大家好，我是狂师。
AI 的能力这两年是肉眼可见地变强了。写代码、画原型、出文档，以前要一个团队分头做的事，现在一个人带着几个 AI 就能全部包揽，工作产出抵得上从前的一个小团队。按理来讲，工具这么能干，人的工作应该越来越轻松才对。
但最近跟不少读者、学员聊，听下来的情况正好相反，测试工程师这个群体尤其明显。
用例确实能自动生成了，脚本也不用一行一行手写了，可人没有轻松半分，反而更忙了。提测的版本一个接一个，回归越排越满，加班一点没少。效率指标压得人更憋屈，领导看研发产出翻了倍，转头就问测试为什么没跟上，背在身上的绩效考核一年比一年高。
今天写这篇文章的目的，就是想站出来，为测试从业者或者打工人群体发声的。（哈哈，为我摇旗呐喊吧 🚩）
如果正在看文章的你，是团队领导，不懂AI 在瞎指挥的，赶紧来看一下，提高一下认知，如果你是开头文章提到的哪一拔人，深有同感的话，就请赶紧把文章转发给你的领导。
AI时代，产研组织发生了什么变化
AI 很强，也好用，这一点没人否认。可省下来的力气没有落到干活的人身上，人反而越来越累。原因不在测试或者打工人自己身上，我们先从 AI 时代产研组织正在发生的变化聊起。
最直观的变化是岗位的边界没了。
现在很多公司已经不太区分产品经理、设计师、前端、后端、测试这些岗位了，行业里很多人把这种统一后的角色叫 Builder，所有人都是生产者。
这在几年前不可想象，以前的分工靠技能门槛撑着，写代码要学好几年，做设计要有专业功底，门槛把岗位隔开，也把职责隔开。AI 把这道门槛拆掉之后，边界自然就守不住了。
它带来的变化是所有人都可以提交代码。
以前只有研发能碰代码，现在产品经理、设计师都能把自己的想法直接做成能跑的东西，效率提高得非常高。当然目前很多公司基本还停留在局部试点，只在少数 AI 团队里是这样，但方向已经很清楚。
变化更大的在流程上。
以前一个需求走下来，产品写 PRD，设计师画交互稿，开评审会同步信息，研发排期开发，测试照着文档验收，一层一层交接。
现在没有人再去写文档画交互了，在这种模式下，产品经理会直接做一些前端开发的事情，把自己的想法做成页面，直接把代码提交到内部的测试环境上。研发一看就知道他想要什么，在这个基础上帮他做精细化、规范化，做完之后测试测一下，就直接发到正式版本上。
这样就形成了AI时代下，新的研发组织协作模式。
产品经理把想要的效果提交到测试环境，研发一看就知道想做什么，不需要评审，也不需要画交互图，几个问题一确认就把代码规范化，没问题就上线。这就是为什么说研发这边算是比较好，因为它真的改变了组织。产品用 AI 把 PRD 写得更快，交互稿画得更快，研发用 AI 把代码写得更快，这些算个人提效，组织没改，工作流程还是原来的流程。
一个想法从提出到上线，中间的路短了一大截。如果不算测试的话，整体效率至少能提升3～5倍。
新的协作模式下，最累的是测试
新流程里最好过的是产品和研发，最累的是测试。这件事要单独展开讲讲，它和大多数人对 AI 提效的想象正好相反。工具越来越多，测试没有变轻松，反而更忙了，效率报告上的数字上去了，加班时长也跟着上去了。
为什么单单把测试排除在外，原因很简单，测试是现在 AI 整体提效最大的瓶颈。
产研这条流水线上，产品、设计、研发都在被 AI 加速，唯独验证这道工序，AI 虽然也能帮测试提效。但并不能像编码、设计一样。
有几点关键原因。
错误的将开发提效照搬到测试提效
领导往往是这么想的。
特别是一个不懂AI落地的领导，看过几次 vibe coding 的演示，或者自己动手三分钟生成了一个能跑的网页，很容易得出结论，需求生产力、编程生产力提高了 5 倍、10 倍，甚至 100 倍。
这个判断放在开发身上，方向大体没错。接下来他会顺手把这套倍数套到测试岗，研发都翻十倍了，测试翻五倍不过分吧，年底的效率指标就这么定了下来。
测试的效率确实也能提。用例设计、测试脚本开发这类偏内容生产的工作，AI 的加成非常明显，原来写一天的用例现在一小时出初稿，原来维护一套自动化脚本要专人盯着，现在把需求描述清楚就能生成。这些环节翻几倍是没问题的。
AI擅长迎合，而测试更需要的是“挑刺”
为什么说，不能直接将开发编码的提效照搬到测试工作上，问题出在两边的属性天然相反。
AI 的迎合性非常高，它会顺着你说的方向去搞，你提需求它照办，你说没问题它就一路绿灯。这个属性放在编码或内容生产类的任务没毛病，写代码的人就需要 AI 顺着来，越听话越好使。
可测试的活恰恰是挑刺，要不断地去证明你做的不行。让一个天生顺着的工具，去干天生对着干的活，AI 测试工具用下来效果不好，根因在这里。
测试真正吃时间和精力的地方不在这。而在于执行和验证、全维度质量验收，如何确保做出来的东西与需求目标对齐，这几块才是测试的主体。
它们和业务流程、业务场景强绑定，每个项目都得结合业务做定制，一遍一遍磨细节，这个月在这个业务里磨出来的经验，下个新业务来了重新磨。这类工作必须有人持续投入、持续主导才能做好。
AI 编程和 AI 测试的差别就在这里。
AI 编程工具强在没有人主导也能快速交付结果，给它一句需求，它能自己往下走。AI 测试没有这个属性，没人管它，它能生成一堆看起来很专业的用例和脚本，验证本身不会发生，和业务对不上的地方它也不知道。内容生产可以无人值守，验证和对齐通常还是要以人作为主导。
研发产能翻倍，被测的东西也变多了
研发的产出量翻倍了，测试却没有办法像研发一样放大。前面几道工序都在提速，验证这道还是原来的速度，东西越产越多，出口没有变宽，最后全堵在测试这里。提速提不动，只能加人，测试反而成了扩招最多的岗位。以前几个研发对一个测试，现在一个研发就要对一个测试，测试成了整个组织里唯一靠堆人补产出的地方。
这还只是效率这一头。另一头是，研发产能翻倍，最直接的变化是被测的东西变多了。以前两周上一个版本，现在一天一个。以前一个需求要走完评审和文档才到测试手里，现在产品直接把代码提到测试环境。
再者，被测对象本身也变了，AI 生成的代码迎合性强，你顺着说它就顺着来，错也错得很自信，而测试的活恰恰是挑刺，要不断证明它不行。一个顺着来，一个对着干，这个对抗里工具帮不上太多忙。
提效后的收益被拿去加大需求量
最拧巴的还在后面。测试自己也在用 AI 提效，用例生成快了，脚本写得快了，可省下来的时间没有变成下班，变成了排进来的更多需求。
研发提效的收益被产品端拿去加大需求量，验证总量跟着涨，测试站在中间，上游越来越快，上线的日期一天不让。
这就是很多测试这两年最真实的体感，工具越来越好用，活越来越多，人越来越累，内卷就是这么卷起来的。
用 AI 生成的用例，去测 AI 生成的代码，两边的量都在膨胀，中间对齐业务、拍板能不能上线的那个位置，压力最集中。而这个位置没法摊薄，业务有多少个场景，就有多少处细节要磨。
AI 可以把用例写得又快又多，唯独不能替人回答，这个版本做出来的，是不是需求真正要的那个东西。
写到最后
AI 给我最贵的教训是，0 到 1 可以靠一个人加 AI 冲出来，规模化必须有专业的人进场主导。对个人来说方向其实清楚，把用例和脚本尽量交给 AI，把省下来的时间挪到业务对齐和验收上。
累不会消失，但至少累在值钱的地方。
这篇文章从头到尾都没有否定 AI 对测试的价值。用例设计、脚本开发这些偏内容生产的环节，AI 帮测试提的效是实打实的。问题出在目标的定法上。
测试这个工种，有的环节是内容生产，AI 能翻好几倍，有的环节是执行、验证、验收，和业务强绑定，提效的空间天然有限。
企业落地的时候，执行层也好，领导层也好，定 AI 提效目标之前，先把自己团队的现状摸清楚，把能提的环节和提不动的环节分开看，再定一个够得着的数字。一刀切地套倍数，看别家翻十倍自己也想翻十倍，这种跟风，最后都会变成压在测试身上的加班。
最后，想替测试同学说几句话。
一款产品功能再炫、迭代再快，没有质量保障兜底，上线就崩，前面所有的效率都是白忙。测试站在研发和用户中间，替整个团队扛着质量风险，这个岗位的价值，从来不该只拿产出速度来衡量。如果你是团队负责人，下次开提效复盘，看到测试的数字没跟上，先别急着质问，多问一句他们这个季度的验证量涨了多少。
AI 还会越来越强，用它的人理应越用越轻松，测试不该一直是那个例外。
如果你也赞同本文的观点，请把这篇文章转发给更多的人。
