先说清楚我为什么敢这么站队。和我是开发没关系，这个身份本身说明不了什么。真正让我这么判断的，是下面几件事。
一、2026 年的模型一个比一个猛，犯的错也越来越隐蔽 #
2026 年的模型确实猛。GLM-5.2、Kimi K3、GPT-5.6、Opus 5，随便挑一个，都能写代码、做推理、翻文献。给它一份需求，十分钟写出一个模块，速度比大部分初级开发都快。
麻烦在于，它写错的时候，代码往往看起来也很对。
比如让它写一段正则，它交出来的东西又快又漂亮，乍看根本挑不出毛病。可边界条件可能没处理，性能可能会崩，数据也可能出错。这些坑都藏在“看起来完全正确”的代码里，往往要到上线之后才暴露。模型能力越强，这类错误反而越难防，因为它给出的答案太像正确答案了。
能提前看出问题的，通常是已经被同类问题坑过的人。做过支付，才会本能地想到金额验算；半夜被告警吵醒过，才知道“看起来对”和“真的对”差得有多远。这种判断没有速成班，只能在真实系统里一点点摔出来。
所以到了 2026 年，会生成代码的人越来越不稀缺，能看出代码错在哪里的人反而更值钱。GLM 和 GPT 都能替你写代码，却没人能替你积累那些踩坑的经验。
二、开发会被工作推着学产品，产品却很难在工作中补工程能力 #
这是我判断里最关键的一点。
我做了十几年开发，从没想过转产品，但产品能力总会自己找上门。
需求评审时，产品说“这里加个按钮就行”，我得追问用户到底卡在哪一步。问得多了，自然会习惯先弄清为什么。有次灰度上线翻车，我半夜爬起来查日志，才发现用户会在一个我们完全没想到的地方使用功能。那是我第一次真正站到用户的角度想问题，不是因为突然多了同理心，而是那次真的疼。还有一年产品离职，没人写需求，我们几个开发只能硬着头皮写 PRD、排优先级、约用户访谈。做得不算漂亮，好歹把事情撑了下来。
这些课，都是系统逼着开发上的。只要还在写代码，需求、用户、成本和取舍就会不断找上门。被这样锤上十年，再迟钝的人多少也会长出一点判断力。
产品同学想补工程能力，处境却不一样。他的日常工作里没有代码库、日志系统，也没有半夜响起的告警电话。想学，只能自己创造环境：自学、做 side project，再从工作之外挤时间。问题通常不在于够不够努力，而在于身边根本没有这门课。
一边是在工作里被动积累，另一边要靠自己主动补课，前者的“到课率”自然高得多。这和谁更聪明没关系，差别主要在接触密度：产品同学碰代码的频率，天然比开发低一个量级。
三、再算一笔现实的账：这些模型都很能烧钱 #
还有一个常被忽略的问题，就是成本。
GLM-5.2 推理深度大。让它自己规划、搜索、修改代码，跑一次复杂任务，花几美元到几十美元很正常。Kimi K3 的上下文长，一次塞进几十万字，Token 很快就烧出去了。GPT-5.6 和 Opus 5 这类旗舰模型推理时间长，等上十分钟也不稀奇。真正把 AI 深度接进研发流程的团队，每个月都会实打实地感受到这笔开销。
同样是让 AI 干活，懂不懂行，结果差得很远。
不懂行的人把需求往对话框里一丢，AI 就开始自由发挥：方案来回换，边界全靠猜，生成之后推倒，再重新生成。Token 花了两倍，时间耗了三倍，结果可能还是歪的。
懂行的人会先把任务拆开，一次只让 AI 做一件事；再定好技术方案，明确框架和实现路径；最后划清边界，告诉它哪些不用做、哪些不能碰。同一件事，AI 往往一次就能做对。
差别在于手里有没有一张技术地图。开发可以告诉 AI 走哪条路、避开哪个坑；产品给出的通常是“我们要这个功能”。后者当然重要，却回答不了 AI 该沿着哪条技术路径实现。
少烧的 Token 是钱，少绕路省下来的时间是命。2026 年，谁能让模型少绕路，谁就有实实在在的优势。
四、最后说句可能不太好听的话 #
很多产品同学没有意识到，真正让自己承压的从来不是开发，而是 AI 已经开始接手产品工作这件事。
GLM-5.2 能写代码，GPT-5.6 能画原型，Kimi K3 能分析数据。只做产品的人，壁垒正在肉眼可见地变薄。懂产品的开发却站在“产品＋工程”的交点上，AI 时代能用上的牌，他几乎都摸得到。
产品当然重要。正在贬值的是单一的产品能力，越来越值钱的是“产品＋工程”。而在这个能力组合里，开发已经先坐上了牌桌：产品能力，他可能被工作推着学了十年；工程能力，产品同学才刚开始补。
所以那张图我不撤。左边沉下去，不是因为左边的人更聪明，只是因为其中一条路他已经走了十年，而另一边才刚刚起步。
这话不算好听，但好听本来就不重要。能不能让人早点看清变化、少走一点弯路，才重要。