AI 时代，产品经理该划桨还是掌舵

核心要点

• 目标未变：PM 仍要寻找 product-market fit、打造用户喜爱的产品并建立可付费业务；AI 改写的是工作方法，而不是岗位存在的理由。
• 客户优先：没人能追完 AI 的全部变化，也不该尽信 X 上的说法；更可靠的判断标准，是工具能否在真实客户场景里创造可验证的结果。
• 按需换位：PM 应根据产品类型、所处阶段、代码库风险与当前瓶颈，在亲自“划桨”和负责方向、优先级及解阻的“掌舵”之间切换。
• 小步提速：Confluence PM 在隔离仓库中一个月提交 26 个 PR，配合 eval、自动修复设计缺陷和测试生成，把约六个月工作压到六周。
• 先做后退：RovoClaw 的 PM 与设计师先用 vibe coding 做出可用 alpha；工程师加入后，PM 停止写代码、回归定方向与解阻，团队反而更快。
• 复杂系统掌舵：面对二十多年历史的 Jira，PM 不提交生产代码，而以可复用原型和自动化反馈分流解阻工程师，十周交付 22 项用户功能。
• 组织化学习：Atlassian 用五级 AI fluency index 指明能力方向，再以季度 builder week 训练；逾千人参与并沉淀 120 多条工作流。

章节时间轴

• 0:06 从岗位焦虑到 AI builder — 各职能不再只担忧被取代，而是开始重叠并扩张；大型企业也必须回答“builder”模式如何落地。
• 2:24 PM 目标不变，方法改变 — product-market fit、用户喜爱与商业可行性仍是终点，AI 工具和组织上下文改变了到达方式。
• 5:31 三类项目，三种角色选择 — Tamar 以现有代码库新功能、zero-to-one 产品和大型遗留系统为样本，观察 PM 应该划桨还是掌舵。
• 6:17 Confluence：PM 直接划桨 — PM 开始提交前端代码，团队将 eval、设计缺陷修复和测试创建纳入 AI 加速流程。
• 10:10 RovoClaw：从划桨转向掌舵 — PM 与设计师先做出 alpha，工程师加入后 PM 意识到定方向、排优先级和解阻才是更高杠杆动作。
• 12:26 Jira：大型代码库只掌舵 — 面对高风险复杂系统，PM 不提交生产代码，而是改造原型、反馈分流和用户研究链路。
• 16:18 新工作与被淘汰的手工活 — PM 更深入做原型、测试、eval 和客户反馈，不再手工写更新、汇编研究或从零制作幻灯片。
• 17:04 AI fluency 能力框架 — Atlassian 用六项能力和一至五级指数为既有 PM 指明发展方向，而非把它当作晋升阶梯。
• 18:36 用 builder week 推动转型 — 每季度暂停常规工作一周，通过讲解、同伴教学和实作训练一项能力，形成可复用工作流。
• 20:08 产出衡量仍是难题 — 团队追踪已部署 PR、已交付功能、客户使用与 OKR，但组织层面的 AI 生产率尚无标准答案。

详细内容

角色正在扩张，而非简单消失

一两年前，产品、设计和工程常互相预测对方会被 AI 取代，所有人也都担心自己的岗位消失。Tamar 观察到，如今更准确的变化不是某个岗位被抹去，而是边界相互重叠：小公司已经用“builder”招聘替代一部分传统 PM 或设计岗位，大公司里同样出现跨职能工作，只是约束更多。

“一人多帽”并不是全新的发明，创始人从来都要同时承担产品、设计、工程与商业职责。AI 让这种工作方式扩展到更多团队成员，也让每个角色的能力边界向外延伸。问题因此从“PM 是否还存在”转成“在什么情境下，PM 多做哪一部分最能推动结果”。

PM 的基本任务并未改变：找到 product-market fit，做出用户喜爱的产品，并让产品成为客户愿意付费的业务。变化发生在执行层。面对快速演化的工具，没有人能掌握全部动态；Tamar 提醒听众不要尽信 X 上的说法，而要回到客户，验证工具在真实工作中究竟产生了什么结果。

上下文让 PM 从信息搬运中解放

模型智能只有与企业上下文结合，才可能在组织内真正发挥作用。Atlassian 将这层上下文称为 teamwork graph：它让工具理解组织中的项目、人员、工作项与沟通信息，为自动检索和行动提供“企业大脑”。

过去，PM 往往负责会议记录、行动项追踪，以及向 go-to-market 团队同步发布日期。现在这些信息可以由工具直接取得。Tamar 举例，CEO Mike 询问某项功能何时上线，五分钟后自己用 Atlassian 的 AI 产品 Rovo 找到答案并发来截图确认；确认无误后，他还为占用团队时间道歉。

这并不意味着工具上线后所有人自然会使用。团队仍需做 change management，帮助成员建立新习惯。PM 处在工作方式变迁的第一线，真正值得投入的不是继续充当信息中转站，而是把模型智能与组织上下文结合，缩短团队到达目标的时间。

Confluence：安全边界内亲自划桨

Confluence 团队开发了两项 AI 功能：Remix with Rovo 能把选中的文字重组为不同格式，Confluence Slides 则能一键把页面转成幻灯片。团队不只问“要造什么”，还主动挑战“怎样显著改变工作方式，把它造得更快”。

PM Ya 此前从未写过代码，甚至没有使用过终端。工程伙伴为她搭建了更易操作的前端 harness，并提供干净、隔离的 repository，避免影响更大的代码库。她看到 UX 修复项太多、工程师不足，于是把工程师留给更高层次工作，自己一个月提交 26 个 PR，比团队多数工程师还多。

其他环节也同时提速：PM 与工程师明确 eval 标准，使 eval throughput 翻倍；PM 使用 Atlassian 采用的 Arize LLM 平台定位 prompt 问题；团队借助 Figma MCP 把设计映射到代码，再让 coding agent 自动修复，一小时处理约 14 个设计缺陷；测试创建则从半天缩短到 10 分钟。

结果是 Remix 用 6 周上线，Confluence Slides 用 8 周上线；在必须满足合规与安全要求的企业软件环境里，原本约需 6 个月的工作被压缩到 6 周，客户 beta 和内部反馈的迭代循环也更紧。这个案例中，PM 选择亲自“划桨”，但前提是安全隔离、预先讲清贡献模型，并有意识地重新划分角色边界。

RovoClaw：编码经验服务于更好掌舵

zero-to-one 项目 RovoClaw 从 PM Josh 和设计师 Kevin 开始，两人用 vibe coding 从头做出能供内部客户使用的 working alpha。只有当他们确认方向值得继续后，工程师才加入，PM 和设计师起初仍与工程师一起提交代码。

转折出现在 Josh 忙于编码、工程师却逐渐偏离方向时。他重新审视自己的时间，意识到写代码已不是当下最高杠杆活动，于是退回 PM 的核心工作：设定方向、排列优先级、解除团队阻塞。团队速度反而因此提升。

早期亲手编码并非浪费。它让 Josh 更准确地理解技术阻塞和实现难点，使他能更有效地掌舵。同时，他把适合自动化的管理工作交给 AI：用正在开发的 RovoClaw 为自身构建 agent，让产品自动生成颇具趣味的周报，不再手写 weekly update。

这一案例说明，“会写代码”与“此刻应该写代码”是两件事。PM 先划桨获得一手技术认知，在团队扩大、协调成本上升后再转为掌舵；判断标准始终是当前阶段哪种动作最能解除瓶颈，而不是把提交代码当作身份标签。

Jira：高风险遗留系统中的流程杠杆

Jira 已有二十多年历史，代码库庞大复杂，经历过 data center 到 cloud 的迁移，还要支持 isolated cloud、FedRAMP、客户定制及数十万客户。在这种环境里，让 PM 直接提交生产代码风险过高；团队的目标仍是把 Jira 变成 AI-first，但 PM 明确以掌舵为主。

原型链路从 Loom 开始：PM 可以录制待改 UI、带讲解的 Figma 设计或口头 brainstorm，Loom 自动把录制内容转成 work items；当 PM 将任务移至 in progress，coding agent 随即启动。托管在云端的 agent 直接在前端 repository 产出符合合规、无障碍和 Atlassian design language 的代码，使原型更容易复用，也缩短了交接给开发者的距离。

反馈处理同样自动化。来自 Slack 的 bug 和意见由 Slack 中的 Jira agent 分流，再自动送给 coding agent 修复。用户研究方面，团队用 Jira Service Management 汇集视频，从超过 900 条反馈中提取信息，再由 Rovo agent 分类；其质量高到足以帮助团队决定哪些问题交给工程修复。

这些改变让团队从 in progress 到 shipped 的 throughput 达到平时约 3 倍，并在约 10 周内交付 22 项面向用户的功能。PM 的杠杆不来自亲自改生产代码，而来自让原型可复用、让海量内外部反馈可处理，并持续替工程师解除阻塞。

把个人尝试变成组织能力

新 PM 工作包括快速原型和测试、编写 eval、更深入处理客户反馈，以及以更高速度吸收信息；被减少的则是手工更新、手工汇编研究和从零制作幻灯片。Tamar 没有声称同步会议已经消失，但认为其数量正在下降。这套转变的底座仍是能理解组织上下文的 teamwork graph。

大型企业不能像创业公司那样简单地“只招 AI-native 的人”。Atlassian 已有许多优秀 PM，因此建立 AI fluency index 帮助他们发展。框架覆盖六项能力，包括工具使用、写 eval、自动化数据洞察、原型能力与必要的技术素养，并划分一至五级：一级 curious，三级 capable，五级 pioneering。

这个指数不是晋升 ladder；晋升依然看为客户创造的结果。组织希望成员逐步在各项能力达到三级，但不要求人人处处五级。每位 PM 应判断自己团队最需要哪项能力，再选择一项深入到五级，把学习与业务瓶颈相连。

真正有效的训练机制是每季度一次的 AI builder week：PM 和设计师暂停常规工作一周，先听外部讲者，再由内部较先进的同事教学，最后用所学完成项目。每期只聚焦一项能力，主题依次包括 prototyping、eval、构建 agent 和提交代码；已有超过 1,000 人参加，并产生 120 多条活动结束后仍在使用的新工作流。

衡量生产率仍没有标准答案

Atlassian 会追踪已部署到生产环境的 PR，而不是只看写出的 PR；也会观察实际交付的功能、从想法到客户拿到功能的周期、客户使用情况、OKR 与整体 throughput。这样的指标尽量把“活动量”拉回到真实交付。

困难在于，功能从何时算“开始”并不总是清楚，单个团队速度也不能自动代表整个组织速度。Tamar 建议同时观察团队和组织两个层级，并通过每季度由不同团队运行实验，持续寻找能反映结果的测量方式。

她坦言，Atlassian 尚未解决这个问题，也不认为行业已有统一答案；这与长期存在的 developer velocity 衡量难题一脉相承。因此，AI 转型不能只靠提交数证明成功，仍需回到客户使用、业务 OKR 和真正进入生产的成果。

最终结论并非所有 PM 都成为全职 coder，而是每个人都能为完成工作和服务客户做得更多。岗位边界会继续扩张，PM 需要拥有跨界能力，更需要知道什么时候使用它。Tamar 对未来保持乐观：十年后 PM 仍会存在，而现在正是这一职业最令人兴奋的时期。

金句

“PM 的工作和过去一样：找到 product-market fit，打造人们喜爱的产品，并建立人们愿意为之付费的业务。” —— Tamar Yehoshua 2:24

“你无法掌握所有变化；更重要的建议是，不要相信你在 X 上读到的一切。” —— Tamar Yehoshua 3:09

“作为 PM，你是在划桨，还是在掌舵？怎样才能让这艘船跑得更快？” —— Tamar Yehoshua 4:44

“他开始编码的经历极大地帮助了他，因为他能理解阻塞点和挑战所在。” —— Tamar Yehoshua 10:56

“我们不期待每个 PM 在所有能力上都达到五级；这不是晋升阶梯，而是为了发展。” —— Tamar Yehoshua 17:49

“我认为这是世界上成为 PM 最好的时代。” —— Tamar Yehoshua 20:55

提到的书·产品·人物

• Tamar Yehoshua（人物）：Atlassian CPO，本期演讲者，以公司内部案例解释 AI 如何改变 PM 的工作方式。
• Mike（人物）：Atlassian CEO，曾通过 Rovo 自助查询功能发布日期，展示组织上下文对减少信息中转的作用。
• Ya（人物）：Confluence 项目的 PM，在工程伙伴提供的隔离环境中首次写代码，一个月提交 26 个 PR。
• Josh（人物）：RovoClaw 的 PM，先与设计师做出 alpha，随后退出编码并把精力转向方向、优先级与解阻。
• Kevin（人物）：RovoClaw 的设计师，与 Josh 一起用 vibe coding 从零构建 working alpha。
• Atlassian（公司）：本期全部大型企业 AI 转型案例的来源，员工规模超过 10,000 人。
• Confluence（产品）：Atlassian 协作产品，团队为其开发 Remix with Rovo 与 Confluence Slides。
• Rovo（产品）：Atlassian AI 产品，既用于自助查询组织信息，也通过 agent 帮助分析用户反馈。
• RovoClaw（产品/项目）：由 PM 与设计师先行 vibe coding 的 zero-to-one 项目，用来说明角色应随阶段切换。
• Jira（产品）：拥有二十多年历史的大型复杂产品，AI-first 项目在约十周交付 22 项用户功能。
• Jira Service Management（产品）：用于汇集并审阅用户研究视频，为 900 多条反馈的自动分类提供输入。
• Loom（产品）：把 UI、Figma 设计或 brainstorm 录制内容自动转换为 work items，继而触发 coding agent。
• Figma MCP（工具）：将 Figma 设计与实际代码映射，配合 coding agent 自动发现并修复设计差异。
• Arize（产品）：Atlassian 使用的 LLM 调试平台，PM 借此定位 prompt 问题并反馈给工程师。
• Slack（产品）：Jira 内测反馈与 bug 的入口，Jira agent 在其中完成分流并触发后续修复。
• FedRAMP（合规框架）：Jira 复杂部署与合规约束之一，说明其生产代码不适合让 PM 直接修改。
• AI fluency index（能力框架）：Atlassian 用六项能力、五个等级帮助 PM 规划 AI 技能发展，而非评定晋升。
• AI builder week（培训机制）：每季度为 PM 和设计师提供一周集中训练与实作，已沉淀 120 多条工作流。

适合谁听

适合正在设计 AI 时代 PM 职责、团队协作方式、内部培训与生产率指标的产品负责人和大型组织管理者。