Menu
判断力元认知——理解什么是判断、识别判断的场景与类型
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
AI Native 产品方法论——价值发现循环的实操 Skill。 用户提供已上线或正在验证的 AI 产品，Skill 自动执行价值发现流程： 价值信号识别 → 伪价值排除 → 价值密度评估 → 市场测试设计 → 定价策略联动 → 方向修正建议 → 输出价值发现方案。 基于《AI Native 产品方法论》第22章。
《观照》全书编排器——根据用户输入的问题类型，路由到对应的章节Skill，串联全链路决策修正流程
检查方法使用的前提是否成立——识别情境变化、验证假设前提、重配适用方法
先看机制是否有害，再看结果是否有效——价值/代价/情绪/退出权四重检查
停止错误方向，也是一种推进——归零分析、暂停策略、止损决策
收入从哪里来，产品就会站在哪边——收入来源审视与激励偏差检查
| name | p13a-judgment-metacognition |
| description | 判断力元认知——理解什么是判断、识别判断的场景与类型 |
| stage | p13 |
| tags | ["判断力","元认知","场景识别"] |
| source_book | 判断力与直觉力 |
| source_chapter | 第1章 答案更便宜，判断更昂贵 |
| version | 1.0.0 |
| 字段 | 说明 |
|---|---|
| task_description | 任务/问题描述 |
| available_information | 现有信息量与质量 |
生成解决的是"先拿出一个东西"，判断解决的是"这个东西该不该存在、该做到什么程度、出了问题谁承担后果"。前者是在生产内容，后者是在决定方向。很多人误以为自己卡住是因为提示词不熟、工具链不全、模型不新，实际上真正让项目走偏的是判断顺序错了，或者根本没有判断标准。不会写提示词通常只会让你慢一点，不会判断才会让你把错的事情做得更快。
AI 说话流畅、结构完整、语气稳定、还会主动补全上下文，一个模糊的想法经过它整理后立刻就像被论证过的方案。人很容易从"这是一个可供参考的草稿"滑到"这大概已经接近答案了"。流畅感不是可靠性，完整感不是成立性，会说人话不是会做判断。要区分三层：输出是否可读、是否可用、是否值得相信并拿去做决策。
人一旦先有了判断，就更容易接受支持它的信息，而忽略推翻它的事实。AI 的顺滑输出会放大这件事——它不仅给你答案，还把答案包装得完整流畅，像是已经被论证过。越是在 AI 时代，越要刻意去找反证，而不是急着补强自己原有的结论。
AI 不只是把对的事情做快，也会把错的事情做快。一个方向判断错了，过去可能只是浪费一些时间，现在它会更快进入原型、进入流程、进入组织共识，甚至更快被用户感知。最危险的不是模型偶尔答错，而是团队在错误的问题定义、错误的信任假设、错误的交付判断之上，把整个项目推进得非常顺。
直觉不是凭空冒出来的灵感，而是大量观察、比较、犯错、修正之后，被压缩进脑子里的认知模型。训练方式是反复做四件事：观察真实场景、比较相似案例、预判可能后果、复盘判断对错。当这些动作做得足够多，判断会越来越快且不必每次都从零开始。
定义：AI 时代产品经理的核心瓶颈不在于工具使用能力，而在于判断能力。模型越来越强、工具越来越多，但"该不该做这个""这个方向靠不靠谱""模型能力够不够"这些核心问题，依然只能由人来回答。判断力是产品感、技术理解和商业直觉的交叉能力。
书稿引用：「以前产品经理最常被问的是'需求文档写好了吗'。现在最常被问的是：'你觉得这个 AI 功能要不要做''你怎么判断这个方向靠不靠谱'。这些问题都不是工具能回答的。AI 可以帮你查数据、写初稿、整理素材，但它替你做不了判断。」（第1章）
应用：每当面对一个 AI 产品决策时，先问自己"这个判断的依据是什么"——是用户洞察、技术理解，还是市场直觉？把判断依据写下来，事后对照结果复盘。判断力的提升不靠学更多工具，靠的是反复训练"在信息不完备时做出选择并承担后果"的能力。
定义：AI 的输出总是流畅、自信、有条理的，这会让人更容易接受"听起来合理"的结论而跳过验证。流畅性 ≠ 可靠性。最危险的不是 AI 犯错，而是 AI 的输出太流畅了，让你连验证的想法都省了。
书稿引用：「AI 是判断放大器，不是判断替代品。用得好，它可以帮你更快地收集信息、整理思路、验证假设。用得不好，它会帮你更流畅地走进偏见。」（第1章）书中指出："如果一个模型的输出让你立刻想说'对对对就是这样'，你反而应该多停三秒。"
应用：建立"三秒规则"——每当 AI 输出让你立刻觉得"对对对"的时候，多停三秒问自己：它是在帮我验证假设，还是在帮我编一个自洽的故事？养成"反方验证"习惯：看完 AI 的回答，主动问它"有哪些理由说明这个结论可能是错的"。
拿到一个任务描述后，先判断它本质上是执行型任务还是判断型任务。执行型任务有明确的输入-输出映射（如格式转换、数据提取）。判断型任务需要在不确定性中做选择（如"这个需求值不值得做""该先做哪个"）。如果判断类型识别错误，后续所有优化都会走偏。
对当前的判断依据或 AI 输出，逐层检查：第一层，信息是否可读（结构清晰、语言通顺）？第二层，信息是否可用（逻辑自洽、数据可查）？第三层，信息是否值得相信并拿去做决策（有充分证据、考虑了反证、不是被流畅表达包装过的草稿）？大多数人只检查了前两层。
在做出判断之前，检查信息底座是否搭好。内部信息：公司整体运作、产品现状、部门协同、销售进展和关键问题，可以通过与资深员工、业务骨干沟通建立基本认知。外部信息：行业趋势、竞争格局、技术边界，可以借助 AI 工具先搭轮廓再结合实际核实。很多判断失误不是因为不会分析，而是分析之前信息底座没有搭好。
在形成初步判断后，主动寻找可能推翻它的事实。问自己：如果这个判断是错的，最可能错在哪里？有没有哪些信号被我忽略了？有没有哪些人持不同意见，他们的理由是什么？在 AI 时代这一步尤其重要，因为 AI 的流畅输出会让你更容易停留在确认偏误里。
记录本次判断的：判断对象、所用信息、判断结论、置信度、可能的风险。这不是增加官僚成本，而是为复盘建立基础。没有记录的判断无法复盘，无法复盘的判断无法进化。
场景：同一团队的两个产品经理都在用 ChatGPT 辅助工作。
不会判断的 PM：让 AI 写需求、拆竞品、起标题、做演示，效率惊人。一周后交出一堆看起来很像样的东西。一个月后大部分内容没人再提。
会判断的 PM：在每一步前都会多问一句——这个问题值不值得做，用户会不会真的用，出了错谁来兜底。一周后只推进了两件事。一个月后这两件事进了真实流程。
判断分析：
场景：团队在需求评审会上讨论一个"AI 智能表单填写助手"的功能提案。
提案者展示：AI 可以理解表单上下文，自动补全字段，预判缺失项，看起来演示效果很好。
判断力检查：
结论：这不是一个"该不该用 AI"的问题，而是一个"判断顺序有没有走对"的问题。先把判断层次过完，再决定是否进入方案。
| 判断类型 | 特征 | 典型场景 | 错误代价 |
|---|---|---|---|
| 方向型判断 | 决定做不做、做哪个 | 这个 AI 产品该不该立项 | 最高——资源投入方向错误 |
| 策略型判断 | 决定怎么做、做到什么程度 | 该先做 MVP 还是完整版 | 高——节奏和资源分配 |
| 执行型判断 | 决定具体实现细节 | 用哪个模型、什么提示词 | 中——可迭代修正 |
AI 输出看起来很通顺，就以为判断依据已经充分。破解：要求自己找出至少一条反证。
AI 让方案产出太快，团队在"都可以试试"的气氛里失去判断重心。破解：任何方案进入正式讨论前，必须先回答"为什么做"。
"AI 都这么说了"成了新的权威来源。破解：AI 输出永远是草稿，不是结论。
人一旦有了判断，更容易接受支持它的信息。AI 的顺滑输出放大了这一点。破解：每次形成判断后，刻意花 5 分钟寻找推翻性证据。
回看你最近一次和 AI 有关的真实决策，写下这六个问题：
把这六个问题写清楚，你大概率会看见自己过去很多卡点，不是不会做，而是没有先判断。
AI 让信息获取更容易，但也让信息过载更严重。过去你需要花时间搜集信息，现在你需要花更多时间过滤和验证信息。
| 维度 | 过去 | AI 时代 |
|---|---|---|
| 获取成本 | 高（搜索、阅读、整理） | 低（提问即得） |
| 信息量 | 有限但可控 | 海量但难筛选 |
| 验证难度 | 来源可追溯 | 来源模糊、可能幻觉 |
| 主要瓶颈 | 找到信息 | 判断信息是否可信 |
| 信息底座搭建 | 慢但扎实 | 快但可能浮于表面 |
被问题的呈现方式束缚。用户说"我要导出按钮"，你就开始讨论按钮设计，而不是追问背后的真实需求。破解：永远先翻译成问题语言。
被第一个接触到的信息锚定。第一个方案、第一个报价、第一个用户反馈，都会影响后续判断。破解：主动接触多个独立信息源。
"大家都在做 AI，我们也应该做。"行业趋势不等于你的优先级。破解：回到自己的问题和约束来判断。
"已经投入了三个月，不能现在放弃。"过去的投入不应该影响未来的判断。破解：假设今天从零开始，你还会做这个决定吗？
"这个模型很先进，效果一定好。"技术能力不等于产品价值。破解：始终回到"用户到底需要什么"。
判断太快容易遗漏信号，判断太慢容易错过时机。关键是找到平衡点。
| 决策类型 | 建议速度 | 理由 |
|---|---|---|
| 可逆的小决策 | 快（5 分钟内） | 试错成本低，迭代更重要 |
| 不可逆的小决策 | 中（1-2 天） | 需要基本的信息验证 |
| 可逆的大决策 | 中（几天） | 需要团队对齐但可以迭代 |
| 不可逆的大决策 | 慢（一周+） | 必须充分验证，包括反证 |
Level 1: 无意识无能
↓ 不知道自己不知道什么
Level 2: 有意识有能
↓ 知道自己该判断什么，开始使用框架
Level 3: 有意识胜任
↓ 框架内化，每次使用需要刻意思考
Level 4: 无意识胜任
↓ 判断成为直觉，快速且可靠
训练建议：
个人判断力提升之外，团队判断校准同样重要。
| 偏差 | 表现 | 破解 |
|---|---|---|
| HiPPO 效应 | 最高薪/最高职位的人说了算 | 要求每个判断都提供依据 |
| 群体极化 | 讨论后观点变得更极端 | 安排专门的反证角色 |
| 确认偏误共享 | 团队一起寻找支持性证据 | 强制要求至少一条反证 |
| 方案冲动传染 | 一个人提方案，全员跟进 | 用问题语言开会 |