💡 站外导读:随着 AI 编程工具让原型和代码生成几乎零成本,“人人都是构建者、不再需要专职 PM 与设计师”的论调在硅谷频频刷屏。但在最新一期播客中,在 Atlassian 掌舵 Jira 与 Confluence 十七年的 AI 与产品工艺负责人 Sherif Mansour 却披露了一项反直觉内部实验:他们曾撤掉传统头衔组建纯 AI 构建小队,结果短短一个月全员就退回了原有角色。当吞吐量不再是瓶颈,企业 AI 组织的真正卡点究竟在哪里?
“全员构建者”实验一个月退回原点:代码变便宜后,“方向”成了最贵瓶颈
取消 PM 与设计头衔的试验复盘:吞吐量暴涨掩盖不了方向失焦
面对大模型和编码智能体带来的开发提速,不少科技团队都在尝试扁平化重构,认为工程师只要接上 AI 就能包办产品规划与交互设计。Atlassian 内部也专门跑过一次“全员构建者(All-Builder Squads)”实验:直接拿掉小队里传统的产品经理(PM)和设计师头衔,让所有人一起用 AI 工具高频开发与交付原型。
Sherif Mansour 坦言,实验最初几周看起来像是一场彻底的胜利——团队产能和代码提交吞吐量(Throughput)飙升,每个人都处于高速产出状态。但仅仅过去大约一个月,小队成员就不约而同地自发滑回了自己原本的分工轨道。他直言,“人人都是构建者(Everyone’s a builder)”正是当下科技行业最昂贵的迷思之一。
实验暴露出的底层规律非常清晰:AI 已经把执行层面的软件生产成本打到了地板价,吞吐量早已不再是研发组织的第一瓶颈,真正的卡点变成了“方向(Direction)”——知道该做什么、不该做什么,以及为什么现在要做。Mansour 将这一原则浓缩为团队信条:“掌舵,而不是去划桨(Direct the ship, don’t row it)”。
在此背景下,优秀 PM 的第一职责也绝不是坐在 Jira 看板前排期写工单或事无巨细地替别人拍板,而是为跨职能团队建立“共享大脑(Shared Brain)”。通过持续填补客户痛点、产品市场格局与商业目标三类关键上下文缺口(Context Gaps),让一线工程师和设计师无需反复等审批,就能在同一套意图坐标系下高速自主推进,拉升整体决策速度。

初级员工多用 38% AI 却猛产“Slop”:跨代际结对如何破解生产力悖论?
工具实验频率翻倍背后的质量陷阱:资深人员的“审美与审查力”不可替代
与行业里“AI 会彻底消灭初级岗位招聘”的普遍悲观论调相反,Atlassian 不仅没有削减初级校招和初阶岗位,反而在 AI 时代显著加大了初级人才的录用密度。支撑这一反共识决策的,是 Atlassian 内部对不同职级员工 AI 使用行为的实测洞察。
Mansour 公布了一组颇具冲击力的对比特征:在日常工作中,初级员工使用 AI 工具的概率比资深员工高出 38%,主动发起 AI 试验的频率接近资深员工的 2 倍,且测试的模型和工具生态显著更宽。他们没有历史工作流包袱,对新工具的肌肉记忆形成极快,往往是组织里最先摸透新范式的一批人。
但高速试错很快撞上了一堵硬墙——“AI 垃圾(AI Slop)与生产力悖论”。初级员工虽然高频调用生成式工具、在表面上堆出了海量文案和代码提交,却因为缺乏对复杂系统边界和真实业务场景的体感,反而产出了大量华而不实、难以维护的“Slop”;讽刺的是,这批人自己在调研中并不觉得自己的真实生产力有多高。
反观资深员工,虽然采纳 AI 的起步节奏较慢,但凭借多年代码评审、架构踩坑与辅导下属积累下的专业直觉,极其擅长在第一时间揪出 AI 生成内容里的幻觉漏洞与隐性技术债。于是 Atlassian 刻意在团队编排中采取“初老混编结对”:先由初级人员把前沿 AI 工作流与提示词技巧反向教给老员工,再由资深骨干提供业务上下文与质量品味(Taste),联手把低质输出拦截在交付之前。
| 组织运作模式 | 核心优势与表现 | 暴露瓶颈与典型隐患 | Atlassian 实证纠偏机制 |
|---|---|---|---|
| 全员构建者实验 (All-Builder) | 取消传统头衔限制,全员用 AI 高频写原型,初期吞吐量飙升 | 约 1 个月内方向失焦并退回原分工,执行过剩但缺乏意图对齐 | 明确“掌舵而非划桨”,由 PM 专职构建跨团队共享大脑 (Shared Brain) |
| 纯初级人才 AI 狂飙模式 | AI 使用率高出资深 38%,实验频次近 2 倍,工具探索面极广 | 极易制造低质 AI Slop 与隐性技术债,主观生产体感反而不高 | 强制初老混编结对:初级输出来自前沿工具的技巧,资深把关品味 |
| 纯科学/指标守成模式 | 擅长存量系统 A/B 测试与商业 TAM 拆解,稳态期风险极低 | 在代码零成本时代易陷入同质化微调,缺乏 0-to-1 突破体验 | 引入工艺三角校准,高模糊 AI 赛道优先配置重审美与直觉的 Artist |
| 外挂式 Rovo 渐进演化 | 零迁移成本直接触达 Jira/Confluence 存量工作流,快速验证 | 若经理过早放手或仅堆砌聊天框,易沦为浅层问答装饰品 | 借 Rovo Chat 沉淀真实交互日志反推原生特征,保持管理者高频校准 |
Product Management Craft Triangle 工艺三角:为什么“艺术家”在 AI 时代反杀?
从 Artist、Scientist 到 GM:Atlassian 招聘与团队校准的三维标尺
为了避免用同一套模板去考核所有 AI 时代的产品和研发骨干,Atlassian 内部长期推行一套由高管 Joff Redfern 创立、并由 Sherif Mansour 深化落地的“产品管理工艺三角(Product Management Craft Triangle)”框架,将复杂问题拆解为三种截然不同的原型能力。
第一种是“科学家(Scientist)”型,强调假设驱动、定量指标和严密的 A/B 实验验证,最适合放在增长引擎或存量功能调优团队;第二种是“总经理(GM)”型,习惯从潜在市场规模(TAM)、商业变现与营收利润出发统筹全局,适合主导已经跨过冷启动的成熟产品线扩张;第三种则是“艺术家(Artist)”型,核心驱动力是产品直觉、用户交互品味与极致体验,先构想出令人惊艳的理想终端体验,再倒推需要解决哪些工程与流程难题。
Mansour 指出,在代码实现昂贵、工程排期以季度为单位的旧时代,大厂往往更偏爱擅长守成与微调指标的 Scientist 和 GM;但当 AI 智能体把原型实现周期压缩到小时甚至分钟级后,纯靠套用竞品功能或局部指标微调已经很难构建壁垒。相反,能够在高度模糊的 0-to-1 领域中凭直觉与审美定义出差异化体验的“艺术家(Artist)”特质,正在成为产品组织最稀缺的护城河。
在招聘和绩效校准中,Atlassian 并不强求一个人同时把三角的三个顶点拉满,而是把这套三角用来做“人与项目的匹配诊断”——很多在数据优化团队里表现平平的 PM,往往只是被放错了象限,一旦调去需要高审美定义能力的 AI 新场景,就能瞬间释放爆发力。
反共识的“外挂 AI”路线:老产品如何靠 Rovo Chat 跑通原生演化?
别盲目推翻重做:通过开放式对话入口从百万真实工作流中反推刚需
谈到传统 SaaS 巨头的 AI 化转型,业界流行一种极具煽动性的教条:“千万别把 AI 硬外挂(Bolting AI on)到老产品上,必须彻底推翻原有交互、从零重构 AI 原生产品。”但掌管着 Jira、Confluence 等数十款拥有数百万活跃用户成熟软件的 Mansour,却在访谈中公开反对这种一刀切的洁癖。
他认为,对于已经深度嵌入企业日常运作的存量产品线而言,“先策略性地外挂 AI”往往是最务实、最快速也最安全的演进起点。例如 Atlassian 在现有产品套件中直接嵌入企业级 AI 平台 Rovo 与 Rovo Chat 对话侧边栏以及智能体工作流列,让百万级存量用户无需跨系统迁移数据、也无需推翻既有的权限与审计体系,就能在熟悉的页面里随手调起 AI 辅助。
这一做法真正的杀伤力在于“用开放入口换取真实意图数据”:团队通过观察用户在 Rovo Chat 等无限制入口中自发敲入的高频指令与卡点,就能清晰识别出哪些场景只是伪需求,哪些高频任务值得进一步产品化为深度集成的原生智能体工作流,从而实现数据驱动的渐进式原生重构。
在组织管理收尾时,Mansour 还特别警示了 AI 转型期新晋管理者最容易踩的一个坑——“过早彻底放手(Hands-off too quickly)”。很多新经理误以为放权不管就是赋能团队,结果却在 AI 工具加速迭代时导致全队上下文撕裂。面对有远见、思想已经跑到“第十章”的创始人或高管,而执行团队还停留在“第一章”的落差,管理者更需要主动下场保持高频对齐,并用一套极度透明的框架正面消化分歧,才能让 AI 真正转化为可持续的组织胜率。
📝 站长洞察 (Editor’s Insight)
过去两年行业被“AI 一人公司”和“全员工程师”的叙事推着跑,但 Atlassian 这次把内部“All-Builder”实验在一个月内翻车退回的真实过程摊在桌面上,给所有中大型研发团队泼了一盆极具含金量的冷水。代码生成的边际成本越接近零,团队就越容易在没有方向对齐的情况下高速制造技术债与“AI Slop”。比起跟风裁撤初级岗位或砸碎成熟产品重造“AI 原生概念”,Atlassian 用“初级员工高38%试错率+资深骨干品味把关”以及“Rovo 先外挂老工作流再沉淀原生特性”的组合拳,给出了企业级工程团队更稳妥、也更具可复制性的现实路线图。
Atlassian 为什么取消 PM 头衔做 AI 实验?
他们想验证在 AI 降低代码与原型成本后,团队是否还能靠“全员构建”提升效率。结果显示吞吐量确实上升,但很快出现方向失焦,说明真正瓶颈不在执行,而在产品方向与上下文对齐。
初级员工为什么更容易产出 AI Slop?
因为初级员工更爱用 AI、试验更频繁,但缺少复杂系统边界、业务场景和架构经验,容易生成看似高产、实则难维护的内容。Atlassian 的做法是让资深员工负责审查与品味把关。
Atlassian 说的“共享大脑”是什么意思?
指 PM 不再只是排期和派工,而是持续补齐客户痛点、市场格局和商业目标等上下文,让工程师和设计师在同一意图坐标系里自主决策,从而提升团队整体决策速度。
如何避免AI把产品做成Slop?
把AI当加速器而不是决策者:先用清晰问题定义、验收标准和样例约束输出,再由资深产品/设计/工程做二次把关。高风险环节必须保留人工评审,尤其是需求取舍、信息架构和用户体验一致性。
全员AI协作最该补哪层能力?
不是再堆工具,而是补“共享大脑”:统一的产品语境、可复用的设计/代码规范、决策记录和评审机制。这样AI产出才能接入团队流程,避免每个人都在生成局部最优、整体失控的方案。
