你大概率刷到过这样一条视频：一位西装笔挺的讲师，眉头紧锁地凑近镜头——「AI 产品经理，普通人翻身的最后一个风口。三年前你错过了短视频，一年前你错过了直播，这一次，你还要错过吗？」背景音乐悲壮，字幕殷红。
先把这条视频当标本来解剖。它的完播率越高，作者赚得越多；你的焦虑，是他的收入来源。注意一个细节：它从头到尾没有给你任何一个可以自己动手验证的数字——它不提供判断的材料，它直接提供判断的结论，并且催你为这个结论做一个动作：关注、转发，或者，买课。
这不是个别视频的品德问题。这一章想讲清楚一件更根本的事：AI 这个行业，几乎没有中立的信息环境——而产品判断的第一道工序，就是在这种环境里，把诚实的数据挖出来。
一、这个行业没有中立媒体
分析一个传统行业，你至少还能指望相对中立的财经报道、成体系的年报和券商研报。AI 行业不给你这个便利，原因有两个。
第一个原因是利益密度。这个行业的每一个发声者，几乎都押着注：卖课的需要你焦虑，「再不上车就晚了」是他们的销售话术；融了资的需要你乐观，叙事估值是估值的一部分；被冲击的需要你恐慌，「马上要被取代了」能换来转型预算；平台和博主需要流量，而流量最大的两类内容恰好是暴富和恐慌。你每天刷到的关于 AI 的内容，大部分不是信息，是这些利益的排气。
第二个原因是变化速度。这个行业快到中立的观察者来不及形成可靠报道：一个能力的可用性以月为单位变化，一篇认真写就的行业分析，发表时前提可能已经变了。于是信息场里活下来的，反而是那些不需要对准确性负责的声音——它们只需要对你的情绪负责。
把噪音分个类，无非三型，长得都不一样，骨架相同：乐观型（发布会烟花，能力演示惊艳全场）、暴富型（一个素人，一个 App，一笔可观收入）、恐慌型（你的岗位、你的行业、你的孩子，马上就要被淘汰）。三型的共同点有两个。其一，它们都替你完成了判断——你只需要转发和情绪，不需要思考。其二，它们都在催你立刻做一个动作，而那个动作，往往正是发起者的收入来源。
「噪音」的可怕之处不在信息少，而在信息过载但利益不对齐。所以，问题要从「去哪里找更多信息」换成另一个问法：在这个行业里，什么样的数据最难撒谎？
有一条朴素的筛选原则，贯穿本章：钱流向哪里，人被雇来做什么，用户实际为什么掏钱——这三样东西最难伪装。以下四类信号，都长在这条原则的枝干上。
二、诚实数据的藏身处
信号一：招聘启事——最诚实的行业文档
一家公司的市场部可以天花乱坠，公关稿可以云山雾罩，但它的招聘启事很难大面积撒谎。原因简单：JD 背后拴着真金白银。公司按 JD 招人，招错了，损失的是半年工资和一个项目窗口。招聘需求是公司用预算投票写下的行业判断，比它接受任何采访说的都诚实。
读法有三层。第一层读高频词：把二十份目标岗位的 JD 找来，把「任职要求」逐条抄下来，数频次——出现最多的词，就是这个岗位的真实职责，跟职位名称写的是什么关系不大。第二层读薪资带：薪资是市场给稀缺度的实时定价，几十个岗位的薪资分布一拉，溢价存不存在、有多大，一目了然。第三层，也是最少人用的一层：读它不要求什么。否定信号常常比肯定信号值钱。
第一章末尾那组数字，现在换个身份再登场。AI 产品经理岗位量一年增长百分之三百六十九、大厂平均年薪约五十万——这是两层肯定信号，说明扩张和溢价都是真的。但真正改变了这组数字含义的，是那个否定信号：大约七成的岗位，并不要求你懂 AI 的技术底层。如果把这七成的要求列出来，你会发现高频词是场景、落地、业务、闭环——市场在批量购买「把 AI 翻译进业务」的能力，不是算法能力。一个想入行的人读到这儿得出的结论，和只刷到「风口」视频的人得出的结论，会走向完全不同的两条路。
这个数字怎么来的？就是有人做了上面说的第一层功课：拆了两百多份 JD，逐条数出来的。你完全可以复现——打开任何一个招聘应用，搜索目标岗位，把前二十份的要求逐条摘进表格。半小时的功课，含金量超过二十条短视频，因为它是你亲手从原始材料里读出来的，而二手结论永远是别人的判断残渣。
当然，JD 也有它的失真模式，得交代清楚：单份 JD 会抄同行模板，所以单份不可信，要读一批的分布；有些岗位挂着是为储备或品牌曝光，并不真招，可以用「发布后是否持续更新、是否有面试邀约」来过滤；薪资常把上限写得很高，取分布的下四分位比取上限更接近真实。信号的每一档可信度，都对应一类失真——这条纪律，四个信号通用。
信号二：模型发布说明——这个行业的原料价格表
制造业盯大宗商品价格，餐饮业盯房租和食材，AI 行业的「原料」就是模型本身。而原料的性能目录和价格表，是公开发布的：每次大模型更新，官方都会发布说明——新能力、新价格、新的限制条款。
外行看发布会看的是烟花，内行看的是三件事。一问能力：新增的能力里，有没有我正打算花钱自研、或者构成我产品核心依赖的？模型能力的边界每次向外推一格，就有一批「基于上一代能力差」活着的生意被碾过——这在行业里有个不太好听的统称，叫「套壳」，下一章专门解剖。二问价格：单位成本降了多少？对很多 AI 产品来说，模型调用费就是最大的成本项，价格曲线直接改写毛利率。三问限制：新条款限制了什么用途？合规边界的变化，常常比能力变化对产品更致命。
第一章那条曲线值得在这里再读一遍：模型能独立完成的任务时长，十六个月里从约二十一分钟涨到约十二小时。对行业的含义是roadmap 本身成了变量——你计划花一个季度做的能力，可能下个月的模型更新直接内置了。这不是遥远的担忧，是这个行业的月度新闻。
这个信号的失真模式也要点名：发布说明里的一切「能做」，都应默认打折。演示挑的是最好看的样本；跑分与真实可用之间隔着距离；而「能做」和「每次都做好」之间的鸿沟，大到需要本书第四部整整三章去填。行业内部人的行话已经把这件事说透了——原型与评测取代文档，demo 不算数，评测才算。连造模型的人都不拿 demo 当证据，屏幕外的我们更不必。
信号三：付费行为——最难伪造的投票
嘴上说需要不算数，问卷里选「愿意购买」也不算数，钱掏出来才算数。用户的付费是这个市场上最难伪造的信号，因为它要求信号发出者付出真实代价。
第一章两个故事的对照，在这里恰好构成一组实验。小猫补光灯的用户，为一元钱的 Pro 版掏了钱，付费榜第一——有人付费，证明「可爱补光」是个真需求。哄哄模拟器的两千万人次访问，分文未付——它证明的是「免费的好奇心」规模巨大，而好奇心和付费意愿是两个物种。前者是需求，后者是流量。多少产品把后者误读成了前者，然后死在了从热闹到收入的那一段路上。
读付费信号时，看三个刻度：有没有人付（需求真伪）、付的是持续订阅还是一次性买断（烟花型收入还是现金流）、付费是在补贴之下还是自然发生（烧钱换来的繁荣不是市场的真实出清）。独立开发者圈有个好传统：不少人会公开复盘真实营收，这类一手账本，比任何行业报告都值得读。
信号四：开源仓库与社区动向——工程师的脚投票
第四个信号弱一些，但对你判断技术风向有用：看真正的工程师把业余时间投在哪里。一个开源项目的提交频率、贡献者的分散程度，能说明这个方向是不是有一群人在认真地、持续地押注。教学课件、工具脚手架、框架——哪一类仓库在被热烈地建设和讨论，大体就是技术社区眼下的真实优先级。
失真模式照例交代：star 数可以刷、也可以靠历史名气躺赚，要看的是提交的时间分布（最近还在活跃吗）和贡献者结构（是一个人的独角戏，还是几十个人的合唱）。
四个信号摆在一起，你会发现它们共享同一种气质：都不是拿来「听」的，是拿来「查」的。它们不带情绪，不催你动作，读起来一点都不性感——这恰恰是它们可信的原因。性感的内容天然适合传播，而适合传播和值得相信，在这个行业里几乎是两批东西。
三、一次完整的示范：入行晚不晚
方法讲完了，走一遍实战。「现在转 AI 产品经理，晚不晚」——这大概是当下被问得最多的行业问题，也是最适合演示「判断该怎么收尾」的案例，因为绝大多数回答都坏在收尾上：它们给你一个口号（「红利期！」或「饱和了！」），而不是一个可以自己走的推理。
先把四个信号过一遍。
岗位增速：一年百分之三百六十九，居各岗位之首。扩张是真的。但要同时读基数和对照面：这个增速的对照面，是传统产品岗位在同步收缩——两个数放在一起，读出的不是「多出了好多新位子」，而是「岗位结构在整体迁移」。迁移期的机会属于已经在场上的人，这句结论，待会儿要用。
薪资溢价：大厂样本平均约五十万年薪，显著高于传统 PM。溢价存在，说明市场认为这门手艺眼下稀缺。但溢价是动态的：它由供需差决定，供给正在被三百多门课程和训练营批量制造，所以溢价能维持多久，没人知道——诚实的说法是「现在存在，正在被稀释」。
JD 的真实形状：七成不要求技术底层，高频词是场景与落地。翻译过来：市场缺的不是「懂 AI 的人」，是「懂某个具体行业、又能把 AI 搬进去的人」。这句翻译，是整个判断的枢纽。
原料曲线：任务时长十六个月涨四十一倍，还在涨。翻译过来：这门手艺里的执行部分会持续贬值，判断部分会持续升值——你现在学的任何「操作」，保质期都以月计；你积累的任何「判断力」，复利以年计。
四个信号叠起来，结论是条件式的，不是口号式的：
如果你在某一个行业里有真实的场景积累——做了多年运营、教培、医疗、法律、零售，踩过那个行业的真痛点——那么「行业知识乘以 AI 翻译能力」这个组合，眼下确实处于溢价期，而且恰好是那七成岗位要买的东西，谈不上晚。如果你没有任何场景积累，只是被「风口」两个字推着走，那你实际竞争的是剩下那三成硬核岗位，或者和所有转行者在同一扇窄门口挤——那百分之三百六十九的增速，分母里全是你的同类，溢价与你无关。
同一个问题，两种人生，一个条件变量。这就是行业判断的输出格式：不说「晚」或「不晚」，说清「在什么条件下成立、什么条件下不成立」。任何拒绝给你条件、只给你结论的行业判断，无论多笃定，都应默认按噪音处理。
四、叙事的解剖学
四类信号解决「读什么」，还剩一个问题：满地叙事扑面而来时，怎么快速分诊。工具是三个问题，按顺序问：
这条信息是谁在说？他的赌注押在哪一边？他想让我读完之后做什么动作？
拿三个高频叙事各解剖一次。
解剖一，暴富型：「零基础用 AI 做产品，年入百万。」谁在说：平台需要故事，课程贩子需要焦虑转化。赌注：你的学费和注意力。想让你做的动作：付费，最好现在就付。解剖刀下去，看见两样东西：幸存者偏差（第一章立过案——你看到的是上千个无人问津的产品里筛出的那一个）和归因错误（把放大器当引擎：小猫补光灯的引擎是人群洞察，AI 只是让引擎跑得快）。两刀下去，这条叙事的净残值所剩无几。
解剖二，恐慌型：「产品经理这个岗位正在消失。」这句话有真实出处，出自硅谷一位知名投资人的判断，不是凭空捏造——所以更值得解剖，因为它代表恐慌叙事的标准工艺：拿一个真实的局部，说成一个伪造的整体。这个岗位里「流程管理」的那部分价值，确实正在被 AI 工具压缩，这是局部为真；但第一章看过的定价事实（判断被标到五十万）说明「判断」那部分正在涨价，这是被隐去的另一半。正确的读法不是「岗位生或死」，而是把岗位拆成价值成分，分别看涨跌——恐慌叙事的通用手法，就是不让你做拆解这一步。
解剖三，乐观型：发布会烟花。谁在说：模型的制造者。赌注：行业的想象力和自家的估值。想让你做的动作：相信「能做」等于「可用了」。而行业内部人已经亲口承认 demo 不算数（内部行话：原型与评测取代文档）——连庄家自己都不信的东西，闲家不必抢着信。你在屏幕上看到的一切能力演示，默认按「最好情况」理解，而产品要活在「平均情况和最坏情况」里——这三者之间的距离，第四部会给你量尺。
三问汇总起来，其实就一条：任何叙事，先画出它的利益链，再决定信几分。一个自查的小技巧：读完一条信息，如果你的第一冲动是「立刻掏钱」或「立刻恐慌」，先别怪自己定力差——回头查利益链。冲动是设计出来的，设计是有目的的。
五、你的行业情报系统
最后，把这一章收进一个可以日常使用的配置里。给普通人的最小情报系统，四个信源，一个节奏：
一个招聘应用的常设搜索：存好目标岗位的关键词，每季度扫一次——岗位量、薪资带、要求高频词有什么变化。一个模型发布页：主流大模型的官方更新日志，每次大更新花十分钟过「三问」（能力、价格、限制）。一个付费信号的信源：应用商店付费榜的波动，加上几个愿意公开营收复盘的独立开发者。可选，一两个高质量的开源仓库或技术博客，校准技术风向的体温。
节奏是季度，不是每天。这一点反直觉但重要：行业判断的敌人从来不是信息不足，是注意力被噪音占满。每天刷行业新闻的人，和每个季度认真复盘一次信号的人，一年后对行业的理解深度，大概率是后者更深——前者记住了一百条烟花，后者攒下了四个趋势。
还有一句话，送给「判断」这个词本身：行业判断不是预测。预测风口是神棍的生意，没人真的知道下一个爆点在哪。行业判断是校准——诚实的信号都在手上，当它们变化时，你比人群早半步调整方向和投入。半步，就是全部优势了；剩下的路，是执行，而执行，已经免费了。
信号读对了，看清的是「场子」。下一章把镜头从行业拉到你面前的一个具体机会：一个想法摆上桌，怎么判断它是真金还是镀铁——为什么有的生意会被下一次模型发布碾碎，有的反而越碾越值钱，以及普通人手里，到底有哪些模型拿不走的牌。
出处与延伸
- 岗位数据：脉脉 2025 年度人才报告（AI PM 岗位量同比 +369.36%，居各岗位之首）；「人人都是产品经理」社区对 229 个大厂 AI PM 岗的薪资拆解（最低档均值约 40.2 万/年、范围均值约 52.9 万/年）；什么值得买对约 200 份 JD 的拆解（约 71% 不要求 AI 技术底层，高频词为场景/落地/业务/闭环）。
- 「产品经理岗位失去意义」言论：虎嗅报道引 PayPal 早期高管 Keith Rabois——岗位价值分解的读法（流程管理被压缩、判断被抬高）见第一章及本章第四节。
- demo 不算数、评测才算：Cat Wu（Anthropic，Claude Code 产品负责人）《Product management on the AI exponential》，2026-03——「demos and evals over docs」。
- METR 任务时长曲线（16 个月约 21 分钟 → 约 12 小时）：转引同上，第一章「塌方是怎么发生的」一节有完整叙述。
- 付费与流量对照：小猫补光灯（1 元 Pro 版冲付费榜第一，品玩等报道）；哄哄模拟器（2000 万次免费对话，王登科本人复盘 greatdk.com）。
- 延伸阅读：判断的输出格式（条件式结论而非口号）可进一步参考决策分析中「条件的预测」（conditional forecasting）传统；本书第三章将把该方法下沉到单个机会的评估。