每日读书精华 – Uncanny Valley（恐怖谷）

Uncanny Valley（恐怖谷）

Anna Wiener（安娜·维纳，《纽约客》特约撰稿人） · MCD / Farrar, Straus and Giroux 初版 2020（电子书 ISBN 978-0-374-71976-0）

💡 核心洞见（5条）

📌 值得注意的是，以下洞见提炼自本书核心章节，兼顾理论框架与可执行方法，供日常决策参考。

1. 「Engagement」不是中性词，是一次夺权。CEO 把页面浏览量和停留时长直接叫作 bullshit metrics，理由是它们不可行动；换成 engagement 之后，产品就可以按小时追踪单个用户的回访频率，并把这份新报表直接命名为 Addiction（成瘾）。作者提出异议——公司五街区外就是 Tenderloin 的吸毒者，同事 Kyle 想了想回她一句：我们早就把客户叫 users 了。命名走完的滑坡，比任何一次产品决策都远。
2. 客服团队的「God Mode」：客户自己采集的用户行为数据，对支持团队全部敞开——不是联系方式，是数据本身。年龄、性别、政治倾向、发色、体重、收入档、喜欢的电影、教育程度、性癖好，加上 IP 推断出来的国家、城市、运营商、设备 ID。同事的说法是「我们不只是把牛仔裤卖给矿工，我们给所有人洗衣服」。公司唯一的防线是一条 audit log，从头到尾没有人说出 insider trading 这个词，全公司默认 good faith。
3. 她的薪资曲线，就是非技术岗被系统性低估的曲线。出版社助理年薪 29k 涨到 30k，月到手 1700 美元；电子书初创 20 美元/小时、无福利；数据公司入职 65k 加 4000 搬迁补贴，她压根不知道该要 equity，是内部 recruiter 提醒「其他人都有」；26 岁升 CSM 拿到 90k 后申请加薪（因为她兼任了公司文案），被拒的理由是 You’re doing this because you care——而她确实继续干了下去。
4. 她有两次关键误判。一是以为面试在测能力：四小时白板加脑筋急转弯（估算美国邮政有多少员工、怎么向中世纪农夫解释互联网），技术联创干脆让她现场做一段 LSAT；她很久以后才知道自己拿到 offer 的真实原因是 LSAT 拿了满分。二是算计着加入刚爆出性别歧视丑闻的开源公司，判断丑闻之后内部至少会公开谈性别问题；同事给她的答案是「她不是唯一有 equity 的人」。
5. 全书最狠的一次自我纠正是：「我在找故事，我应该看到系统。」她一直在给硅谷的年轻男人补一个情感动机——脆弱、想被爱、想被父母认可，最后承认那是投射：他们过得很好，热爱这个行业，没有愧疚，有渴望的只有她自己。结论冷得干脆：科技大体上不是进步，只是生意。

💥 最震撼案例

公司上线了一份叫 Addiction（成瘾）的新报表，按小时画出单个用户回访 app 的频率，卖点是帮客户量化自己有多「黏人」——行业要的是 sticky，最 sticky。作者被要求以 CEO 署名写一篇推广文章，称 Addiction 能让公司看到自己嵌进了用户生活的多深，写得像件好事。她抗议这个命名：她认识好几个为了戒掉海洛因、可卡因、止痛药而搬去乡下的人，成瘾是一代人的灾难，五街区外就是 Tenderloin。Kyle 听完只说了一句：我们早就把客户叫 users 了。文章照发，登在高流量科技博客上，CEO 署名。

一个纽约出版社助理闯进硅谷四年的现场记录：没有鸡汤也没有复仇，只有她一句句记下来的黑话、工资条、和那句「我在找故事，我应该看到系统」。想搞懂科技行业怎么说话的人，这本比任何行业报告都有用。

🎓 对 AI for Business 课程的可借鉴点

可复用内容：「Engagement vs. bullshit metrics」的判定标准（能不能触发一个动作）——适用章节「数据分析 / 指标定义」。教学切入点：让非技术学员拿自己公司的 dashboard，逐个问「这个数字变了我明天会做什么」，做不出来的就是 bullshit metric；再拿书中 Addiction 报表讲「指标命名即立场」。

可复用内容：God Mode 与「技术上能看到 ≠ 有权用」——适用章节「AI 商业理解 / 数据合规」「实战工作流 / AI 工具边界」。教学切入点：AI 把「看数据」的门槛降到零，让学员列出自己公司里「能看但不该看」的三类数据，再对照审计日志开了没有。

可复用内容：术语还原法（engagement / users / Addiction / churn / pivot / meritocracy 各掩盖了什么动作）——适用章节「行业案例 / 供应商话术」「AI 商业理解 / 变革沟通」。教学切入点：课堂练习——把 AI 供应商 PPT 里的 5 个词（赋能、降本增效、智能体）翻译成「哪个岗位的哪一步动作会变」，翻译不出来的就是空话。

可复用内容：「我在找故事，我应该看到系统」——适用章节「AI 商业理解 / 破冰」「实战工作流 / AI 项目复盘」。教学切入点：给一个 AI 项目失败案例，先让学员写「人的故事」（谁没配合、谁判断错），再强制改写为「系统的解释」（激励、数据、流程），对比两种归因导出的改进动作差别。

可复用内容：Parker 判语「像进修道院，但工资更高；代价是你不被鼓励思考自己在做什么」——适用章节「实战工作流 / 人机协作」「组织变革」。教学切入点：让学员评估自己手上哪个判断正在被 AI 外包，以及外包之后谁来承担后果。

tech-euphemism-decoder —— 把科技与商业术语还原成具体的操作动作、受益方与代价，输出「官方说法 / 实际发生什么 / 谁受益 / 一个可验证的追问」四栏。
触发词: 这个词到底什么意思 / 拆解行业黑话 / engagement、churn、赋能、智能体是什么 / 供应商话术翻译 / 帮我看看这份 PPT 在说什么
输入: 一个术语或一句内部/供应商话术（如「数据驱动」「AI 赋能」「提升用户粘性」），可选：出现的场景与说话方
输出: 四栏解码表（官方说法 / 实际发生的动作 / 谁因此受益、谁承担代价 / 命名是否越界）+ 一句可以在会上当场问、且对方必须给出具体答案的追问

god-mode-data-access-audit —— 针对「技术上能看到、但未必该看」的用户数据，生成一份权限与风险自查清单及管理层风险陈述。
触发词: 我们能看到用户数据吗 / 数据权限自查 / 内部数据访问合规 / 客服要看客户数据 / AI 工具能不能读这些数据
输入: 公司/团队名称 + 员工可访问的数据类型 + 现有管控措施（或填「无」）
输出: 五维风险评分 + 逐条整改动作（按可立即执行 / 需管理层决策分类）+ 一份可直接发给管理层的风险陈述