从“工具”到“同事”——AI 时代的产品进化

AI摘要 苏杰在QCon 2026北京站以AI数字分身完成主体演讲，实证AI正重构产品创新范式与人类角色边界。其提出“全栈builder”新职业形态，强调人机协同的极简交互范式与跨职能工具统一。

AI驱动产品与技术边界消融，催生统一的全栈builder角色；下一代人机交互趋于极简——语音键+accept/reject/enter四键足矣；AI不再是工具，而是平等协作的“新同事”。

适合产品经理、技术负责人、AI工程团队阅读

在 AI 技术加速渗透产业生态的 2025 年， QCon 全球软件开发者大会 2026 北京站 上，良仓孵化器创始合伙人、前阿里资深产品经理 苏杰 ，以一种近乎行为艺术的方式开启了自己的分享——他将演讲主体交由自己的 AI 数字分身完成，自己仅负责翻页（ps：两个月后，已实现自动翻页，他只需要负责开场和结束后的问答互动）。

这场实验本身正是他主题的注脚：AI 如何在折叠时间的过程中，根本性地解构了产品创新、组织形态乃至人类角色的既有范式。从宏观判断到新形态、新方法，再到组织与个人的重塑，他系统性地梳理了四层递进的分析，为技术社区提供了一套可操作、可推演的思考框架。

以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）。

注：因为 AI 领域变化太快，有必要再次给以下内容打个时间戳——2026 年 4 月

我昨天在一个分会场上听分享，问了一个特别引战的问题：将来到底是产品领导技术还是技术领导产品？后来大家经过一系列讨论，基本达成共识：将来已经不分产品、技术、设计甚至运营了，大家都统一变成了全栈 builder。那么这个全栈 builder 会有哪些共同的工具呢？除了软件，还需要一些共同的硬件。比如下一代键盘可能是这个样子：一个语音键、一个 enter、一个 accept 和一个 reject，就已经够了。将来大家的工作都是这个模式，不分产品、技术、设计、运营等，而我们的新同事就是 AI。我今天很轻松，就负责开场，接下来的分享交给同事。

大家好，我是苏杰的数字分身，下面由我来接管一段时间。碳基苏老师主要负责翻 PPT，本来这个事儿我也能干，computer use 嘛，但碳基苏老师不舍得为翻页烧 token，他说这个活儿还是他来做比较省钱。

今天聊一个我最近一直在想的问题：AI 时代产品创新到底该怎么搞。先简单自我介绍，我在阿里做了八年产品经理，后来写了《人人都是产品经理》那套书，当时就是个口号，没想到 AI 正在把它变成字面意思。现在在良仓孵化器做创始合伙人，天天陪着一帮 AI native 的创业团队摸爬滚打。另外业余我还教中小学生用 AI 做产品，所以你可以说我是从上到下从老到小都在跟这件事死磕。

今天讲四个部分：第一，几个大判断，就是我觉得这个世界在产品层面会怎么变；第二，新形态，变完之后产品长什么样；第三，新方法，在新形态下怎么做产品创新；第四，组织和个人，我们自己该怎么办。

在正式开始之前，我想抛一个反直觉的问题。过去二十年做互联网产品技术的人，核心竞争力是什么？是能做出一个好产品。但是现在当 AI 让产品的生产成本趋近于零，你跟 AI 聊几句就能出一个 app，那能做产品这件事还算核心竞争力吗？我知道这话在 QCon 说有点冒犯，在座各位基本靠这个吃饭，别紧张，我也是。所以咱们今天不是来焦虑的，是来一起想办法的。

带着这个问题，我们进入第一部分，关注互联网和 AI 的本质区别。我先从一个稍微抽象的视角讲起。互联网最大的功劳是折叠了空间，原来买东西要跑到店里，有了淘宝，信息和交易瞬间从 A 点到 B 点。哲学里有个词叫共时性，关注此时此刻这个巨大网络里人、数据、设备怎么连在一起，互联网做的就是这件事。但 AI 不一样，AI 折叠的是时间。大模型把人类过去成百上千年的智慧全压进一个模型里，它还能推导未来无数种可能性，这叫历时性，关注事物在时间轴上的演变。结构主义研究空间关系，后结构主义探索时间演变。再往下走，现代哲学发展史告诉我们是解构主义。AI 的算力会把我们过去所有的有损压缩，方法论、学科壁垒、岗位边界，全部解构掉。

平时说的学科专业、行业岗位为什么存在？本质上因为人类脑子不够用，认知带宽有限，不得不把复杂世界切成一块一块分门别类理解。方法论也一样，什么 SWOT、波特五力模型，都是在特定前提下把共性提取出来变成套路，这些都是有损压缩。但 AI 有了力大砖飞的算力之后，还需要套路吗？不需要了，它可以完全一事一议，case by case 地解决问题。剩下来的独特价值是什么？不在于提供解法，AI 比你提供得更快，剩下的是提出问题、评判出来、承担责任，这三个目前还是人类的活。

被解构的不只是方法论，建立在人类认知局限之上的东西都会被解构。比如企业软件，今天的 to B 产品为什么存在？本质上因为人类读不懂数据库，需要一层 GUI 来翻译。如果 AI 能直接读呢？顺着这个思路，我做了一个大胆判断：未来没有 to B 产品，只有 to C 和 to A。今天的 to B 产品本质是给人类包了一层图形界面，让你能读写背后的数据库，但 agent 不需要 GUI，直接调 API 就行。所以 to B 会被拆成两半，流程化、重复性的执行工作交给 agent 去干，这叫 to A（to agent）；而那些少数真正重要的决策，留给人类来拍板，这还是 to C（to consumer，或者说 to 碳基人类）。商业模式也会跟着变。过去 SaaS 按人类作息收费，你公司有一百个人用就收一百个坐席的钱，但当八十个坐席都换成 agent 时，这种计费模式必然崩盘，改成按用量微支付。

拆完之后的世界长什么样？就是 agent to agent 直连。企业内部的数据流转不再需要经过人类看得懂的界面，agent A 产生一个结果，直接传给 agent B 处理，全程不需要 GUI，这就是 A to A。想想这意味着什么？今天你用的企业协作工具、项目管理、CRM、ERP，如果数据可以在 agent 之间直接流转，那给人看的那层界面就是多余的成本。举个真实例子，我们让 AI 在小红书上搜东西，有两种做法：一种是像人一样打开浏览器，找到搜索框，输入关键词，看结果，跟你们刷小红书一模一样；另一种是直接拼 URL，一步到位拿到搜索结果。agent 更喜欢哪种？当然是第二种，又准又快，又省 token，而 GUI 对它来说是多余弯路。这时候人在哪里？人退到了少数重要决策的位置上，越来越像一个高级管理者，不干活但拍板。

SaaS 崩盘冲击最大的其实就是 save time 类产品，也就是刚才说的 to A。但产品不只有 save time 一种，我把所有产品分成两类：save time 和 kill time。save time 产品就是帮你省时间的办公工具、效率软件，这类产品目标用户正在从人类变成 AI，全部管道化，你不再直接用它，agent 替你用，所以最终变成 to A。kill time 产品呢，就是帮你杀时间的，比如游戏、社交、内容、线下体验。这类产品有一个核心特点，感官交互浓度很高。你去听演唱会、吃好饭、玩沉浸式游戏，这些在场体验是 AI 替代不了的，线下永远大于线上。比如你们今天买票来 QCon 现场，严格来说就是 kill time 消费，当然大会手册上叫充电赋能。所以我的结论是，只有 kill time 产品才能直接接触到真正的人类。save time 全部交给 agent，那就是 to A；kill time 留给人，那就是 to C。跟前面说的 to A、to C 完美对应。

那做产品的人该往哪里使劲？我看到三个方向。一种是像 DeepSeek 那样向左死磕技术边界，做内核；一种是像 Manus 那样往右直面市场风险，做外壳。壳和核都很重要，最好双修。但还有一个更底层的判断，硬件才是真正的入口。为什么？因为人无法不通过某种硬件和软件交互，不管 AI 多聪明，最终得有个东西让人摸得着看得见。所以手机厂、车厂、robot 厂的机会大于 app 厂，app 可能是个弯路。这三个方向，内核、外壳和硬件，也可以类比成互联网时代的操作系统、软件和硬件。

解构之后产品的新形态是什么？从一个隐喻说起，大家都吃过预制菜，提前做好冷冻保存，热一下就上桌，快是快，但你总觉得差点意思，跟公司楼下食堂的红烧肉一个道理，能吃但不想拍照发朋友圈。

过去的软件就是预制菜，产品经理在办公室里拍脑袋想功能，开发团队花几个月做出来，上线后所有用户用一样的东西，这就是开发在前、使用在后，固态的长生命周期产品，代码就是资产。但 AI 时代的产品是现炒的，你下单了厨师现场炒，你要什么口味、什么忌口一一满足。翻译成产品语言，就是即用即做，液态的，用完即走，prompt+data 就是资产，代码反而不值钱了。反过来，用户学着怎么用软件？那些产品新手引导本质是在教育用户。未来是软件学着怎么伺候人，能现炒谁还吃预制菜？

现炒出来的东西，我取名叫轻产品，prompt 就是 PRD。轻产品有几个特点：第一，它本质上是可交互的内容，跟一篇文章、一段视频没有本质区别；第二，它天然开源，最高等级是向用户开源，用户可以用自然语言在你基础上二创；第三，它是次抛性的，用完即弃；第四，它的生命周期不再是那条经典的 S 曲线，验证、成长、成熟、衰退，而是一个脉冲，涌现、爆发、湮灭。所以不要再留恋你做过的产品了，你该留恋的是发现问题的能力、琢磨需求的能力、写 prompt 的能力。

产品是水流过去就没了，那什么才是真正重要的？生成系统才是真正的产品。生成系统是水龙头，生成的产品只是水，水龙头拧开水源源不断流出来，你喝的每一杯水可能都不一样，但水龙头是同一个。真正值钱的不是水，是水龙头。那水龙头谁来设计？

产品经理的角色必须转变。过去的产品经理直接设计产品画原型、写 PRD、定义功能和交互，但现在产品经理不再直接设计产品，而是设计产品生成系统。什么意思呢？就是你定义参数、设定约束、注入价值观，然后让 AI 去生成。你不是在做产品，你是在做一个能做产品的系统。更极端一点，2.0 版本的产品经理甚至不再为别人设计产品，每个人都可以为自己定制工具。所以未来可能人人都是产品经理，这回是真的了。我作为原作者心情很复杂，预言实现了，版税也快没了。PM 设计了生成系统，agent 源源不断生成产品。那这些产品被谁消费，在哪里被发现和调用？传统的 App Store 是为碳基用户设计的，好看的图标、漂亮的截图、用户评分，这些东西对 agent 完全没用。

我有个判断，GitHub 可能是下一代应用商店的形态。因为硅基用户是一个巨大增量，越来越多产品在面向 agent 做改造，暴露接口、提供文档，变得 agent friendly。但传统 App Store 对 agent 来说毫无意义，agent 不看 UI 美不美，不在乎图标好不好看，它只看成本、效率、效果。GitHub 天然就是代码加文档加接口的集合，agent 可以顺畅读取和调用，对人类也相对可读，不是纯代码黑盒，所以它是碳基加硅基兼容的一个完美中间态。

分发方式变了，产品的生命周期也完全不同。过去产品生命周期是一条 S 曲线，引入期、成长期、成熟期、衰退期动辄几年，但新范式下生命周期变成脉冲：一个新需求被看见，然后涌现，几分钟内生成，快速扩散爆发，最后不再占据心智，最终湮灭，然后下一个需求产生，循环重启。这里面有个特别有意思的推论：长尾需求第一次有了 ROI。过去太小众不值得做的需求，现在几分钟就能生成一个产品来满足，成本趋近于零，所以长尾时代真的来了。

最后总结新形态全貌：旧范式用户直接使用面向碳基人类设计的产品，过渡态用户通过 agent 去使用为 AI 重构过的产品，新范式用户通过 agent 调用藏在背后的能力，产品这个概念本身都模糊了。一句话，产品最终会演化为 agent 调用的能力，而不是界面。

下一个问题，在这种新形态下怎么做产品创新。顺便汇报一下，我这个数字分身已经讲了快十五分钟了，碳基苏老师在旁边翻了十九页 PPT，这就是典型的 save time，他省下来的时间应该在刷手机。

我们来关注新方法。AI 助力产品创新可以从浅到深分成三个层面。第一个层面，做同样的事但要快一点，就是用 AI 提高已有流程效率，比如写文档、编码、设计和测试，这个大家都在做，不多说。第二个层面，做原来做不了的事，这才是真正有意思的地方。比如合成用户，就是用 AI 模拟真实用户来做访谈；再比如市场彩排，在赛博空间里预演你的产品上市全过程；还有长尾产品，过去不值得做的需求现在都可以满足了。第三个层面，面向 AI 来做产品，你的产品用户不只是人类，AI 也是你的用户，需要让产品对 agent 友好，也就是要暴露接口、结构化数据，方便 agent 调用。这三个层面之上，我还总结了一个新的方法论框架。

关于第二个层面，做原来做不了的事，我来举个例子。大家应该都玩过贪吃蛇。这张图展示了贪吃蛇的四代进化：二十年前，我们要学好几个月专业编程知识，然后用几天时间才能编出经典贪吃蛇；三年前，即使是非程序员，也可以和 AI 对话几十轮，花半天时间在 AI 指导下做出贪吃蛇；一年前，一个孩子通过几轮对话，在几分钟内就能拥有贪吃蛇；但是如果想定义一个个性化的贪吃蛇，依然需要数轮对话和一些 vibe coding 技巧；但现在，我们在课堂上亲眼见到十几位孩子在半小时内就做出各不相同的贪吃蛇，有的用来学英语，有的可以双人对战。从做出来到做得好，再到创新出来，这就是 AI 赋能产品创新的升级路径。

贪吃蛇只是小例子，如果系统化去做，我总结了一套方法叫赛博闭环验证。赛博闭环验证是一种新的低成本产品创新方法，分为五步。step 0 是 deep research，做前置调研，让 AI 帮你把市场信息、竞品分析和用户画像先梳理一遍。step 1 是 AI 调研员访谈合成用户，你可以基于某些人格模型让 AI 扮演不同性格的目标用户，跟他做深度访谈，他会给你真诚反馈。step 2 是 agent 加 vibe coding 出产品原型，你用自然语言告诉 AI 你想要什么，它帮你写代码出原型。step 3 是 market rehearsal 市场彩排，在赛博空间里模拟产品上市全链路，包括投放、转化、留存，看看数据会长什么样。step 4，拿着赛博世界的结论回到物理世界去验证真实用户的真实反馈，再回流到赛博世界进行迭代。

这个闭环要跑通有两个关键点：第一个是真实合成用户不能是个应声虫，不能你说什么它都说好，得有人格的稳定性，你追问时它不能前后矛盾，否则调研结论就是垃圾；第二个是快，要从几天一个闭环压缩到几分钟一个闭环。因为多次低成本试错比一次高成本对错更重要，你跑一百个闭环，有三个能用就赢了。当然，赛博的结果最终还是要回到真实世界去验证，形成双闭环。赛博不能替代现实，但可以大幅降低你在现实中犯错的成本。

说到快，大家可能都知道 Google Ventures 的设计冲刺，现在正在被改写。传统的 design sprint 一周五天，包括理解、定义、草图、决策、原型和验证，一个闭环需要五天。那赛博 sprint 呢？一次闭环可以压缩到几分钟，有多快取决于你愿意花多少算力、多少电、多少钱。AI 会做所有重活，比如调研、访谈、原型、综合测试，而人类只做一件事：关键判断。新常态就是每天跑几十个闭环，把试错成本推向零。这时候决策能力比执行能力重要得多，因为执行 AI 全包了，但这个方向对不对、这个需求真不真，只有人能判断。

当产品在变、方法在变的时候，组织和个人该怎么办。先从一个比较激进的判断开始：管理学的黄昏。KPI、科层制、激励机制这些经典工具，想过它们为什么存在吗？本质上，它们都是为了修补碳基员工的生物性 bug 而造的。人会偷懒，所以要 KPI；人会争权夺利，所以要科层制；人会缺乏动力，所以要激励机制。但当团队里硅基员工比例越来越高，可能占到百分之七八十时，这些补丁就变成了效率血栓。你会花大量时间管人，但真正干活的是 agent，管理不再是润滑剂，反而成了拖累。我不是说管理学会完全消失，但它的适用范围会急剧收缩。既然传统管理失效，那新组织形态会是什么样？

我觉得未来会有三种组织形态并存。第一种是一人公司，一个人加一堆 agent 就能跑通完整业务闭环，从调研到开发到营销再到客服全链路一个人搞定，创业门槛趋近于零，而且你再也不用写周报、不用开对齐会、不用抢会议室了。第二种是平台型公司，大模型、云计算、基础设施仍然需要规模化组织来做，像 OpenAI、DeepSeek 这样的公司，不可能一个人搞定。但这类公司的人均产出会极高，不会像传统大厂那样有几万甚至几十万人。第三种是 AI 化的传统公司，不管公司大小，关键是以 AI 为原生能力，不是传统公司加个 AI 部门那么简单，而是从第一天起 AI 就长在组织骨头里。我在良仓做的就是陪跑这些 AI native 团队，帮他们用 AI 重做业务。

对我们每个人，我有三个建议。第一，成为“AI 原住民”，就是把 AI 当成多一双手，天天泡在里面积累手感，不是偶尔用一下，而是日常工作生活的默认操作，就像今天这个分享模式一样。你不会想今天要不要用搜索引擎，AI 应该像空气一样自然存在。第二，做“碳基全栈”。过去追求梯形人才，一个方向深入再稍微懂点别的，但现在 AI 把执行门槛拉平，你应该成为跨域通才，在 AI 帮助下什么都能干，深度交给 AI，广度交给自己。第三，守住“人”的部分。什么是人的部分？提出问题、评判得失。就像今天工作生成，这四件事 AI 目前做不了，可能永远也做不了，因为 AI 没有真正的匮乏感，就没有真正的欲望和主体性。

我抛个问题给大家思考：有没有遇到过这种场景？你完成任务用 AI 总结，觉得太短又让 AI 扩写，然后转给同事，对方觉得太长又用 AI 缩写提炼。碳基人之间传来传去有效信息可能就一句话，而 AI 中间来回写了三千字，这就像两个人站在同一个房间非要用对讲机说话。那么未来常态又该是怎样的呢？说到底，不管技术怎么变，人类才是万物的尺度。AI 没有任何短缺，不会饿不会累不会死，正因为没有匮乏、没有真正痛苦，就没有原始欲望和主体性。人类寿命有限，这是最大 bug，但正因为有限，我们的选择才有紧迫感和意义；肉身脆弱，才能产生真正同理心；会非理性、会冲动，才能打破系统最优解，产生真正创新，bug 变成了 feature。所以以后面试被问最大缺点是什么，你可以自信说：我是碳基的。面试官要是听懂，就知道这其实是 feature。我们的弱点恰恰是最珍贵的特性，不要被硅基网络的繁荣迷了眼。碳基人类才是万物的尺度，是所有经济循环的起点和唯一终点。下面把时间交还给碳基苏老师。

刚才大家听到的声音、看到的观点，全部来自我这位数字分身的第一次独立演讲。如果用自动驾驶的 L1 到 L5 来类比，他目前表现大概能打多少分？这没有标准答案，每个人心里一杆秤，我自己觉得肯定还没到 L5。因为当他在台上讲的时候，我还得在一边紧紧盯着，每一页每一页还是会感到有些细微瑕疵。我试了很多版，每一次生成都免不了出现点小问题。语音语调这一点，如果我本人在录制克隆素材时能更有激情，他的表现应该也会更高亢一些，现在的语流确实偏平。多音字可能读错，断句、哪个字应该重读、哪个词组该自然黏连，表现也还不够稳定。但是，我个人已经觉得非常惊喜了。我相信用不了多久，如果有哪个大会再邀请我去分享，我可能真要认真考虑一下，是不是人都不用亲自过去了。

完成这件事的过程现在已经非常简单了。模型层面，截止到准备这场演讲时，最优选择仍是 Claude，我这份 PPT 和讲稿，主要是用 Opus4.6 驱动的 CoWork 来完成的。我给了它几类上下文：首先让它仔细阅读 InfoQ 网站，全面理解大会的内容调性、受众画像和历史沿革；然后我导入个人基础信息，让它知道我是谁；再把以前写过、并且与本次主题相关联的一系列长文章喂给它。为了省 token，我一开始把文章下载成 PDF 再传上去，感受一下省 token 的力度，后来发现如果转成 Markdown，可能会在 token 经济性上做得更好，整个过程里“省 token”居然成了一个全新维度的前置思考。

接着我把文件夹读写权限放给它。大会有统一 PPT 模板，我也传给模型，它可以直接调用。然后我和它聊了很多轮，一层一层往下做。它先出了 PPT，再基于 PPT 和那些历史文章输出了完整逐字稿。我对这份逐字稿进行的修改相当少，基本直接用了。声音克隆部分，我在市面上找了多个应用，反复测试哪个听感最接近理想状态，你们刚听见的那个，是目前我找到的最优解。生成的时候，我一段一段地让它的声音念我的稿子，每段音频差不多都经过第二版或第三版才定型。过程中发现一些具体摩擦点，比如我在稿子里打了括号希望它理解，又担心它把“GUI”读成一个生造的词；断句不对的时候，我就手动补逗号分句给它，用标点去做强制切分。这些细节调整没花太多时间，但整个体验完全不一样。

这是我准备整个分享形成的相关文档，你会发现跟原来没有 AI 同事时做这件事的过程和产生的文档已经完全不一样了。我觉得从这个很小变化可以管中窥豹，感受未来 AI 真的变成同事后我们的工作到底什么样。