[HINT] Download the complete skill directory including SKILL.md and all related files
| 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。