Menu
九步前半段——做什么、值不值得、用不用AI的判断框架
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 | p13f-first-half-judgment |
| description | 九步前半段——做什么、值不值得、用不用AI的判断框架 |
| stage | p13 |
| tags | ["判断力","九步闭环","前半段判断"] |
| source_book | 判断力与直觉力 |
| source_chapter | 第6章 前半段判断（做什么/值不值得/用不用AI） |
| version | 1.0.0 |
| 字段 | 说明 |
|---|---|
| problem_statement | 问题描述 |
| available_solutions | 可能的解决方案列表 |
| ai_capability_assessment | AI能力评估结果 |
很多 AI 产品不是死在执行差，而是死在起点顺序就错了——团队先被一个能力打动，然后开始反向寻找场景。"这个模型能长文本推理，我们能拿它做什么？"这类讨论的危险在于，它会让团队先拥有答案再去发明问题。一旦顺序变成这样，你的整个产品定义都会被能力牵着走。你会更关心"我们这个 AI 能做什么"，而不是"用户今天到底为什么难受"。能力找壳并不总是完全错误，但它很容易制造高估——因为模型能力天然带来想象空间，而想象空间比真实痛点更容易让人兴奋。
如果答案是"不太存在"，那你面对的不是一个早就压在用户身上的问题，而是一个被新技术召唤出来的想象型需求。一个真问题即使没有 AI，也往往已经以某种成本存在很久了——它可能让人反复绕路、反复返工、反复等待。AI 只是在这个基础上提供一种可能的更好解法，而不是凭空制造问题存在感。
(1) 没有 AI 这个问题还存在吗？(2) 用户会主动提这个问题吗——用户会抱怨、绕路、自己搭补丁、找替代品、拖延。(3) 不解决它今天会怎样——会不会继续花大量时间、犯代价很高的错误、影响留存/转化/营收。(4) 这是持续价值还是体验惊艳——持续价值说明问题真实存在，体验惊艳可能只是能力包装。(5) 它是在减少痛苦还是在增加想象力——减少痛苦更稳固，增加想象力更容易被替代。
真问题会体现在：用户的补丁行为里、反复出现的人工流程里、组织的例外处理里、不断上升的协同成本里、难看的留存和转化数据里、客服/销售/实施反复提到的同类摩擦里。而能力包装型方向，往往痕迹很弱——你更多看到"如果有这个好像不错"，却很少看到"没有它今天真的很麻烦"。前者更接近想象市场，后者更接近现实市场。
"我们可以做一个 AI 自动总结系统"→"用户今天在哪些高频场景下，因为信息太长太杂太晚被看到，而做错了判断或拖慢了下一步？他们现在靠什么补救？"。"我们可以做一个 AI 智能推荐模块"→"用户今天在哪个决策节点里，因为选择过多、判断成本过高，而频繁卡住或放弃？"。好产品不是从"我有一个厉害能力"开始，而是从"有人正在付出某种重复代价"开始。
"团队先被一个能力打动，然后开始反向寻找场景。这类讨论的危险在于，它会让团队先拥有答案再去发明问题。一旦顺序变成这样，你的整个产品定义都会被能力牵着走。" ——书稿第6章
能力找壳并不总是完全错误，但它很容易制造高估。因为模型能力天然带来想象空间，而想象空间比真实痛点更容易让人兴奋。你会更关心"我们这个AI能做什么"而不是"用户今天到底为什么难受"，更关心"怎么讲得让人觉得先进"而不是"如果不存在用户损失了什么"。应用：每次对某个新能力感到兴奋时，先别急着写方案，强迫自己把能力语言改写成问题语言——"我们可以做AI自动总结"改成"用户今天在哪些场景因为信息太长太杂做错了判断？他们现在靠什么补救？"
"真问题通常不会只存在于访谈话术里。它会体现在用户的补丁行为里、反复出现的人工流程里、组织的例外处理里、不断上升的协同成本里。" ——书稿第6章
判断真问题和能力包装，最有效的方法是去现实里找痕迹。用户有没有自己搭过补丁？有没有发展出稳定的补偿行为？客服/销售/实施反复提到的同类摩擦是什么？这些证据比访谈反馈更接近真需求。而能力包装型方向往往痕迹很弱——你更多看到"如果有这个好像不错"，却很少看到"没有它今天真的很麻烦"。应用：做"需求考古学"——看客服记录、看销售反馈、看用户自建方案、看数据异常、看组织例外、看一线抱怨。真问题的五种痕迹：行为痕迹、时间痕迹、流程痕迹、数据痕迹、语言痕迹。
"一个真问题，即使没有AI，也往往已经以某种成本存在很久了。它可能让人反复绕路、反复返工、反复等待。AI只是在这个基础上提供一种可能的更好解法，而不是凭空制造问题存在感。" ——书稿第6章
这句话的力量在于，它会逼你把"技术想象"剥掉，重新看问题本体。如果答案是"不太存在"，那你面对的不是一个早就压在用户身上的问题，而是一个被新技术召唤出来的想象型需求。应用：对每个AI方向先过这一关。如果答案是不太存在，停下来——你可能不是在解决问题，而是在给新技术找展示舞台。如果存在，继续看传统解法做到什么程度、痛点在哪里，然后再判断AI的真实增量。
检查当前讨论的起点是"能力"还是"问题"。如果起点是"这个模型能做什么"，先停下来，切换到"用户今天到底为什么难受"。把能力语言翻译成问题语言。
逐问评估：(1) 没有 AI 这个问题还存在吗？(2) 用户会主动暴露痛苦吗——看行为（抱怨/绕路/补丁/替代品/拖延）而非口头。(3) 不解决今天会怎样——列出具体损失。(4) 这是持续价值还是体验惊艳？(5) 它是在减少痛苦还是增加想象力？
到真实环境里找证据：用户有没有自己搭过补丁？有没有发展出稳定的补偿行为？有没有长期忍受一段别扭但没被系统接住的处境？客服/销售/实施反复提到的同类摩擦是什么？这些证据比访谈反馈更接近真需求。
判断当前方向更接近哪一种市场。想象市场的特征：听起来很酷、演示效果好、团队很兴奋、用户"如果有这个好像不错"。现实市场的特征：用户今天已经在付代价、有行为证据、不解决会持续受损。如果方向偏想象市场，要特别克制。
如果五问和痕迹检查都指向真问题，确认方向。如果指向能力包装，有两个选择：(1) 回到问题层重新寻找真正痛的场景；(2) 如果决定继续做，要清楚自己在做"想象力产品"而非"痛点产品"，调整预期和策略。
场景：团队想做"AI 情绪洞察助手"——读取团队聊天记录和会议发言，自动判断谁压力大、谁情绪低、给管理者"团队情绪雷达图"。
真问题五问诊断：
结论：不是完全没价值，但更像一个能力展示，而不是被现实痛点牵引出来的强产品。最大问题不是不先进，而是不够落地。
场景：团队有三个 AI 方向想法，逐一做能力→问题语言转换。
| 能力语言 | 问题语言 |
|---|---|
| 我们可以做 AI 自动总结系统 | 用户今天在哪些高频场景下因为信息太长太杂做错了判断？他们现在靠什么补救？ |
| 我们可以做 AI 智能推荐模块 | 用户今天在哪个决策节点因为选择过多而频繁卡住或放弃？他们现在怎么硬撑过去？ |
| 我们可以做 AI 语气改写功能 | 用户今天在哪种沟通场景因为表达成本高、语气拿捏难而持续浪费时间？这种代价在谁身上最重？ |
练习收获：当你练习得足够多，会慢慢形成一个很重要的产品直觉——好产品不是从"我有一个厉害能力"开始，而是从"有人正在付出某种重复代价"开始。如果你只能用能力语言描述方向，说明你还没有真正把产品价值压到用户的现实处境里。
| 维度 | 真问题信号 | 能力包装信号 |
|---|---|---|
| 用户表达 | "我每次都要花 2 小时整理" | "如果有这个好像不错" |
| 行为证据 | 有补偿行为、有绕路、有补丁 | 只有口头反馈 |
| 不解决的后果 | 继续浪费时间/流失客户/影响营收 | "没那么酷而已" |
| 问题来源 | 用户主动暴露痛苦 | 团队先有能力再找场景 |
| 持续性 | 每天/每周都发生 | 偶尔出现或概念性 |
| 价值本质 | 减少痛苦 | 增加想象力 |
| 竞争优势 | 解决了别人没接住的真实代价 | 演示效果更好 |
"这个模型能长文本推理，我们能拿它做什么？"→ 先有技术名词，再找场景。
"这个功能演示效果很好"→ 先有惊艳效果，再补问题定义。
"竞品已经上了这个能力"→ 先有跟随冲动，再想是否适合自己。
"AI 是大趋势，我们也要有"→ 先有叙事需求，再找落地方向。
"我们在模型上有优势"→ 先有能力积累，再找能用上的场景。
以上每种模式都不是完全错误，但都需要回到"没有 AI 这个问题还存在吗"来检验。
到真实环境里寻找真问题的证据：
挑一个你最近觉得"很先进"的 AI 方向，写下这六句话：
把这六句话写清楚，你通常会更容易识别：你到底是在做一个产品，还是在替一个模型能力编故事。
真问题不会只存在于访谈话术里。它们会在现实里留下稳定痕迹。发现这些痕迹的方法叫做"需求考古学"。
| 痕迹类型 | 具体表现 | 说明 |
|---|---|---|
| 行为痕迹 | 用户绕路、补丁、拖延、放弃 | 用户在用行为投票 |
| 时间痕迹 | 某个步骤消耗大量时间 | 时间是最诚实的成本 |
| 流程痕迹 | 例外流程、临时规则、手动补丁 | 组织在用流程投票 |
| 数据痕迹 | 留存/转化/续费指标异常 | 数据在用结果投票 |
| 语言痕迹 | 一线员工反复提到同类问题 | 人在用抱怨投票 |
到真实环境里，回答以下问题：
当一个方向出现以下信号时，要特别警惕它可能是"能力找壳"：
如果超过 3 项勾选，回到问题定义阶段重新审视。
如果超过 4 项勾选，方向更可能是真问题。
更多的转换练习，帮助训练问题语言能力：
能力语言："我们可以做一个 AI 自动分类系统" 问题语言："用户今天在处理哪些信息时，因为分类标准不统一、判断成本高、规则写不全，而频繁出错或效率低下？他们现在靠什么方法分类，这些方法的代价是什么？"
能力语言："我们可以做一个 AI 智能助手" 问题语言："用户今天在哪个工作环节里，因为信息分散、操作步骤多、跨工具切换频繁，而花费大量时间在非核心工作上？他们最希望哪一步被自动接住？"
能力语言："我们可以做 AI 驱动的数据分析" 问题语言："用户今天在做哪些决策时，因为数据太散、分析太慢、看不懂报表，而凭经验拍脑袋或拖延决策？他们现在怎么凑合着做分析？"
能力语言："我们可以做一个 AI 写作助手" 问题语言："用户今天在写哪些内容时，因为格式要求多、参考资料散、表达拿捏难，而反复修改或干脆拖着不写？他们最常卡在哪个环节？"
能力语言："我们可以做一个 AI 翻译系统" 问题语言："用户今天在跨语言沟通时，因为翻译质量不稳定、专业术语难处理、上下文丢失，而产生误解或额外确认成本？他们现在怎么处理翻译需求？"
当真问题五问评估完成后，用以下决策树决定下一步：
真问题五问评估结果：
├─ 五问全部指向真问题
│ └─ 确认方向 → 进入下一步（AI 适配性评估）
│
├─ 三到四问指向真问题
│ └─ 部分确认 → 深入诊断不过的那几问
│ ├─ 能找到补充证据 → 确认方向
│ └─ 找不到补充证据 → 调整方向或暂缓
│
├─ 一到两问指向真问题
│ └─ 大概率是能力包装 → 两个选择：
│ ├─ 回到问题层重新寻找真正痛的场景
│ └─ 如果决定继续做，清楚自己在做"想象力产品"
│
└─ 无一问指向真问题
└─ 放弃或彻底重新定义
确保团队在"真问题 vs 能力包装"上形成共识：
选一个真实案例，让团队成员独立完成真问题五问，然后一起对比结果。讨论分歧点，形成共识。
给一个能力描述，让每个人独立转换成问题语言。对比转换结果，看谁最接近用户真实处境。
对一个大家都认为是真问题的方向，安排一个人专门找反证。如果反证站得住，说明判断还不够扎实。
选一个真实用户场景，一起去现场（或看录屏）做需求考古。看用户到底在系统外补了什么劳动。