 PM 的 3 个具体建议

既然方向清楚了，那该怎么提升自己，不被 AI 替代？分享三个我自己在做的事。

1. 少收集方法论，多练判断力
   很多策略 PM 喜欢收集方法论，什么北极星指标框架、RICE 排序法、策略拆解六步法。这些东西有用，但本质上是 "可编码的知识"，AI 都是会的。

真正该练的是，在你的业务领域里，能不能比别人更早看到趋势？能不能在信息不完整的时候做出靠谱的判断？这种能力只能靠大量的业务浸泡和反复的决策复盘来积累。没有捷径，但也没人能替你积累。

1. 用 AI 省下来的时间，别拿去做更多执行
   现在很多人在学 prompt engineering，学怎么让 AI 输出更好的结果。这当然重要，但这只是起点。关键是，AI 帮你省下了大把时间，你拿这些时间去做什么了？

如果省下来的时间还是在做更多的执行工作，那你只是一个 "更快的执行者"，本质没变。我的做法是把省下来的时间用在思考方向、做用户深访、跟业务方喝杯咖啡聊聊他们真正的痛点上。这些事以前总觉得没时间做，现在都可以做了。

1. 练 "管理人" 的能力
   策略 PM 越往上走，写文档的时间越少，"管理人" 的时间越多。怎么在周会上用三句话让老板理解你的方案？怎么让算法同学主动配合你而不是敷衍你？怎么在方案被挑战时 hold 住场子？

最后说两句

说到底，策略 PM 这个岗位正在经历一次筛选。AI 就像一面放大镜，会让真正有判断力的人更高效、更值钱，也会让只有执行力的人变得可有可无。

我自己的选择很简单，继续做 AI 做不了的那 20%，然后让 AI 帮我把剩下的 80% 做得更好。

与其担心被替代，不如想清楚，你到底是在 "做策略"，还是只是在 "写策略文档"？

这些能力 AI 教不了你，也替代不了你。当执行层面大家都用 AI 拉平了，最终推动事情发生的，还是人。

每日案例拆解库，每天开源产品与AI产品拆解群

PMTalk创建的产品设计打卡社群，加入后365天，每天体验一款APP。提升产品设计能力，同时有1300份体验报告帮助你找到竞品。

在这里你可以随时查询到你想找的各类竞品行业APP，无须自己亲自下载就可以马上得到APP的一手产品优化、交互设计、功能描述信息。

从优化&建议、商业模式、运营、功能描述、交互设计、产品定位至少6个维度，体验一款应用。

平均1天1块钱，扫码购买即可加入 

连续体验48款应用，通过后原路退回

报名后，请添加星球助理（否则报名无效）

PMTalk123