核心问题

AI 编程到底强在哪里，又危险在哪里？

真实场景

PM 看到 AI 几分钟生成一段代码，觉得开发效率可以翻倍。工程师看到 AI 写出能跑的 demo，也开始把它当成日常工具。

问题是：能跑，不等于能进生产。

常见误区

坏判断是：

AI 写得很像，所以应该是对的。

AI 擅长生成“看起来合理”的东西，但它不天然理解你的业务约束、历史包袱、线上风险和团队规范。

工程视角

AI 很适合：

  • 生成样板代码。
  • 写测试初稿。
  • 解释错误日志。
  • 生成正则或脚本草稿。
  • 帮助理解陌生代码。

AI 不适合独立承担：

  • 系统架构。
  • 安全边界。
  • 核心业务规则。
  • 数据一致性设计。
  • 线上事故判断。

PM 可以怎么做

PM 要避免把 AI 当成“工程师替代品”。更好的方式是把它当成加速理解和表达的工具：

  • 用 AI 解释技术方案。
  • 用 AI 生成问题清单。
  • 用 AI 辅助读错误日志。
  • 用 AI 帮你准备和工程师讨论的草稿。

Atlas Action

每次使用 AI 生成技术内容后，加一个问题：

这段内容里有哪些部分我无法独立判断真伪？

无法判断的部分，必须找工程师确认。

小结

AI 的价值是加速，不是免除理解。

PM 可以用 AI 提升技术沟通效率，但不能把责任外包给 AI。