夜雨聆风“
我看完 Anthropic Fiona Fung 这期播客最大的感受是：我们绝大多数人对 AI-native 团队 的理解，全错了。
”
作为 Claude Code（AI 编码助手）与 Cowork（异步 Agent 协作平台）两条核心产品线的负责人，Fiona 带的是 Anthropic 最前沿的工程与产品组织。她见过从 Unix、Vim 到 IDE 的几代开发工具变革，也管过 500 人规模的 Meta 团队，她的观察，基本就是 AI-native 组织运行方式的一手标准答案。
大家还在扎堆学提示词、比谁用的模型更强、晒自己一天生成了多少行代码；但最顶尖的团队，已经悄悄完成了底层逻辑的切换，编码早就不是瓶颈了，判断力才是。
今天不聊工具参数，就聊四个最扎心的真相，看看你所在的团队，是真 AI 转型，还是只是给老流程套了个 AI 壳子。
01
代码产能翻 8 倍之后，「会写代码」正在快速贬值
Anthropic 刚公布了一组内部数据：全面铺开 Claude Code 之后，工程师人均季度提交的代码量，已经达到 2021-2025 年基线的 8 倍。
很多人看完第一反应是“哇，效率好高”，但很少有人往下想一层：
当写代码这件事变得极其便宜、极其快的时候，“能写出来”就再也不是稀缺能力了，“决定写什么”才是。
过去做盒装软件，计划周期长、改动成本高，大家把大量精力耗在“怎么实现”上；现在 AI 能快速把想法铺成代码，团队的工作重心直接向两端转移：
往前移：这个需求背后的真实痛点是什么？我们的假设成立吗？有没有更本质的解法？能不能用更快的方式验证？
往后移：生成的代码有没有隐性 bug？上线会不会牵一发而动全身？用户体感到底是变好还是变差？
中间那段“埋头敲代码”的执行环节，被 AI 大幅削薄了。
这里说的“往前移”，就是问题选择与假设定义：不是接到需求就开工，而是先拆清楚需求背后的真假前提、判断这件事值不值得投入，再决定开不开工。AI 让“能做的事”爆炸式变多，但资源和用户注意力是有限的，选对做什么，远比把事做对重要 10 倍。
扎心的是，很多人至今还在安全感里卷“执行效率”，觉得自己代码写得快、prompt 写得溜就不会被淘汰。但现实是：纯执行岗的贬值速度，远比你学工具的速度快。
02
PM 和设计师都开始提交代码了，最值钱的能力叫「验收」
更颠覆的一点是：在 Claude Code 团队，不只是工程师，设计师、产品经理也在提交代码。
一个移动端功能，负责的人不是安卓开发专家，也能靠 AI 补出一套可运行的 Android 体验，后面再由专业工程体系收口质量。岗位的边界正在变薄，“把想法落到真实产物里”的门槛，史无前例地低。
但这件事反过来，也抛出了一个全行业的新考题：当人人都能产出东西的时候，谁来判断产出的好不好？
这就是 Fiona 反复强调的核心概念：verification（验证验收）。
它不是传统意义上的测 bug、走测试用例，而是一套综合判断能力：分辨 AI 产出的内容靠不靠谱、有没有埋坑、能不能落地到真实业务里、会不会带来次生问题。
这个变化正在所有岗位同步发生：
数据岗：过去需求是“帮我做份分析”，现在变成“帮我看看这份 AI 生成的分析能不能信”；
设计岗：过去是“帮我画个界面”，现在变成“帮我把控这套 AI 生成的方案能不能落地、有没有逻辑漏洞”；
工程岗：过去是“帮我实现这个需求”，现在变成“帮我验收这批 AI 生成的代码有没有隐患、能不能合入主干”。
AI 没有废掉专业能力，它废掉的是“纯执行的专业能力”；AI 也没有消灭岗位门槛，它把门槛从“做出来”，抬到了“验得准”。
未来最容易被淘汰的，不是不会用 AI 的人，是只会干活、不会验收，连 AI 输出的对错都分辨不出来的人。
03
还在做半年 Roadmap？你的规划速度，已经追不上 AI 写代码的速度
播客里有个细节特别值得所有管理者警惕：Fiona 刚加入 Claude Code 的时候，团队还在做半年期路线图；三个月后，那份文档基本没人看了，因为模型能力、市场环境、用户行为变得太快，精心做的长期规划，转头就过时了。
他们直接废掉了传统的半年规划，改成了 JIT 月度规划。
这里的 JIT 是 Just In Time（准时制）的缩写，核心逻辑是：不做远期的宏大规划，只锁定当月的核心优先级，每周快速复盘校准一次方向，剩下的精力全部扑在真实用户反馈和产品迭代上。
说白了就是：计划只定到刚好够用的程度，绝不提前做半年以后的无用功。
很多公司的 AI 转型，就是给员工每人配了个模型账号，工作流程、项目管理、排期方式全是老一套。结果就是：代码写得飞快，评审、排期、对齐还在按老节奏走，产能全卡在旧流程里，最后除了多花一笔 token 钱，啥效率都没提上来。
真正的 AI-native 团队，从来不是给人配工具，而是重新设计整个工作流。
过去是人等代码，现在是代码等人；过去是规划驱动执行，现在是反馈驱动迭代。连计划本身，都要接受 AI 时代的效率审视，如果你的团队还在为一张优先级表格耗掉半天人力，那本质上还是用旧组织在跑新生产力。
04
别再算 token ROI 了，高产能正在悄悄毁掉你的产品质量
前两年行业流行 token maxing，也就是大家说的“token 狂欢”：不管有用没用，先把模型用起来，尽量多生成内容、多跑任务，先看看能玩出什么花来。
但现在风向已经彻底变了：大家开始追问，花了这么多 token 成本，到底换回来了什么？真实 ROI 是多少？
Fiona 直接点破了行业误区：代码行数、提交量、处理速度，都只是趋势指标；真正的 ROI，是业务假设有没有被验证、质量有没有稳住、用户体验有没有变好。
花更多 token 不难，难的是把 token 变成更少的返工、更快的反馈、更高的质量、更准的产品判断。
针对 AI 产品的质量管理，她提了一个非常犀利的轻量化框架：Bad 和 Sad。
Bad：不可恢复、会造成实质损失的严重错误。比如 AI 生成了错误的专业建议、代码破坏了生产环境数据、泄露了用户隐私。这类问题是绝对红线，出现一次就可能彻底毁掉用户信任。
Sad：不会直接造成事故，但会让用户觉得别扭、烦躁、失望的细碎摩擦。比如 Agent 跑着跑着丢了上下文、调用工具要重试好几次、回答说了半天没命中核心需求、导出的文件格式不对还要手动改。
单个 Sad 用户可能忍了，但密密麻麻的 Sad 攒多了，就会慢慢磨掉用户的耐心，最后形成“产品不好用”的整体印象，从量变到质变演变成 Bad。
AI 产品最容易犯的错就是：只盯着“任务完成率”“生成速度”，却对无处不在的小摩擦视而不见。高产能会把缺陷放大得更快，一天多出来几十上百个 PR，小问题很容易成片扩散，悄悄耗光用户的信任。
只看产出量不看质量的 AI 转型，本质上就是用更高的速度，生产更多的垃圾。
05
最后说句实在的
AI 把人的个体能力放大了，但也把人变孤独了。
Claude Code 团队就发现，大家天天对着 Agent 独自干活，时间久了会有很强的疏离感。于是他们专门新增了 pair-wise programming lunch（结对编程午餐），强制大家放下工具，坐在一起面对面写代码、聊方案、碰想法。技术越往前跑，组织越要往回补人的连接，这不是矫情，是团队能长期走下去的基础。
Fiona 对管理者也有很硬核的要求：在 Anthropic，所有管理者都必须从 IC（独立贡献者）做起，必须亲自 dogfood（深度自用）产品，拿自己的日常工作跑流程、找问题、磨细节，不能只当流程主持人。
最后给所有焦虑的人一句 Fiona 的建议，很朴素，但很有用：
别站在原地害怕，靠近它，然后问自己：我还能做什么？什么在我的控制范围内？
不用上来就重构整个工作流，就从一件小事开始：挑一个你最熟的任务，扔给 AI 做一遍，然后认认真真给它做一次验收。
你能挑出的毛病越多、越准，你在 AI 时代的底气就越足。
毕竟，工具永远会越来越强，但定义问题、判断好坏、把控方向这件事，永远是人最核心的护城河。
主编：AIEssence
配图：GPT Image 2
来源："Building the most AI-pilled engineering team in the world"丨Lenny's Podcast
AIEssence
微信号丨AIEssence
对AI的深度思考