一个场景：需求评审刚结束，研发现场让 AI 把接口定义和单测写了出来，五分钟出稿；产品经理让 AI 出三版首页方案，十秒有了。其中一版被开发一句话否了："不是实现不了，是需求没想清楚。"

另一个场景：测试还在手工排用例，AI 已经把 40 条边界用例铺满了表格；上线前回归，人点了一上午，AI 跑了两轮。

工具是真的好用，替代也是真在发生。问题只剩一个：它替掉的是产研的哪一部分？剩下的部分，该怎么协作？

一、AI 替代的是"执行"，不是"判断"

把产研的工作拆开，大致可以分成两类。

一类是确定性执行：规格已经明确，把需求翻译成代码、把方案翻译成原型、把逻辑翻译成用例。这类工作量大、重复、有标准答案，正是大模型最擅长的地方——规格给得越清楚，它干得越快。

另一类是不确定性决策：需求含糊时，这个功能到底做不做、做到什么程度；两个方案冲突时，保体验还是保进度；线上出了事故，先拦住损失还是先追责复盘。这些没有标准答案，信息不全，还要承担后果。

AI 替代的是第一类。第二类依然要人拍板——而且因为第一类变快了，第二类反而越来越值钱。

所以更准确的说法是：AI 替代的是"任务"，不是"岗位"；替代不了的是"判断"和"担责"。

二、产研协作正在发生四个位移

协作的本质是信息传递和反馈。AI 进场后，传递的载体变了，反馈的周期也变了。

需求：从文档交付，到对话式规格。过去产品写 PRD、研发读文档，理解偏差靠评审和返工来纠。现在产品把口头描述丢给 AI，AI 能自动补全边界条件、字段定义甚至异常场景——但前提是产品得会"审"。AI 补的可能是它猜的，猜错了就是需求缺陷。需求侧的新能力，从"写清楚"变成了"审得准"。

设计：从原型交付，到规则定义。AI 生成 UI 的速度，已经快到没人愿意手动画线框图。但生成的前提，是设计系统、交互规则、内容边界这些"参数"定得好。设计师的价值从"出图"转向"定义视觉和交互的规则"，让 AI 在框架里批量产出。

研发：从写代码，到审代码。AI 编码助手补全、写单测、做重构，样板代码的产出速度远超人类。研发的重心开始移向 AI 看不见的地方：架构、依赖、安全、性能、异常边界。代码 review 从"看实现"，变成"看 AI 哪儿想当然了"。

测试：从执行用例，到定义边界。AI 能生成大量用例、跑回归、做探索性测试，但"什么是对的"这个验收标准，必须人来定。测试的价值从"跑了多少遍"，变成"对业务理解有多深"。

四个位移背后是同一个规律：AI 吃掉中间的执行层，人往两端走——一端是定义需求和质量的标准，一端是处理异常和承担后果。

三、新的协作协议：谁掌握上下文，谁掌握生产力

AI 不生产需求，也不承担责任，它只放大你输入的信息。所以产研协作的新协议只有一条主线：把团队掌握的上下文，变成 AI 能用的输入。

产品要做的，是把业务目标、用户场景、验收标准说清楚——不是写给研发看，而是写给 AI 看，研发来审。需求描述越结构化，AI 的产出越可控。

研发要做的，是维护好架构边界、技术规范、模块依赖，让 AI 的产出落在约束里；同时把团队的文档、历史决策、踩坑记录整理出来喂给 AI——它不缺代码能力，缺的是你们团队的背景知识。

测试要做的，是把"验收标准"从心里话变成清单。AI 能听话，但它不知道你们心里觉得"这个页面丑"。

协作的接口从"人传人"变成"人写标准，AI 干活，人审结果"。谁能把业务和约束讲清楚，谁就让 AI 产出好结果；讲不清的人，会被讲得清的同事替代——这就是 AI 时代真正的淘汰逻辑。不是被 AI 淘汰，是被会用 AI 的同事淘汰。

四、现在就能做的五件事

1. 把确定性工作列清单。每个岗位先列"明确、可验证、低风险"的重复活，先让 AI 干，人只审结果。列不出来，说明还没看见自己工作里的 AI 空间。
2. 定团队的 AI 协作规范。哪些环节 AI 参与、人工兜底在哪里、敏感数据怎么隔离——不用等公司统一政策，小团队先跑起来。
3. 整理团队上下文。把近期文档、代码规范、历史决策整理成 AI 可检索的资料，这件事的回报高于一切工具选型。
4. 验收标准前置。需求阶段就把"怎样算做完了"写清楚。AI 时代，需求说得越细，失控越少。
5. 保留人的终审环节。上线、对外承诺、动数据的动作，永远人工确认。AI 可以快，但责任还在人身上。

结尾

大模型工具确实在替代人——替代的是那些"把已有答案重复执行"的部分。它替不掉的，是定义问题、划定边界、承担后果这三件事。

AI 时代产研协作的本质没变，还是"把对的东西做对"：产品负责"什么是对的"，研发负责"把它做对"，AI 负责"把它做完"。谁先想明白自己在这条链上的位置，谁的工作就不再是被替代，而是被放大。

本文内容由百度搭子生成