AI时代下的《启示录》读后感

上面是《启示录》这本书的大概全览，没读过的话，可以大致看一下，然后我讲一下我的一些思考吧

之前我用 AI 半天做出了一个产品，上架到应用市场，半天就被下架了。

那是一个要处理用户上传私人数据的分析类应用。从想法到能跑起来、能演示、能点下”提交审核”，前后没花到一个工作日。我记得提交那一刻还挺得意的——这要放在三年前，光把功能搭出来就得找人、排期、联调好几周，现在我一个人一个下午就干完了。

下架的通知是中午来的。后台那条状态从”审核中”直接跳成了一行红字。我盯着那行字看了好一会儿，手边的外卖都凉了——东西明明都跑起来了，演示视频都录好了，怎么连个上架都不让？

我脑子里第一个冒出来的念头，现在想起来都有点脸红：”不就是分析点用户自己传上来的数据吗，至于吗？”

正是这个”至于吗”，让我后来愣了很久。愣过之后我才明白，被下架其实算不上最丢人的事。最丢人的，是那个本该在我动手之前就问出口的问题——”这东西合不合规？我有没有权利这么去动用户的私人数据？”——我自己，一次都没认真问过。AI 替我解决了”做不做得出来”，我却顺手把”该不该做”这种底线判断，也一起塞给了它。然后理所当然地以为，能做出来、能提交，就等于能上。

平台替我踩了刹车。但刹车本不该由平台来踩。那个该问”该不该”的人，从头到尾就该是我。

我把判断外包给了”做得出”，又指望别人替我兜底。这恰恰是后来那本书，逼着我去面对的事。

我栽的这一跤，不是个例。它只是一种失败。书里还写着另一种。

二十世纪八十年代，《启示录》的作者 Marty Cagan 在惠普带过一个团队。顶尖的工程师，加不完的夜班，做出来的东西拿了一堆专利，连媒体反馈都不错。结果呢？用他自己在前言里的原话说：没人购买我们的产品。

四十年后，2024 年，Humane 这家公司推出了 AI Pin——一枚别在胸口的随身 AI 设备，前 Apple 的团队，叙事讲得漂亮，发布会声量拉满。然后用户只问了一句话：我为什么不直接用手机？2025 年 2 月，HP 以 1.16 亿美元收下了它的技术和团队，而那枚 Pin 的大部分云端服务，在 2 月 28 日中午彻底停摆。

我的下架和他们的”没人买”，其实还不是一种失败。他们好歹把东西堂堂正正卖到了用户面前，是被人嫌弃的；我连用户的面都没见着，就被平台一纸通知摁死在了门口——说出来更丢人。可不管栽在哪一步，缺的都是同一样东西：在动手之前，没有任何人停下来问一句”该不该”。

AI 算得出市场有多大，算不出这东西到底该不该存在。

这句话，是我花两天读完《启示录》之后，唯一想截图发出去的话。

一、我带着 AI 的眼睛，第一次读这本 2008 年的书

说来惭愧。《启示录》这本书我久仰大名很多年，一直没读。是最近我才花两天把它啃完。

所以我读它的时候，脑子里装的全是 AI。每读到一处，我的下意识反应都是：”这个，现在 AI 几分钟就能搞定了吧。”

读到做原型、快速试错那几章，我是真的有共鸣。Cagan 在书里反复强调：别一上来就写厚厚的需求文档、走那套瀑布流，要尽快做出能让人摸到、能拿去试的东西。我当时心想，这位 2008 年的作者要是看到今天，得多高兴——他推崇的”快速做出一个可试的版本”，AI 算是真给落地了，而且是人人都负担得起地落地了。

可读到”评估产品机会””产品探索”这部分，我心里冒出来的第一个念头是：这活儿，AI 不也能干吗？

我让 AI 去抓市场数据、估算市场规模、扒竞品的用户评价、定位用户痛点。它半小时就能甩给我一份看起来相当完整、相当量化的机会评估报告。图表、数字、结论，一应俱全。

于是我得出一个结论：这本书教的东西，AI 基本上全包了。从”想清楚”到”做出来”，它一条龙全能替我干。

直到下架那半天，我才回过味来。

AI 给我的那份”看起来很量化”的评估，从头到尾没有替我判断过一件事：这东西到底该不该存在，能不能合规地存在。一份看起来很量化的评估，根本不是判断。它只是把数据排得很好看而已。它告诉我市场有多大、痛点有多痛，却绝口不提”你凭什么去碰用户这些数据”。

这本书一多半的篇幅，讲的其实是”克制”——先别急着造，先确认到底该不该造。而”克制”这件事，恰恰是 AI 唯一替不了我的部分。

读到这儿我才明白：《启示录》压根不是一本方法手册。它是一本克制之书。

我的下架，和书里惠普那个”没人买”的故事，隔着整整四十年，中间还隔着一整个 AI 时代。可我们栽的是同一个缺位：动手之前，没人问”该不该”。从 1980 年代的惠普，到 2024 年的 Humane，再到 2025 年的我——被裁掉的，自始至终是同一个岗位。

我想给这个岗位起个名字：隐形产品经理。

它不在任何一张组织架构图上。过去，是”造得慢、造得贵”这件事在替它打工。成本和时间像两道闸，逼着你在动手之前先把账算清楚：这玩意儿真有人要吗？真合规吗？出了事谁扛？那个”慢”，本质上是一个不拿工资的产品经理，在你冲动的时候，悄悄替你拦下了一半的烂需求。

现在我要说一句可能反直觉的话。

在 AI 时代，”做得出”不再是一件好消息。它是最危险的信号。

我们的直觉是：能力越强越好，做得出当然比做不出强。但你想想，过去”做得慢、做得贵”为什么反而是种保护？因为高昂的成本本身，就是那道逼你三思的闸。当 AI 把这道闸的成本一脚踩到地板、清零，它第一个干掉的，就是那个替你三思的隐形产品经理。

于是结论变成了这样：能力越强，刹车越松，你反而越该慢。“做得出”这件事，在过去是要付出代价的，所以它值得高兴；现在它几乎免费，你要是还把它当好消息，就等于亲手拆掉了自己最后一道判断的防线。

造得慢，是一个不拿工资的产品经理。AI 第一个裁掉的，就是它。

而《启示录》整本书在干的事，说穿了，就是教你怎么把这个被裁掉的隐形产品经理——重新雇回来。

二、AI 替我写、替我试、替我算，却把”担”留给了我

雇回来之前，得先看清楚它到底被裁在了哪几刀上。

我把自己这一年和 AI 打交道的过程捋了一遍，发现自己是一步步、心甘情愿地走进坑里的。

一开始，我以为”造得出”就等于”能成”。AI 帮我把代码写出来、demo 跑起来，我就觉得这事成了一大半。

后来我学乖了一点，知道光做出来不够，得测。于是我用 AI 一口气做了十个版本，反复试。我又以为”试得多”就等于”选得对”——版本越多，我离正确答案就越近。

再后来，我连机会评估都交给 AI 了。它给我算市场、算痛点、算竞争，算得头头是道。我于是又以为”数据算清了”就等于”该不该做也清楚了”。

三层台阶，我一级一级踩上去，最后一脚踩空——产品被下架，或者更常见的，做出来根本没人用。

这三步，可以收成一句话：AI 替你写，替你试，替你算，却把”担”留给了你。

写、试、算，分别对应可行性、可用性和价值评估，AI 都替你扛了大头。唯独剩下那个”担”字——该不该做、做错了谁来扛——谁也替不了你。

写、试、算，这三刀 AI 都替你挨了。下面三章，我一刀一刀拆开看：哪些被它真便宜了，哪些只是看起来便宜了。

三、可行性：AI 替我写的，只是低阶那一段

先说”写”。

AI 让写代码、搭 demo 这件事，几乎变成了免费。这是真的，我不抬杠。但你得分清楚，它便宜掉的，只是可行性里最低阶的那一段。

什么叫低阶？就是”能不能跑起来”。

而真正的、生产级的可行性，是另一码事：稳定性、数据质量、权限、合规、安全、成本、性能、组织能不能支撑、上线之后谁来运维、老数据怎么迁移……这一长串，AI 一寸都没替你省。

它只是把问题往后挪了。

过去，这些坎在立项阶段就会拦住你。你想做一个涉及用户隐私数据的东西，团队里多半有人会在第一次会上就问：”这个合规过得了吗？”成本和流程逼着你早早面对它。现在呢？AI 让你飞快地跑完了从想法到上架的全程，于是你一头撞墙的位置，从”立项第一天”挪到了”上架那一刻”——而这个时候，你的沉没成本已经比过去高得多了。

我那个被下架的应用，就是活生生的例子。

AI 让我半天就把东西做完、提交上去。可”这么处理用户上传的私人数据到底合不合规”这道生产级的坎，AI 一秒钟都没替我趟过。它压根不在它的考虑范围里。上架半天，平台就把我拦了下来。

涉及隐私、医疗、金融的应用，这个问题尤其要命。因为这类产品的可行性大头，从来就不是代码，是合规。而合规这东西，恰恰是那份”看起来很量化”的评估报告里，最不会主动提醒你的一栏。

这里我得特别说明一句，免得把因果关系讲歪了：我被下架，证明的是”AI 没替我处理合规和责任边界”，不是“这个产品没人要”。后者得等市场投票才知道，而我连市场的门都没摸到。这是两种完全不同的失败，待会儿第五章我还会回来说它。

这不是我一个人的倒霉。Gartner 在 2024 年 7 月有过一个预测：到 2025 年底，至少 30% 的生成式 AI 项目，会在 PoC（概念验证）之后被放弃。原因写得清清楚楚——数据质量差、风控不到位、成本失控、商业价值不清。

注意，这是一个预测，不是已经审计过的事实，我不替它打包票。但它指向的那个规律，是站得住的：demo 容易，落地难。AI 让”做出一个能演示的东西”变得无比简单，却没让”把它真正落进生产环境”变简单哪怕一点点。

所以下次 AI 帮你三下五除二搭好一个 demo，你先别急着高兴。问自己一句：

AI 帮我省下来的那两周，是真的省了，还是只是把麻烦，挪到了上架的那一刻？

四、AI 让你更快拿到版本，但判断哪一版能交给用户，还是你的事

再说”试”。

这一章我想先把书里那个最戳我的方法论拎出来。Cagan 在前言和第 22 章里反复讲一件事：做高保真原型，然后尽早地、反复地让真实用户去试用。

这事在 2008 年是个奢侈品。你得找设计师做原型，约用户，跑一轮访谈，几周才转得过来一圈。绝大多数团队根本耗不起，所以书里苦口婆心地劝。

今天呢？AI 几分钟就能给你一版。”反复试错”这件事，第一次变成了人人都负担得起的日常。

但这里有个特别容易被偷换的概念，我必须点破。

AI 替你便宜掉的，是”做出一个可以试的版本”，而不是”替你完成那场真实的用户测试”。谁来试、试出来的信号怎么读、最后哪一版能真正交到用户手里——这些事情的成本，一分钱都没降。

我先讲个反例，一个不在产品圈、但更扎心的例子。

2022 年底开始，科技媒体 CNET 偷偷用一个内部的 AI 引擎写稿，发了 77 篇文章。后来东窗事发，他们做了内部审查，结果是：这 77 篇里头，41 篇需要更正——超过一半。有的是事实错误，有的是把别处的句子改得不够干净，踩到了抄袭的线。这件事是科技媒体 Engadget 报出来的。

你看，AI 不是写不出文章。它的问题恰恰相反——它太容易写出”看起来很像一篇文章”的东西了。

产出的成本被压到极低之后，真正变得稀缺的，是另一样东西：编辑判断。这事实对不对？这篇到底该不该发？读者知不知道这是 AI 写的？这几个问题，AI 一个都不会主动替你回答。CNET 栽的，远不止几个错字那么简单。它栽在：低成本的批量产出，悄悄把发布的门槛压低了，可事实核查、编辑判断、信息披露、读者信任——没有一样，跟着自动降下来。

我读这条新闻的时候，后背有点发凉。这不就是我那个下架的应用吗——我也是被”AI 几下就给我生成出来了”冲昏了头，把”这东西到底该不该发出去”这一步，整个跳了过去。CNET 跳过的是事实核查，我跳过的是合规，本质是同一种侥幸。

把这事翻译回产品，就是：

AI 能让我一天做出十个原型。但它定不了哪个原型真正解决了用户的问题，哪个只是看起来很完整、很顺手。

做出十个版本，是 AI 的功劳。从十个里挑出那个对的——那是隐形产品经理的活儿，AI 没接这个活。

所以每次我用 AI 哗啦啦做出一堆版本的时候，我都会逼自己停一下，问一句：

我这是在用 AI 多试几个版本，还是在用”多试几个版本”，来逃避”我到底要哪一版”这个我不敢面对的判断？

五、价值与担责：AI 替我算，却不替我判断，更不替我担责

最后说”算”，也是最要命的一刀。

到这儿，前面那些被 AI 摊平的成本——低阶可行性、可用性验证——都已经摊平了。剩下唯一摊不平的，是价值。

而价值的要害，过去我一直理解错了。我以为价值是”机器算不出来”的东西。错了。AI 能甩给你一份相当漂亮的机会评估，市场多大、痛点在哪、用户怎么评价，它都能给。

价值真正的要害是：一份看起来很量化的评估，永远不是判断。它能告诉你市场有多大，可你要是追问它这东西到底该不该存在，它就答不上来了；再往下问一句出了事谁来签字，它躲得比谁都远。

价值的核心是另一回事：在一堆不确定里拍下那个取舍，然后为后果负责。算，在这儿帮不上忙。这两件事，AI 都不沾边。

我们回到惠普。

Cagan 那个团队，技术越完整，处境越尴尬。因为他们做出来的东西再精致，也没回答那个最朴素的问题：用户为什么要它？这正是开场那个”没人买”的坑。Humane 的 AI Pin 也一样——能力、数据、声量样样不缺，可它没说清楚用户为什么要在手机之外，再多别一个东西在胸口。

这里我得把两种失败掰扯清楚，别混成一团。Humane 是真刀真枪上了市，然后被用户判了死刑的。我那个应用连市场的门都没摸到，半路就被合规拦下了。一个倒在终点线后，一个连起跑都没跑成——可你要问他俩到底缺了谁，答案是同一个：那个本该在动手之前，问一句”该不该”的人。

如果说 Humane 是价值没立住，那下面这个案例，讲的是价值的另一面：责任。

2024 年 2 月，加拿大不列颠哥伦比亚省的民事裁决庭，判了一个案子，叫 Moffatt 诉加拿大航空（Moffatt v. Air Canada，案号 2024 BCCRT 149）。

事情是这样的：一位乘客的祖母过世，他上加航官网咨询丧亲机票，网站上的聊天机器人告诉他，可以先买票、事后再补申请丧亲优惠。他照做了。结果加航的人事后告诉他：对不起，我们不接受事后补申。

乘客把加航告了。加航在庭上的辩护很有意思——它试图把自己和那个聊天机器人切割开，言下之意是：那是机器人说的，不能算我们的承诺。

裁决庭没买账。庭里认定：这个机器人是加航官网的一部分，乘客没有义务去判断官网上哪一块信息更可信、哪一块不算数。最后，加航被判赔 812.02 加元（其中票价差额 650.88 加元，利息 36.14 加元，裁决费 125 加元）。

钱不多。但这个判决的分量极重：一家公司，要为自己网站上机器人给出的错误信息，以及用户因此遭受的后果，负责。你不能把责任和机器人切开。

把这件事摆到每个想用 AI 做产品的人面前，那个最该问的问题就浮出来了——

产品经理真正要问的，从来不是”这个模型答不答得上来”。而是：”它答错了之后，谁签字，谁兜底，谁去修那条出了错的流程？”

这个问题，AI 永远不会替你回答。因为答案那一栏，签的只能是你的名字。

回头看我那个下架的应用，我从头到尾就没想过这一层：万一它处理用户数据真出了岔子，砸下来的责任该谁接？我那时满脑子只有”能不能做出来”。平台那一刀，与其说是拦住了我，不如说是替我补上了我自己没签的那张字。

六、动手让 AI 造之前，先把这两件工具备好

道理说到这儿，得落地了。否则就成了又一篇”正确的废话”。

我从《启示录》里——主要是讲”评估产品机会”的第 11 章——拎出两件工具，是我现在每次动手让 AI 造东西之前，都会先过一遍的。

工具一：一张责任清单

它就三个问题。我建议你真的把它做成一张能截图、能照着填的表，而不是看完就忘。

判定规则很简单：三个问题里，只要有一个填了x ，就别让 AI 动手。

第二问我想多说一句，因为它最容易自欺。我那个被下架的应用，事后老实拿这张表一填，第二问就是个大大的 x——把 AI 生成的那层分析包装拿掉，剩下的东西，几乎没有什么是只有我能提供的。当时我要是先填了这张表，根本走不到提交那一步。

说点正面的，免得你以为我只会讲翻车。

我认识一个人，手上有个挺漂亮的点子——”碰一碰社交”。两个人各自填好类似简历的资料，手机碰一碰，立刻算出彼此的社交匹配度，告诉你适不适合深聊、能不能做资源互换。这东西用 AI 做出来，真的很快。

但他忍住了，没做。

我问他为什么。他说，他卡在了责任清单的第一问上：他想不清楚，到底有没有人真的需要这个，还是只有他自己觉得酷。

这件事我后来越想越佩服。在一个”做出来几乎不要钱”的时代，忍住不做，本身就是把隐形产品经理重新雇回来的样子。AI 时代最稀缺的能力，是想清楚之前先按住自己的手。快速做出来这件事，早就不值钱了。

工具二：一张”Cagan 动作 → AI 时代改写表”

《启示录》里那些经典动作，在今天该怎么用，又有哪些东西其实一点没变。我做了张对照表：

这张表读下来，你会发现一个有点反直觉的规律：AI 改写的，全是左边那一栏的”做法”；右边那一栏”只能你来的判断”，它一个字都没碰，甚至因为做法变快了，判断的分量还更重了。

最后，附一张生产级的核对清单。每一项，你都拿去问问 AI 给你的那个 demo：它碰过吗？

数据质量、权限与安全、合规、性能与成本、组织与运维——只要有任何一项，AI 的 demo 压根没碰过，那它就还停在”低阶幻觉”那一层，离能上线差着十万八千里。

我被下架，栽的就是”合规”这一格。

结尾

读完《启示录》，我没觉得自己学到了什么新方法。AI 已经把书里大半的方法，做得比 2008 年快了不知多少倍。

我读到的是另一样东西。

这本书写于 2008 年，可它真正在防的那个东西，要到 AI 时代才彻底暴露出来：当”造”变得几乎免费，那个曾经靠”造得慢、造得贵”替我们站岗的隐形产品经理，就被一刀裁了。从惠普到 Humane，再到我那个半天就被下架的应用——四十年了，被裁的一直是它。

AI 裁掉了”造得慢”这个隐形产品经理。而《启示录》，是你能凭它，亲手把这个人重新雇回来的那张合同。

下一次，在你点下”提交”之前——先把它请回到桌子对面坐下，问你一句：这东西，到底该不该做。