三年里，我把一个 AI 智能体推上了生产环境，后来又亲手把它下线。它对话流畅，回答精准。可它没解决任何人的问题。
这部分几乎没人讲。市场上满是上线的故事，却没有下线的故事——而后者教会的更多。
这篇文章分两半。前一半是我诚实的盘点：什么在跑，什么还在测试，什么死了，以及为什么让我交付量提升最多的东西并不是人工智能。后一半是市场数据，解释了为什么这段经历对今天做技术的人很重要——包括为什么 Scrum Master 岗位下降了 62%，而 85% 的 Product Manager 岗位已经开始要求 AI 能力。
我是谁
我从平面设计起步，后来转到IT，在 WordPress 和网站开发上做了很多年——二十多年都在和网站、服务器以及生产环境里坏掉的东西打交道。现在我做 MarTech：营销、系统和钱交汇的那一层。
我不是 AI 研究者。我是那个周五晚上结账流程停止处理时接电话的人。我的客户是真实的企业，合计月营收超过一百万雷亚尔，而他们从我这里买的不是技术——是可预测性。
这改变了我对成功的定义。一个在演示里惊艳、却在真实流程边缘崩掉的模型，对付我钱的人来说一文不值。这把尺子解释了后面所有的决定。
我为什么一直沉默
我在 2022 年创办了 Evolutiva，之后发表得很少。那不是内容策略，而是没时间，而且说实话，还有点怕在拿不出东西之前就先开口。
三年之后，我有东西可拿了。包括那些没成的。
那个上了生产环境、又被我下线的 AI 智能体
它能用。但让它继续留在线上仍然是个错误。
有个客户每天接到几十个电话，问的都是同样的问题：合同状态、账单补开、过户。信息是存在的——散落在多年累积下来的成千上万份文档、导出文件和表格里。
我搭了一个 RAG 智能体（Retrieval-Augmented Generation，检索增强生成——说白了：AI 在回答之前先去客户真实的数据库里找答案，而不是编）。它和另一家技术公司合作上了生产环境。
这个智能体听得懂问题，找得到正确的文档，回答组织得清清楚楚。按任何对话类指标衡量，它都及格。
然后我把它下线了。
我为什么关掉一个能用的东西
因为服务得好，不等于解决问题。
客户的系统没有对外暴露集成接口。这个智能体能说“您的 boleto（巴西常用的银行付款单）在 3 月 12 日到期了”，但没法生成一份补开的付款单。它知道过户是可行的，但没法启动这个流程。
它就是个被锁在没有电话的房间里的优秀员工。
打电话来的客户不想要信息。他们想把问题解决掉。这个智能体只送到半路——而在客服里，走一半有时比什么都不做更糟，因为它制造了期待，然后把客户送回队列里。
失败的不是模型。是它下面的基础设施。而让一个只留下好印象、却交付不出结果的系统继续在线，是披着展示橱窗外衣的技术债。
这是我学到的最贵的一课，它变成了我的准则：没有行动能力的 AI 是演示，不是产品。
一套遗留系统为什么在进生产环境之前就变成了 SaaS
另一个客户跑在一套已经撑不住业务量的遗留系统上：周期性收款、手工对账、靠邮件来回传表格。我开始重建——数据库迁移、容器化、数据管道、自动收款。
做到一半，我意识到一件改变了整个项目的事：问题不属于那个客户。它属于整个行业。
那个市场里每一家企业都有同样的痛点、同样的手工流程、同样的表格。为一个客户做定制方案，解决的是一个案子。做一个多租户平台——一个 SaaS，每家企业在同一套底座上有自己隔离的环境——解决的是整个市场。
我把架构重做成了 SaaS。
诚实的保留：这套系统还没有进生产环境。它处在试点阶段。我本可以写“面向该行业的 SaaS 平台”，然后让你以为上面跑着几十个客户。并没有。有的是一套做好的架构、一个正在进行的试点，和一个我站得住脚的产品决定——但“生产环境”这个词，只有在真实用户靠这套系统干活之后才能用。
外汇交易台为什么还在测试（而且会一直测到对为止）
我做了一个数字化外汇操作台：报价、合约、compliance（合规）文档，全部实时。在里面，一个 AI 智能体充当系统的交互界面——操作员对话，智能体就在真实流程里执行。
这和第一个案子正好相反：这里的 AI 有手。
而这恰恰就是它还在测试的原因。
这套系统动的是真实客户的真实资金，而且跨国。操作必须快，因为外汇有报价窗口。必须不容出错，因为一个数字填错不是 bug——是某个人的实际亏损。而且必须可审计，因为涉及监管。
当出错的代价是金钱且跨境时，“看起来好像能跑”不是放行标准。这里的赶工不是敏捷，是不负责任。
花了 R$ 2.5 万多在 AI 上，我学到了什么
过去这几年，我在人工智能工具上投了 R$ 2.5 万多——ChatGPT、Gemini、Claude、Perplexity、OpenRouter、OpenCode，几乎试过那段时间里存在过的每一种订阅和模型组合。
那不是上课。是每天在必须交付的工作里实际用。
最让人不舒服的收获是：我所知道的东西几乎每周都在变。一月份做某个任务最好的模型，到三月就不是了。有效的 prompt 技巧，在模型变强之后就不再需要了。看起来不可或缺的工具，一次发布之后就变成多余的。
那些把 AI 当成学一次就够的东西的人，手里剩下的是过期的知识。能积累下来的不是捷径——是判断力：知道一个模型什么时候够用，什么时候问题不在模型，以及什么时候正确答案是完全不用 AI。
把智能体和系统连起来的东西：MCP
今天把这一切串起来的是 MCP —— Model Context Protocol，一个被 Anthropic、Google 和 Microsoft 采用的标准，用来给语言模型装上“手”。
实际效果是：有了 MCP，模型不只是聊天。它查数据库、触发流程、写入信息，并在系统内部返回结果。
还记得那个被锁在没有电话的房间里的智能体吗？MCP 就是那部电话。如果它在当年那个项目的时候就有现在这样的成熟度，我大概什么都不用关掉。
真正让我的交付量翻倍的东西——不是 AI
是流程。
这通常会让期待听到某个工具名字的人失望，但这是诚实的答案。AI 提高了我的执行速度。流程提高了我的稳定性——而稳定性才是客户买的东西。
大部分时间我是一个人干。Scrum 按手册来是预设有团队的：多人参加的 daily、分开的角色、对齐的仪式。一个人的时候，这些就变成演戏——自己和自己开会。
我做了调整。只保留那些真正能解决单人工作者实际问题的部分：
| Scrum 实践 | 我如何改造成单人作业 |
|---|---|
| Sprint | 封闭的周循环，开始时就冻结范围 |
| 优先级排序的 Backlog | 按客户影响排的单一队列，而不是按当天的心情 |
| Daily | 早上简短复盘：什么卡住了，今天出什么 |
| Definition of Done | 开工前就写下的标准——没有它，“差不多做完了”会变成永远 |
| Velocity | 每周关闭的卡片数——我唯一跟踪的指标 |
| 回顾会 | 周五半小时：什么延迟了，为什么 |
收益不是来自任何单一实践。它来自不再每天重新决定优先级。开放的范围和流动的队列会消耗一种没人计入账的精力——而一个人干活时，这种精力是最稀缺的资源。
结果：我每周关闭的卡片数大约翻了一倍。不是因为工作时间更长。是因为我停下来的次数更少、重做更少、开始的事情都收尾。
真正有效的组合是这样：用 AI 执行得更快，用流程执行对的事。只要前半截，产出的是大量高速生产的废品。
诚实的招聘分析：什么涨了，什么崩了
在我做这些东西的同时，市场以几乎没人预见到的方式重新组织了。我去查了数据——有些让人很不舒服。
Agile 与 Product 岗位发生了什么
把鼠标移到柱子上，可以看到每个数字的来源。
英国 Scrum Master 正式岗位数，按 6 个月窗口统计。这个专职角色两年内萎缩了 62%。
没有下降的是：实践本身。87% 的团队仍在用 Scrum。企业把方法吸收进了工程部门，砍掉的是那个独立的职位。
Product Manager 市场回升了——但这轮回升有主人：AI。
第三根柱子和第四根柱子之间的距离，就是市场上那个空缺：30% 的岗位要求 AI，而真正交付过 AI 东西的专业人士不到 5%。
有这项能力的人收费更高——而这笔溢价一年内翻倍。
诚实的保留：招聘数据主要来自英国和美国。方向可以迁移到巴西，确切幅度不行。请当作数量级参考。
来源：IT Jobs Watch（2026 年 1 月）· Dexity，654 个岗位（2026 年 7 月）· PwC（2025）· Lenny’s Newsletter · LinkedIn Workforce Insights · Humanizing Work
Scrum Master 岗位为什么崩了
因为实践被吸收了，独立的职位不再站得住脚。
2023 年 1 月，Capital One 在一个决定里裁掉了一千多个 Scrum Master、敏捷教练和交付负责人的岗位。几个月后，Royal London 辞退了自己 90% 的敏捷教练。在英国，Scrum Master 的正式岗位数两年里从 79 降到 30——下降 62%。
Capital One 自己给出的理由才是有意思的部分：这个角色在“转型初期阶段是关键的”，但随着组织的成熟，自然的下一步是“把敏捷交付流程直接整合进工程部门”。
翻译一下：方法赢了，职位输了。Scrum 仍然在 87% 的团队里跑着。消失的是那个专门为了主持仪式而招的人。
还有第二个因素，而且更残酷。全世界已经签发了超过400 万份敏捷证书。在 Scrum.org，不到 1% 的证书达到了最高级别。当证书的供给增长远远快于可验证能力的供给时，市场就不再能区分两者——于是开始把所有人都当成可替换的。
那 Product Manager 呢？那是另一个故事
产品市场回升了——这是 2022 年以来岗位量最大的时候，全球有超过 7.300 个在招职位。但这轮回升有主人。
在一份对 654 份真实 Product Manager 岗位描述的分析里，85% 已经提到 AI 或 machine learning，**32% 要求有 *evals* 经验***——也就是那些衡量一套 AI 系统是真的能用、而不只是看起来能用的测试。
而这里是最让我注意的数据：大约 30% 的在招 PM 岗位是 AI PM，但不到 5% 的资深 PM 真正让一个 AI 智能体运转起来过。
这个距离，就是整个机会的一行总结。
这在实践中意味着什么
AI 能力的薪资溢价一年内从 25% 跳到 56%——翻了一倍多。根据 LinkedIn 自己的数据，对这些能力的需求在十二个月内增长了 142%。
对在巴西的人来说，影响是直接的：被国际公司雇用的产品专业人士拿到的薪酬区间是每月 US$ 4 千到 US$ 1.2 万，通常是本地同等岗位的 2 到 4 倍。带 AI 的 Payments Engineer 岗位每月付US$ 5 千到 US$ 9.5 千。
我必须做的保留：这些调研主要来自英国和美国。方向可以迁移到巴西，确切幅度不行。请当作数量级参考，绝不要当作保证的薪资底线。
我对这些的解读
这不是“Scrum 死了”，也不是“产品岗完了”。是另一件事，而且更具体：
市场停止为孤立的流程付钱，开始为应用在能跑的系统上的流程付钱。
一个只主持仪式的 Scrum Master 变成了成本。一个只写用户故事、只排队列优先级的 Product Owner 变成了成本。继续有价值——而且更贵——的是既有方法又懂正在被构建的那套系统的人。
这正是本文前一部分重要的原因。我用 Scrum 不是因为我喜欢框架。我用它是因为，没有流程，AI 会让我在更短时间里产出更多垃圾。我卖 AI 也不是因为它流行。我卖它是因为我知道它下面什么会坏。
稀有的组合不是会 AI，也不是会流程。是两个都会，而且有在生产环境里干过留下的伤疤。
这篇文章适合谁
如果你的业务需要能在生产环境里真正跑起来的支付基础设施、自动化或 AI 智能体——而且已经厌倦了那种撑不过真实流程的漂亮演示——那我们可以直接聊。
如果你在组建技术团队，想找一个已经建过、已经搞坏过、已经关掉过自己项目并且能讲清楚为什么的人，也一样。
我宁愿说“这个还在测试”，也不愿卖我没有的确定性。在动钱的系统里，这就是供应商和麻烦之间的区别。
常见问题
所谓生产环境里的 AI 智能体，实际上是什么？
是一套有人靠它来干活的 AI 系统——不是演示。区别不在模型，而在行动能力：查真实数据、在系统里执行操作、处理错误、留下可审计的痕迹。一个只会聊天的智能体是原型，哪怕它已经发布在一个公开地址上。
AI 项目在企业里为什么失败？
大多数时候是因为基础设施，不是因为模型。混乱的数据、没有集成接口的遗留系统、不存在的认证机制、没有梳理过的流程，会放倒任何智能体，不管它多好。我第一个上生产环境的智能体就是这么失败的：AI 是对的，它下面的底座没准备好。
什么是 MCP（Model Context Protocol）？
它是一个开放协议，让语言模型能在外部系统里执行动作，而不只是生成文本。有了 MCP，一个智能体可以查数据库、触发流程，并在企业系统内部写入信息。它是 Anthropic、Google 和 Microsoft 正在采用的标准，用来把 AI 连接到真实的工具上。
一个人干活值得用 Scrum 吗？
值得，前提是做过改造——没有团队还照搬手册，就变成空洞的仪式。在单人作业里支撑收益的，是范围封闭的周循环、按影响排序的单一队列，以及开工前就定好的完成标准。被丢掉的是那些为了对齐多人而存在的仪式。
Scrum Master 的岗位是在消失吗？
专职岗位大幅萎缩了，但实践没有。在英国，Scrum Master 的正式职位两年内下降了 62%，而 Capital One 和 Royal London 这样的公司一次性裁掉了数百个敏捷角色。同时，Scrum 仍在大约 87% 的团队里跑着：组织把方法吸收进了工程部门，而不是保留那个独立的职位。市场停止为孤立的主持工作付钱，开始为应用在系统上的方法付钱。
2026 年 Product Manager 需要懂 AI 吗？
实际上，需要。在一份对 654 份真实 Product Manager 岗位的分析里，85% 提到了 AI 或 machine learning，32% 要求有 evals 经验。大约 30% 的在招 PM 岗位专门是 AI PM，而不到 5% 的资深 PM 已经交付过一个能运转的 AI 智能体——正是这个距离支撑着有这项能力的人 56% 的薪资溢价。
把一个 AI 智能体推上生产环境要多久？
几乎完全取决于它要操作的那些系统的状态，而不是智能体本身。在集成接口已经就绪、数据组织良好的底座上，几周。在一个没有集成接口的遗留系统里，真正的工作是打地基——而那通常要几个月。任何在审计基础设施之前给出的工期都是瞎猜。
想聊聊你的情况吗？通过 WhatsApp 或 [email protected] 联系我。