第 9 章 分清真问题与伪需求

做出来没人要，比做不出来更贵。

上一章的结尾，你站在一扇门前。写指令、给记忆、封装 Skill、织进工作流——带 AI 的基本功练齐了，你开始想造一个真正的东西：一个 Agent、一个产品、一个别人也能用的解法。第三部「造物」，就从这扇门前的一道判断题开始：你看中的那个问题，是真问题，还是伪需求？

先说清这一章在全书里的位置。第 3 章我们立过靶：稀缺正在从「知道什么」转移到「判断什么」。那一章立的是靶，这一章开刃——把「判断」从一个听起来正确的口号，磨成一套可以逐项检查的动作；到第 15 章，我们还会回到这条线上，看判断力怎么长成最后的护城河。

我先抛出这一章的核心判断，然后用一整章去论证它：判断真需求的核心，从来不是「AI 技术能不能做」，而是「用户痛点真，加上兜底设计稳」。这句话现在读着平淡，读完五份立项书你再回头看它。

我在一门给产品经理上的直播课里，做过一个实验。

五份 AI 产品立项书，发进几百人的群。每一份都规规矩矩：公司背景、痛点数据、方案构想、投入预估。规则只有一条——判断它是真需求还是伪需求，弹幕投票，一或二。

五份里，我掺了两份注定会失败的。

结果很说明问题。有一份，几乎全员投对；有两份，投票五五开，弹幕吵成一片；最值得玩味的是其中一份陷阱：立项书写得最漂亮、理论最扎实、背景数据最齐全，七成人投了「真需求」。揭晓答案的时候，弹幕齐刷刷一排惊叹号加问号。

这群学员不是新手，很多人在大厂做了多年产品，看过的需求文档不比我少。他们投错，不是因为不专业，是因为这件事本来就难。难到整个行业都在反复栽同一个跟头：立项的时候，会议室里人人点头；上线之后，后台数据一片死寂。

这道题在 AI 时代变得格外要命，原因有点反直觉：因为做东西太便宜了。过去一个想法要变成产品，光「做出来」这一关就能拦住一半烂主意——没预算、没人力、排不上期。现在这道闸门拆了，一个周末就能跑出能演示的原型（demo），烂主意和好主意第一次站在同一条起跑线上。「做不做得出来」不再替你把关，「该不该做」的全部重量，落回你自己肩上。

所以这一章不讲怎么造，先讲怎么判断。我把那五份立项书原样摊开，一份一份过。它们不是随机挑的，是五级台阶：第一份教你真需求长什么样；第二份教你用户对象一错位，真需求怎么变伪；第三份教你分辨必要解和锦上添花；第四份是全行业栽得最狠的完美叙事陷阱；第五份反过来，讲一个看起来不该碰、其实能做的反直觉判断。爬完这五级，你手里会多一张七个问题的清单。

一、真需求的底座：痛点真，兜底稳

第一份立项书，来自一家中型电商。年 GMV 3 亿，主营家居用品，30 人客服团队，日均处理 2000 条工单。

后台数据拆开看：60% 的工单是物流查询——「我的快递到哪了」「什么时候发货」；20% 是商品咨询，问尺寸、材质、适用场景；20% 是售后，退换货和投诉。物流查询这一类有个特点，答案高度结构化：客服的全部操作，就是查一下物流 API，把返回结果复制粘贴给客户。30 个客服，每天有一半时间在干这件事。

方案构想：工单进来，AI 识别是不是物流查询类；是，就自动调物流 API，直接回复客户「您的订单已发货，当前状态：已到达某某中转站」；识别失败或客户追问，转人工；「找客服」按钮永远挂在界面上。投入：开发 30 万一次性，模型费每月 3000 元。

这一份，投票几乎一边倒：真需求。投对了。但「投对」和「会判断」是两回事——大多数人靠的是直觉，直觉这次对了，下次照样翻车。值得停下来的，是把这份直觉拆成可以逐项检查的步骤。

第一步，验痛点，三个小问题。这件事反复发生吗？60% 的工单都是它，每天 1200 条，够反复。用户自己愿意让 AI 来解吗？注意，客户根本不在乎回复他的是 AI 还是人，他只在乎多快能知道快递到哪了。用了 AI 之后，体验是变好还是变差？从平均等 4 小时，到 30 秒拿到答案，变好，没有歧义。

第二步，算账。让我们算一笔账：1200 条工单交给 AI，每条省 2 分钟，一天就是 40 小时，约等于 5 个客服的全天工作量。按月薪 8000 算，一年省 48 万。投入是 30 万开发加每年 3.6 万模型费，回收周期约 8 个月。这笔账不需要精细的财务模型，数量级对了就行。

第三步，看兜底。识别失败转人工，有了；用户随时能召唤真人，有了。还缺一项——置信度阈值：AI 自己没把握的时候，要主动收手转人工，而不是硬着头皮蒙一个答案发出去。这一项立项书里没写，评审的时候，桌上应该有人把它问出来。

还有一个容易被忽略的细节：为什么先做物流查询，不做商品咨询和售后？因为三类工单里，物流查询是唯一一个「答案结构化、出错代价低、量又最大」的，先挑能稳定做且风险低的切入，是落地的基本盘。

三步走完，结论很稳：真需求，值得做。这一份是送分题，但送分题里埋着这一章的地基——它就是开头那句核心判断挣得的第一份证据：判断真需求的核心，从来不是「AI 技术能不能做」，而是「用户痛点真，加上兜底设计稳」。记住这个句式。后面四份立项书，每一份都在攻击它的某一半。

二、对象错位：管理者的痛，不是用户的需求

第二份，难度上来了。

一家 B2B SaaS 公司，卖企业管理软件，50 人销售团队，每人每天打 30 到 50 个电话。销售总监最大的烦恼是新人转化率永远比老人差，培训完没几天又打回原形。他在会上拍桌子：「我们每周都在做电话复盘，但销售根本不当回事。关键是，也没人有时间一个一个去听他们的录音。」

方案构想，「AI 销售教练」：销售打完电话，系统自动转录；AI 分析通话内容，生成五条改进建议，具体到「你这通电话开场用了 47 秒，建议压到 30 秒以内」「客户提到预算紧张时你没接住，可以这样回应」「你说『这个功能很强大』用了 4 次，建议换个说法」；每天下午 5 点，AI 把当天所有电话的分析报告，自动发到每个销售的个人邮箱。投入：开发 80 万，模型费每月 1.5 万，6 个月上线。

先把靶立稳——这份立项书的外在条件全对。技术上能做，语音转文本加文本分析都是成熟能力；痛点有人喊，销售总监拍的桌子是真的；AI 给的建议看起来非常专业；账也算得出来，50 个销售，每人转化率提升 10% 就回本了。课上投票，真伪接近对半开——这个分裂本身就说明它的欺骗性。

但它会失败。要看穿它，只需要把总监那句抱怨往下追一层：销售为什么不当回事？

不是因为缺少改进建议。一个每天打四五十个电话的销售，下班时累成什么样，你可以想象；他的 KPI 是今天打了几个电话、签了几个单，没有一项叫「复盘了几次」；下午 5 点那封 AI 邮件躺进收件箱，他最可能的动作是看都不看，直接归档。因为读了它，今天的单也不会签得更快，那为什么要读？

这就是伪需求的第一种典型长相，我给它起个名字：对象错位——把管理者的痛，当成了用户的需求。痛的人是销售总监，痛点是团队复盘推不下去；被要求天天使用产品的人是销售，而销售自己并不痛。产品解的是总监的痛，却要让销售来用。错位的产品，立项时听起来都对，上线后没人打开。

顺着这条线，还能拎出另外两个特征。其一，技术上做得到，不等于用户会持续用：邮箱里的 AI 分析报告，和健身 App 的锻炼提醒、阅读 App 的打卡提醒是同一个物种，前几次会点开，然后变成永远消不掉的红点。其二更狠：凡是对用户提出「道德要求」的功能，几乎都会失败。「你应该每天复盘」「你应该虚心听取 AI 的建议」——产品一旦开始要求用户上进，离死就不远了。好产品的修养恰恰相反：让用户不需要努力，就能被帮到。

有意思的是，这个项目里的技术能力一点没浪费。同样是语音转录加分析，换一个用户对象，或者换一个使用场景，伪需求立刻变回真需求。一是做成通话实时辅助：销售打电话的当下，AI 在屏幕上弹出提示「客户提到预算紧张，可以这样接」，用户在场景里直接被帮到，不需要他下班后好学上进。二是不解复盘、改解新人培训：AI 听完老销售的录音，把「老销售在什么场景说什么话」提炼成可学习的案例库，新人入职直接学。三是干脆承认真正的用户就是总监：AI 聚合全团队的通话数据，生成「本周哪五个人在报价环节集体翻车」的报告，只给总监看，不给销售看。

同一个技术，三种解法，对象和场景一换，生死立判。所以第二级台阶的判断标准是：别只问 AI 能不能做，要问那个被要求改变行为的人，会不会用、会不会一直用。做产品最容易栽的不是技术陷阱，是「看起来在解决问题」的陷阱。

三、必要解与锦上添花：真需求也分量级

第三份立项书，回到真需求，但考点换了。

一家跨境电商，主营 3C 配件，出口三十多个国家。客服团队 20 人，只会中文和英文。德国、法国、日本、巴西、阿拉伯地区的客户来咨询，客服只有三个办法：用谷歌翻译手动复制粘贴，慢，还经常漏消息；让客户自己用英文，客户扭头就走；雇多语种客服，一个语种一年 15 到 20 万，关键还招不到人。后台数据是结果：非英语国家客户的咨询响应平均 8 小时，因为客服要等翻译公司回邮件；转化率比英语国家客户低 40%。

方案构想：AI 实时双向翻译。客户用任何语言发消息，AI 翻成中文给客服看；客服用中文回复，AI 翻成客户的语言发出去；对话历史同步翻译，客户能看到完整上下文；客服可以在译文旁一键修订，修订数据回流训练。投入 25 万，模型费每月 8000，3 个月上线。

课上八成人投真需求，对。但如果你的理由只是「痛点真、账能算」，那这份立项书最值钱的部分就被你错过了。它真正教的是一个新维度：AI 在这件事里，是必要解，还是锦上添花。

把三个传统方案再看一遍。手动谷歌翻译，效率永远上不去；逼客户用英文，等于把单往外推；雇人，成本和供给都不成立。传统方案不管怎么排列组合，这个问题就是无解——直到 AI 出现。AI 让翻译的边际成本几乎归零：支持一种新语言等于改一个参数，不需要重新招人；24 小时在线，不需要排班；响应从 8 小时压到 30 秒。这不是「更好的解法」，这是「以前不存在、现在才存在的解法」。

由此得出必要解的判断标准：如果传统方案怎么调整都解决不了这个问题，它就是 AI 的必要解场景。这类场景有几个共同特征——传统方案的边际成本高得离谱；需求长尾，不值得为它专门雇人；对实时性敏感，人力方案天然太慢。占了任何一条，都值得你认真看。

为什么这个维度重要？因为它直接决定产品的护城河。锦上添花型的 AI 产品，原有方案稍微改进一点，你的存在感就没了；必要解型的产品，用户没有退路——它一旦做出来，护城河天然就深。同样是真需求，含金量差着量级。

当然，真需求也不能裸奔。这个方案里有颗被低估的雷：客户问「这款充电器在你们国家保修几年」，AI 把数字翻错一个，客户买回去发现保修期对不上，是要起诉的。所以兜底要分层：闲聊和一般咨询，AI 放行；价格、保修、规格这类关键信息，必须客服人工确认后才发；投诉和法律纠纷，升级到双语客服。真需求配上没分层的兜底，照样能把公司带进沟里。

四、完美叙事陷阱：理论越完美，越要回到场景

第四份，就是开头说的那份——七成人投错的陷阱。它值得你放慢速度读。

一家 K12 在线教育公司，主营课后辅导，500 万注册用户，30 万付费用户。最大的痛点在作业辅导环节：找真人老师答疑，太贵，只能服务高客单价用户；让 AI 直接给答案，学生抄完就完，什么也没学进去；让家长辅导，家长辅导不来，还辅导出一肚子亲子矛盾。

接下来是行业洞察：教育研究显示，最高效的学习方式是苏格拉底式提问。老师不直接给答案，而是反过来问学生「你觉得这道题考的是什么」「按你的方法走下去会发生什么」「上次类似的题你是怎么想的」，让学生自己推导出答案，留存效果比直接告知高 5 倍。

于是方案来了，「AI 苏格拉底老师」：学生上传题目或者拍照，AI 不给答案，用引导式问题一步步带学生自己想出来。学生问「这道几何题怎么做」，AI 问「你看到这道题，最先注意到什么图形」；学生答错了，AI 不批评，温和地问「你为什么这样想」。投入：开发 200 万，含教研团队和模型微调，模型费每月 5 万，12 个月上线。

照例先把靶立到最稳。你看这份立项书的配置：理论有教育研究撑腰，数据有 5 倍留存，技术上多轮对话加引导式提问完全可行，公司有教研团队、有 30 万付费用户。每一个要素都闪闪发光。课上七成人投了真需求。

它会失败。而且失败的原因，藏在一个所有要素都没覆盖的地方——学生写作业卡住时的真实状态。

回忆一下你自己的小时候。晚上八九点，做了一天作业，已经累了，父母在旁边催「快点写完」，你脑子里只有一件事：快点过关，去睡觉。这时候你打开一个工具求助，它不给答案，反而开始反问你「你最先注意到什么图形」。你耐着性子答了一轮，它继续问。第二天晚上，你还会打开它吗？

苏格拉底式提问的有效性是真的，但它有个被立项书悄悄略过的前提：学生有学习动力，并且有一位真人老师在场，能感知情绪、调节节奏、适时给点鼓励。把这套方法搬给 AI，AI 只能机械地问「你为什么这样想」；把它推给一个只想赶完作业的孩子，它就成了横在用户和目标之间的一堵额外的墙。教育研究的结论成立于「学生想学」的实验室，产品却要活在「学生不想学」的晚上九点半。

还有一件事，是我后来才补做的：我把那个「高 5 倍」拿去查了出处。查不到。翻文献能找到的最接近的东西，叫生成效应（generation effect）——自己推导出来的知识，比读来的记得牢。这个效应是真的，2007 年有过一次涵盖 86 项研究的元分析，但效应量大约在 0.4，属于中等，离「5 倍」差着量级。那么 5 倍是哪儿来的？跟「学习金字塔」那类流传甚广的数字一样，谁也指不出第一手来源，抄着抄着就成了常识。

这是完美叙事最阴的地方：连数据都可以是借来的。理论是真的，案例是真的，技术是真的，唯独中间那个最有说服力的数字，全场没有一个人回头核过。为什么没人核？恰恰因为它太顺了——顺到你会觉得，此刻举手追问，显得自己不专业。记住这种感觉，它就是完美叙事正在生效的信号。

这个病也得有名字，才可讨论、可自查：完美叙事陷阱。它有一个固定的叙事模板，你最好把它背下来：「研究表明 X 方法效果最好，所以我们用 AI 做 X」「国外案例显示 Y 模式有效，所以我们落地 Y」「专家说 Z 是未来方向，所以我们提前布局 Z」。理论先行，场景后置。理论、案例和专家话语权会形成一种合谋，让会议室里的每个人都失去对真实用户场景的判断——立项时所有人都觉得「听起来很对」，上线后才发现没人愿意用。

它像什么呢？像健身房的年卡。办卡那天的你，被「自律改变人生」的叙事点燃，真心相信自己每周会来三次。健身房的器械是真的，教练的专业是真的，运动有益健康的研究也是真的——唯一虚构的，是那个每周来三次的你。失败的 AI 产品大多不是骗局，它们只是为「用户应该成为的样子」设计，而用户始终是他本来的样子。

那这家公司的真问题怎么解？还是那个思路，回到真实状态里找。一是承认「快速给答案，加一句思路简述」才是学生当下真正要的，先把这个做到最好；二是把苏格拉底模式收起来，只放在学生主动想学懂的场景里，周末家长陪学时点开「深入学习模式」；三是换个对象，AI 不教学生，教家长怎么用引导式提问辅导孩子，让家长当传递者。每一条都不如「AI 苏格拉底老师」性感，每一条都比它活得久。

第四级台阶到此立起来了：伪需求的最高级形态是完美叙事。理论支撑、专家背书、数据可观、技术可行，所有外部条件都对，它仍然会失败，原因永远是同一个——脱离了用户在真实场景下的真实状态。而看穿它的本事也只有一句话：在所有人都说「听起来很对」的时候，问一句「用户在真实场景里会用吗」。

五、不稳定区不是禁区：用设计造一个笼子

第五份立项书，方向反过来：前面是「看起来真、其实伪」，这一份是「看起来不该碰、其实能做」。

一家中型财产保险公司，主营车险和家财险，200 万张有效保单。客户最常问的三句话：「我这个情况能赔吗」「免赔额怎么算」「条款里这一条是什么意思」。而保险条款平均一个产品 80 页，专业又冗长；客服培训周期 3 个月，离职率还高；客户咨询响应平均 2 小时。更痛的在后面：客户因为对条款理解错误而遭遇拒赔，投诉率每年涨 15%。

方案构想，「条款 AI 问答」：客户提问，AI 基于该产品的条款文档回答；每个回答末尾，必须附上原文出处，精确到第几页第几条；涉及理赔判断的，回答后必须显示「此回答仅供参考，具体理赔以核保人员判断为准，如有疑问点击转人工」；涉及金额计算的，AI 不碰，直接转人工。投入：开发 60 万，法务审核 20 万，模型费每月 1 万。

如果你了解大模型的脾气，直觉会立刻报警：保险条款问答，要求的是严格的事实准确，这恰恰是大模型最不稳定的区域；保险又是高合规行业，错一个字的代价可能是一场官司；客户对错误的容忍度趋近于零。三条红线全踩，投伪需求，似乎顺理成章。课上投票确实对半分。

但它是真需求。这份立项书考的是第五级台阶，也是最进阶的一级。注意，这里的要害是拒绝一个二分法：面对不稳定的 AI 能力，行业里流行两种姿态——要么无视风险硬上，要么把「不稳定」直接等同于「不能做」，一票否决。两边都错了。AI 的能力边界，不是一张「能做、不能做」的二元表格；落在不稳定区，不等于进了禁区，它只意味着一件事——不能裸着上线，必须用产品设计把风险压下去。这是第三种姿态：不硬上，也不躲开，而是驯服。

回头看方案里那几条貌似啰嗦的规定，每一条都是笼子的一道栏杆。回答必须附原文出处，客户可以自己翻条款核对，AI 错了，用户有能力发现；回答必须声明「以核保人员判断为准」，法律责任不落在 AI 身上，公司的风险可控；金额计算直接转人工，等于把 AI 彻底挡在最高危的场景之外；转人工按钮永远在，客户随时有退路，不会因为 AI 一次失手就流失。这四道栏杆怎么系统地设计、怎么扩成一整套兜底体系，是第 12 章的主场，这里你先记住它们合起来干成了什么：把一头不稳定的野兽，关进了一个它伤不了人的笼子。

笼子造好之后，再看账本：200 万保单，每张每年平均咨询 1.5 次，一年 300 万次；每次人工成本约 5 元，一年 1500 万。AI 接管七成查条款类的简单咨询，一年省 1050 万。总投入九十来万，回收周期约一个月。这是五份立项书里最悬殊的一笔账——最像不能做的那一份，恰恰是回报最高的那一份。

所以，下次遇到落在不稳定区的需求，先别急着毙掉，问自己四个问题：如果 AI 说错了，用户能不能自己发现错误？责任会不会被转嫁到 AI 和公司身上？损失是不是可控？用户的信任会不会被一次错误击穿？四个问题都有答案，不稳定区就变成了可做区。

到这里你应该看出来了，AI 的能力地图其实分三层：能稳定做的，可以用设计驯服的，暂时不要硬上的。第一层人人会挑，第三层人人会躲，真正拉开判断力差距的是中间那层——它考的不是你懂不懂 AI，是你会不会做产品。

六、风险调整后的账本：让数字替你吵架

五份立项书过完，还差最后一门手艺：当一个伪需求披着漂亮数字出现的时候，用它自己的账本杀死它。

回到第 4 章那家电商。还记得吗，老板一句「用 AI 做客服」，我们把它拆成了三个场景：场景 A，工单自动分类，给客服用；场景 B，常见问题 AI 直接回复客户；场景 C，AI 给客服推荐候选回复。当时我们选了 A，第 8 章又给它配好了兜底。但你有没有想过一个问题：为什么不选 B？

论账面收益，B 才是最性感的那个。六成常见问题 AI 直接回，能清掉大约 6 个客服的工作量，每月省 4.8 万，比场景 A 的 3.2 万高出一半。立项会上，这样的数字最容易让老板眼睛发亮。

但这笔账少扣了一项：失败成本。直接对客，意味着 AI 的每一次出错都直达客户，中间没有任何人工缓冲。按 5% 的错误率算，每月 1 万次咨询里，有 500 次错误回复原封不动地发到了客户手机上。500 次里只要有一次踩中雷区——答应了不该答应的退款、得罪了较真的客户——一次上热搜的公关危机，或者一轮批量赔付，就能把半年省下的人力成本一口吃掉。把风险扣进去，场景 B 的净收益趋近于零，极端情况是负的。

账面收益最高，风险调整后收益最低。这就是伪需求的财务学画像。

注意这里有个常见的误解要拆掉：伪需求不等于假场景。场景 B 的痛点是真的，技术路线也是真的，它只是「现在做亏」。等模型错误率从 5% 压到 1%，等兜底体系成熟，它完全可以重新上桌。判断真伪需求，判断的从来不是永恒的对错，是此时此刻的值不值。

这门手艺真正的价值在于：感觉吵不赢人，账本可以。当老板被「AI 直接服务客户」的故事吸引时，你说「我觉得风险很大」是没有用的——那是观点对观点，而老板的观点比你大。你要做的是把两本账并排摆出来：账面收益，4.8 万对 3.2 万，B 赢；风险调整后，B 趋近于零，A 稳稳为正。数字摆完，不用你下结论，结论自己会说话。这就是投资回报率（Return on Investment，ROI）在判断里真正的用法：不是立项书末尾的装饰数字，是风险调整之后还站得住的那半页。

七、七问清单：把五级台阶收进口袋

现在把五级台阶收进口袋。

五份立项书，每一份教了你一个判断维度。快递查询教你真需求的底座：痛点真，兜底稳。销售教练教你盯住用户对象：对象错位，真需求秒变伪需求。多语翻译教你分辨必要解和锦上添花：必要解的护城河深得多。苏格拉底老师教你警惕完美叙事：理论越完美，越要回到真实场景。保险条款教你别把不稳定区当禁区：设计可以驯服它。最后那本账教你：用风险调整后的收益，给一切争论收尾。

压缩成一张清单，七个问题。下次任何一个 AI 产品的念头冒出来，不管是你自己的，还是别人塞给你的，按顺序过一遍：

• 用户痛点真不真？这件事反复发生吗，用户自己想解决吗？
• 用户场景对不对？真实状态下的用户会用吗，用户对象选对了吗？
• AI 是必要解，还是锦上添花？传统方案真的无解吗？
• 失败兜底有没有？AI 出错的那一天，用户和公司各靠什么接住？
• 完美叙事是否成立？把理论和背书全部拿掉，用户还会用吗？那个最有说服力的数字，有人回头核过出处吗？
• 产品设计能不能驯服不稳定？四个驯服之问，能不能全部答上？
• ROI 算不算得过来？风险调整之后，还算得过来吗？

七个问题不需要全部满分，但任何一个被彻底答砸，都值得你停下来重想。

回到开头那场投票。揭晓答案之后，我在弹幕里看到一句话，比我准备的所有讲稿都好：「原来我以前立项，全靠运气。」是的——没有判断框架的时候，每个人都在靠运气立项，区别只是运气的好坏。这七个问题不能保证你永远判对，但能保证一件事：当会议室里所有人都说「听起来很对」的时候，你是那个还在问「用户真的会用吗」的人。在做东西几乎不要钱的时代，这个角色，比会做东西的人稀缺得多。

本章要点清单

• 做出来没人要，比做不出来更贵。「做不做得出来」不再替你把关，「该不该做」的全部重量，落回你自己肩上。
• 判断真需求的核心，从来不是「AI 技术能不能做」，而是「用户痛点真，加上兜底设计稳」。
• 别只问 AI 能不能做，要问那个被要求改变行为的人，会不会用、会不会一直用。对象错位的产品，立项时听起来都对，上线后没人打开。
• 产品一旦开始要求用户上进，离死就不远了；好产品让用户不需要努力，就能被帮到。
• 必要解是「以前不存在、现在才存在的解法」，护城河天然比锦上添花深；同样是真需求，含金量差着量级。
• 完美叙事陷阱：理论先行，场景后置。失败的 AI 产品是为「用户应该成为的样子」设计的，而用户始终是他本来的样子。

• 完美叙事连数据都可能是借来的：那个「高 5 倍」根本查不到出处（真实的生成效应效应量约 0.4）。越顺、越没人想追问的数字，越该核出处——你不好意思举手的那一刻，正是它在生效的时刻。
• 不稳定区不等于禁区。四个驯服之问全部有答案，不稳定区就变成可做区；AI 的能力地图分三层，拉开判断力差距的是中间那层。
• 账面收益最高，风险调整后收益最低，是伪需求的财务学画像。判断的从来不是永恒的对错，是此时此刻的值不值。
• 感觉吵不赢人，账本可以。两本账并排摆出来，不用你下结论，结论自己会说话。
• 七问清单不保证永远判对，但保证你是那个还在问「用户真的会用吗」的人。

小结

这一章从一场几百人的投票开始：五份规规矩矩的立项书，两份注定失败，七成资深从业者投错了其中最漂亮的那份。它证明的不是学员不行，而是「该不该做」这道题在 AI 时代变得空前要命——做东西的闸门拆掉之后，判断成了唯一的把关人。于是我们把五份立项书铺成五级台阶，一级一级往上爬：从「痛点真，兜底稳」的底座，到用户对象的错位，到必要解与锦上添花的量级之差，到理论、背书与话语权合谋的完美叙事陷阱，再到最进阶的一级——不把不稳定区当禁区，用四道栏杆把野兽关进笼子。最后用风险调整后的账本，给所有争论一个不靠嗓门的收尾。五级台阶压缩成七个问题，第 3 章立起的那个判断——稀缺正从「知道什么」转向「判断什么」——在这里第一次开了刃；它如何磨成真正的护城河，是第 15 章的事。

不过，判断只回答了一半问题——该不该做。被七个问题筛过、确认值得做的那一个，接下来就该把它真的造出来了。不是再写一条 Prompt，也不是再搭一条流水线，而是一个完整的 Agent：会自己决策，会自己调工具，会自己记住该记住的事，真能替你干活的那种。它由哪几块零件构成，什么时候一个就够、什么时候需要一支队伍，是下一章的事。