现AI大厂产品经理 近一年打算先提高认知在想办法赚钱 分享最近在学习的知识
Joined August 2023
- Tweets1.2K
- Following1.7K
- Followers1.5K
- Likes1.5K
从初创公司跳到大厂，最难改掉的习惯之一，就是觉得 Coding 越快越牛逼。
初创公司拼速度，大厂拼深度。
初创公司，需求来了，聊几句，AI Coding 搓个 Demo，当天上线，第二天找用户验证。
大厂，需求来了，先把业务流程、数据来源、用户行为、功能规则全部往深了挖，直到真正理解问题，再考虑怎么做。
初创公司，先解决有没有的问题，做出 60 分的产品，能跑就赶紧验证。
大厂，要解决的是凭什么比别人强。一个功能不仅要做到 90 分，还得想清楚剩下的 10 分到底差在哪里。
以前觉得一个功能能跑通就算完成了。
但在大厂，一个看似简单的功能，可能会被反复追问：数据准不准？AI 的分析结果业务认不认？异常情况怎么办？到底省了多少人工？用户为什么非用你不可？
这些问题不解决，做得再快，也只是多了一个 Demo。
初创公司最怕的是还没验证需求，就把产品做得太重。
大厂最怕的是投入了一堆资源，最后做出一堆谁都能搓出来的半成品。
三个人的创业团队，没必要为了一个功能研究半个月。
几十个人的成熟团队，也不该把一天搓出十个 Demo 当成什么值得炫耀的成绩。
什么锅就配什么盖吧，自己掌握好节奏跟打法，在不同公司游龙，累了快
最近几天比较着急汇报AI项目成果，和 GPT 来回改了十几版 PPT。
跟AI不断琢磨着怎么讲得清楚、专业，怎么让汇报更有说服力，毕竟我一直认可一个点，讲得好比做得好更重要，或者说更轻松一点
但是开完会发现，内容还是需要数据，一味着增加多的会显得像流水账。
最终好不容易定稿，上会还是被追问了两件事
你这个结论的判断规则是什么？
你说的数据，到底覆盖了哪些范围？
讲清楚一件事，和真正想清楚一件事，真的完全是两回事。
在AI时代，大家不断地说专业术语黑语，显得自己很专业，但真正让你解释它的定义、依据、边界，未必答得出来。
这次最大的收获，自己到底有没有把问题想明白，在一点在AI时代至关重要。
现在做营销的方向都搞错了
很多人学了一堆营销技能，SEO、投流、AI 自动化，学得一个比一个勤快
最后连人为什么愿意掏钱都没搞明白。
2026 年最被低估的营销技能是什么？
是 Excel 数据分析。是消费者心理、用户研究、产品定位。
这段时间，每个人都忙着追最新的 AI 工具，研究怎么获取更多流量、怎么提高效率。
但用户为什么买？
为什么不买？
钱花出去到底有没有用？
这些最基础的问题反而没人愿意花时间研究。
技术一代比一代先进，工具一年换好几轮。
绕了一大圈，还是那些几十年前就在讲的基本功最有用。
请给我一次机会，我能做的很好🥲
We’re doubling down on video on 𝕏.
Today, we're piloting Video Kickstart Bonus, an invite-only program that rewards creators for posting their video content here.
A few things to know:
• Videos must be vertical, under 3 minutes, and content you’ve created yourself.
• Videos you’ve already shared on other platforms are eligible, as long as they don’t have watermarks.
• You must post at least 15 videos across 15 different days within the 30-day period of the campaign.
Invites are rolling out over the next few days, and enrollment closes October 30. Happy posting!!
翻了一个 SaaS 帖子下面 100+ 条评论，我发现一个挺反常识的地方
大家最爱讨论的营销渠道，和大家真正拿到第一笔钱的渠道，好像是两回事。
平时聊得最多使用的最多的营销渠道是 X、LinkedIn、SEO、内容、个人品牌。
但如果真有人去执行得出结果的时候，就发现一塌糊涂：
Google 搜索等了两个月，拿到第一个付费用户
花 $400 Google Ads，出了 3 个购买
直接去线下活动，拿到前 2 个客户
Reddit Ads 烧了 $200，0 转化
其实0→1 和 1→100，本来就是两套获客逻辑，两套不同打法。
@paulg Graham 很早就讲过一句：
Do things that don’t scale.
0→1 的任务是找答案：
谁会买？
为什么买？
去哪里能找到他？
所以请做一些看起来笨的事情，线下聊、手动 Demo、一个个去找用户
最近在看《金字塔原理》，在尝试里面的理论来辅助自己写作，发现了为什么写出来的那么有AI味
AI 正在把正确写作变得越来越像 AI
结论先行、层层递进、三点展开、最后总结
以前这些结构会让人觉得你写得很专业，现在只要太完整、太工整，第一反应反而是：
这是不是 AI 写的？
哪怕真的是自己一个字一个字写出来的
导致现在我们正常人写作反而开始逃离标准答案。
要将一篇本身结构舒服的文章，改为不均匀的节奏、没完全说完的话，甚至一点点个人的偏执，才显得有人味。
有点荒诞。
最近看《金字塔原理》有个很明显的感受：
AI 时代，读书的方式真的变了。
以前遇到一个概念，基本只能顺着作者的节奏一路往下读，可能几页之后才慢慢拼出它到底在讲什么。
现在完全可以先把这个概念丢给 AI：
用最简单的话解释一下，再拿我的工作场景举个例子。
很多时候几句话，反而比原书更快建立起理解。
最近在学《金字塔原理》，看到一个挺适合拿来做自媒体避坑的东西：
奇妙的数字 7。
简单讲，就是人的大脑一次能处理的信息其实很有限。
你一条长文里：
又讲背景，
又讲原因，
又讲方法，
又塞 8 个案例，
最后再来 10 条总结。
你以为是干货满满，
但读者看到的可能只是一坨东西。
一条内容最好只解决一个问题。
分点3-5 个基本够用了。
最近在学习博弈论，开始理解为什么有些人能力不差，却总是在一些事情上吃亏。
因为总是在做单人决策：
我这么做划不划算？
但博弈论讨论的是另一件事：
我这么做以后，对方会怎么反应？
对方反应以后，我原来的选择还划算吗？
降价、谈薪、合作、竞争，很多事情都不是算完自己这一笔账就结束了。
你在做选择，对面的人也在做选择。
