当AI工具给出复杂的可行性分析时，我们却习惯于只抓取一句'结论'就做出决策。本文通过一个AI小镇项目的真实案例，揭示了AI时代产品决策的三大误区，并给出五条实用建议，教你如何真正读懂AI的限定条件与隐藏价值。在AI风险评估越来越精准的今天，产品人最稀缺的能力恰恰是敢于挑战'无成功先例'的勇气。

前几天一个朋友跟我聊他的产品想法：他想做一个“AI 小镇”，里面所有 NPC 都由 AI 驱动，可以自由生活、互相交往，玩家进去之后甚至分不清身边的人是真人还是 AI。

听起来很科幻，但他眼里有光。

然后他说，“不过 Kimi 说这个做不出来，我打算放弃了。”

我让他把 Kimi 的回复甩给我看。看完我有点哭笑不得——

Kimi 根本没说“做不出来”。

ta 写了一篇结构完整的可行性分析，从核心机制讲到伦理风险，最后的原话是：“单机版/小规模可行，但作为商业化 MMO 仍无成功先例。”

ta 甚至专门用一整节讲了“如果要做，可以怎么降维”，给了从小规模起步的具体路径。

但我朋友只记住了一句话：“无成功先例”。

更尴尬的是，这句话本身也站不住脚。

斯坦福和 Google 的研究团队 2023 年发过一篇论文叫 Generative Agents，做了一个叫 Smallville 的小镇，25 个 AI 角色自主生活两天，自己计划日程、谈恋爱、组织情人节派对。代码开源在 GitHub 上。

同一年八月，a16z 直接联合 Convex 出了一个叫 AI Town 的开源框架，README 第一段就写着这套架构“适合从玩具项目到可扩展的多人游戏”。

也就是说，我朋友放弃的那一刻，距离实现他想法的开源代码躺在 GitHub 上、只差一次 git clone。

我后来一直在想这件事。

问题不在 Kimi，Kimi 答得其实挺负责任的。它给了分层结论，给了降维路径，甚至给了伦理提醒。

问题在于我们用 AI 的方式正在悄悄改变。

过去我们读一份调研报告，会自然地看完全篇、抓住主结论、注意限定条件。

现在我们读 AI 的回答，越来越像在刷短视频——往下滑，找到那句最像“答案”的话，截图，关掉。

而 AI 的回答恰恰是最不能这样读的东西。它不是一个判断，它是一个加权过的分布。

它告诉你的从来不是”行 / 不行”，是”在 A 条件下行、在 B 条件下不行、在 C 条件下没人试过”。你只取一段，就等于把一个三维的回答压扁成一个点。

然后你拿着那个点，做了一个本来不该这么做的决定。

一、我们是怎么把 AI 答案压扁的

我后来追问过我朋友：为什么 Kimi 那一长串你只记住了“无成功先例”五个字？

他想了想，说：“因为别的都太复杂了。”

这个回答其实很坦诚，也很要命。我猜很多人都是这样——不是不想读完，是读完之后大脑会自动做一道压缩题：这一堆东西到底是行还是不行？给我个结论。

我自己琢磨了一下，至少有三层东西在推着我们这么干：

第一层是阅读习惯被短视频驯化了。

我们在抖音、小红书上被训练了好几年的“前三秒抓重点”，刷信息流的肌肉记忆已经迁移到 AI 对话窗口里。

AI 的回答经常排版很整齐，有加粗、有小标题、有结论段。

——这恰恰给了我们一个偷懒的台阶：直接滑到最后那段看结论。

问题是 AI 的结论段经常是最不该单独看的那一段，因为它是建立在前面所有限定条件之上的。

前面的“如果”、“取决于”、“小规模”、“在 X 场景下”才是真正的产品决策依据，结论只是一个加权平均后的概率值。

第二层是决策疲劳。

问 AI 这件事本身，常常发生在我们已经不想再多想的时刻。

• “帮我看看这个想法行不行”
• “帮我判断一下要不要做”。

这些 prompt 的潜台词其实是“我想把这道题甩给你”。

一旦带着这个心态去读回复，你就会自动忽略所有“还需要进一步分析”的部分，只抓那个最像盖棺定论的词。

AI 越是给你一个“细致全面”的回答，你越觉得疲惫，越想直接看结论。

一个分层的、有条件的、留白的答案，反而满足不了你那一刻的心理需求。

第三层是对确定性的本能渴望。

“可行/不可行”是个简洁优美的二元世界。

“在 A 条件下可行、在 B 条件下需要降维、在 C 条件下没人试过”是一个让人头疼的多元世界。

前者让你立刻能做决定（哪怕是放弃的决定），后者让你必须继续思考。

我们的大脑会偷偷给前者打高分，因为它便宜。

这三层叠在一起，导致一件很反直觉的事：AI 的回答质量越高，我们越容易读错。

因为越好的回答越分层、越有限定、越留白——而这些恰恰是我们最不想读的东西。

二、怎么读 AI，才不会被自己劝退

下面这几条是我自己摸索出来的，谈不上方法论，但确实改变了我和 AI 打交道的胜率：

第一：先找限定条件，再看结论。

拿到 AI 的回答，第一遍读的时候别看结论段，先在全文里搜“如果”、“在……情况下”、“前提是”、“假设”、“取决于”这些词。

把它们标出来，你会发现 AI 的真实立场往往藏在这些词后面，而不在那段总结里。

我朋友如果这么读 Kimi，他会先看到“降维可行性”那一节，整个心态就完全不一样了。

第二：看到“无先例”先停三秒。这是 AI 最容易给错的一类判断。

“没有先例”在 LLM 的世界里有三种可能：

• 真的没有
• 训练数据里没有
• 有但模型当时没想起来

三种里你只需要花十分钟搜一下，就能区分清楚。

我朋友那个小镇，他只要搜一下 “AI agents simulated town”或者 “generative agents game”，十秒内就会看到 Smallville 和 AI Town。

AI 让查证变得几乎免费了，所以放弃查证才是最大的亏。

第三：把“难度高”翻译成“我下一步要解决什么”。

AI 说“这件事很难”是没用的信息，因为所有值得做的事都很难。

有用的问法是把它逼具体：

• “如果一定要做，第一个必须解决的技术问题是什么？”
• “哪一步是整个项目里最容易失败的？”
• “有没有人试过类似的、但失败了？他们卡在哪儿？”

——这些追问会把“高难度”分解成三五个具体的工程问题，每一个都是你可以判断“我能不能搞定”的。

模糊的难变成具体的难，行动就出来了。

第四：让 AI 自我反驳一次。

这一招特别有用：当 AI 给你一个比较确定的结论时，加一句“如果有人完全不同意你这个结论，他会基于什么论据反驳？”

AI 会立刻给你一套相反的论证，质量经常比第一版还高。

它不是在骑墙，它是在告诉你：

这个问题本来就有两面，我刚才只是给了你一面。多读这一面，你才能看到全貌。

第五：永远把 AI 当资深同事，不是当裁判。

资深同事会给你分析、给你警告、给你历史教训，但最后做不做这个项目，决定权在你。

如果你把 AI 当裁判，你就把决定权交了出去——而 AI 从来没想接这个权力，是你自己塞过去的。

三、回到产品视角：AI 时代 PM 最稀缺的能力是什么

在公司里，我们都遇到过一种资深同事：每个新项目提案，他都能精准地告诉你这件事的十二个风险点、三个历史失败案例、五个团队短板。

他说的全是对的，每一句都站得住脚，但你跟他共事久了会发现一个问题——他从来没主导做出过任何新东西。

AI 现在越来越像这种同事。它读过的失败案例比任何人都多，它能列出风险的能力比任何人都强，它会的限定条件比任何人都细。它会成为公司里最尽职的“风险评估师”。

但产品的突破从来不是从风险评估里长出来的。

iPhone 在 2007 年发布前，每一个手机行业老炮都能告诉你电容屏没有键盘反馈、电池撑不过一天、塞班生态固若金汤——这些判断当时全是对的。

Notion 在 2016 年起步的时候，AI 如果存在并被问到“做一个集文档、数据库、wiki 于一体的工具能成吗”，它一定会列出 Evernote、Google Docs、Confluence 三座大山，然后告诉你“细分赛道无成功先例”。

真正的产品判断力，从来不是“这件事风险大不大”，而是“这件事即便风险大，是不是值得我赌一把”。

前者是分析题，后者是判断题。AI 越来越擅长前者，但后者它永远做不了。

因为后者需要的不是数据，是你对一个还不存在的未来的信念。

在 AI 时代，PM 真正稀缺的能力，我觉得不是“会写 prompt”，也不是“能调通工作流”。

这些都会被工具一波一波地碾平。真正稀缺的是这两样：

一是知道 AI 的输出该信哪一部分、不该信哪一部分，也就是上面那五条阅读姿势。

这件事看起来很基础，但它决定了你的判断力会被 AI 抬高还是被 AI 拉平。

二是在 AI 说“风险很高”之后，还愿意往前走一步的那份执拗。

这件事 AI 帮不了你，因为它的训练目标就是给出最稳妥的回答。

而新东西，永远是从最不稳妥的那一边长出来的。

回到我朋友

前几天我把 Smallville 的论文和 AI Town 的 GitHub 仓库甩给他，他沉默了一会儿，回了我四个字：“我再想想。”

我不知道他最后会不会真的去做那个 AI 小镇。但我希望他至少明白一件事：

让他放弃的不是 Kimi，是他自己读 Kimi 的方式。

AI 不会替你做产品决策，它只是把你做决策的过程变快了、变便宜了、也变危险了。

因为现在你可以在五分钟之内、基于一份你没读完的报告、做完一个本来需要思考一周的决定。

而这个时代真正的稀缺品，可能恰恰是那个愿意把 AI 那份报告读完、并且读完之后还敢自己拍板的人。