数据分析、产品、管理这三类岗位有一个共同点：大量动作是理解一点业务、操作一点数据、输出一点洞察或文档，再支撑别人的决策。这类中间层工作正是 AI 压缩得最快的部分。在大公司里，最先被挤压的是信息搬运和叙事包装型工作，比如周报汇总、会议纪要链条、不拥有真实交付物的对齐型项目管理、只做 slide 和 status 的分析岗；它们不一定立刻消失，可能先变成产出更多低价值内容，直到被当成成本来管。反过来被强化的是掌握边界条件的人：定义要做什么、设定约束、评估和验收结果的人。所以问题不是“这个岗位会不会没”，而是你在这条链条上离结果有多近⁠1,2。

立正主张的打法不是原地多学几个工具，而是主动往更接近模型、也更接近结果的位置走。对数据科学岗，这意味着不再只负责分析、建模、报表、实验，而是负责设计整个系统怎么用 AI 把结果做出来：把模糊的业务问题翻译成 AI 能消费的上下文，设计评估和反馈回路，编排模型、工具、数据和流程，判断什么该自动化、什么该人工接管。对产品和管理岗是同一件事：过去用 PRD、PPT 和流程沟通，现在能不能直接做出能跑的原型、把抽象判断转成团队和 AI 都能执行的上下文。判断标准很简单——你是在设计系统，还是只是在维护流程⁠1,3。

AI 能完成大部分执行，但最后一段仍要人来判断结果好坏、给反馈、把事收口。Ethan 在访谈里说，你必须先是某个领域的专家，才能判断两个答案哪个更好、错在哪里，否则 AI 反而会放大你的盲区。这对三个岗位的含义不同：数据岗的深度是实验方法、指标口径、分析思路；产品岗是决策框架、用户洞察、优先级判断；管理岗是判断下一步最重要的一两件事是什么。这些判断如果只停留在“我有感觉但说不清”，就无法放大；能把它外化成规则、模板、评估标准，AI 才能在你的标准上持续产出。同时，经验要沉淀成可复用的结构，否则每天用 AI 也只是线性消耗，没有复利⁠4,3,5。