AI 说"这个方案可行"，能信吗？

柏林ACS · 2026-08-09 · 读完约需 5 分钟

一个产品团队酝酿新功能：积分体系。负责人让 AI 做方案，AI 交出一份堪称范本的答案：积分获取规则、消耗场景、等级设计、防刷机制，还附了三个行业标杆的对标分析。逻辑自洽，细节周全。评审会上，没有人提出像样的反对意见。

方案上线，一段时间后下线——真正用起来的用户寥寥无几。复盘才发现，用户根本不需要积分，他们需要的是另一个功能早就该解决的效率问题。团队用一段开发周期，证明了一件本该在会议室里想清楚的事。

复盘时最刺耳的一句话是："方案本身挑不出错。"

是的，方案无懈可击。而"挑不出错"恰恰是产品领域的陷阱。对比一下代码：代码写错了，编译器和测试可以很快拦下来。产品方案错了，往往没有现成机制拦着，直到真实用户用脚投票。所以"AI 说这个方案可行"这句话，在两个领域的分量完全不同：代码领域，它可以拿测试去对答案；产品领域，它的肯定回答本身不带验证成本，也不等于证据。

一句话：在验证昂贵的领域，AI 不是裁判，是陪练。让它判定方案，得到的只是流利；让它把可能性铺开、把压力测试做在用户之前，它能提供的价值大得多。

那个团队后来用正确的方式重做了一次。提问之前，先放两页纸进对话：产品定位页（为谁解决什么问题、现阶段的核心目标）和用户画像摘要。然后，"要不要做积分体系"被拆成四次搜索：

"先不谈积分。回到目标本身：用户从第一次使用到留下来的路上，在哪一步离开了，他们在那一步真正想完成什么？"

"假设你是这个方案最激烈的反对者，写一篇'杀死积分体系'的檄文。"

"假设积分体系上线一年后被判了死刑，写一份事后复盘，分析最可能的死因。"

"目标是提升留存，但完全不做积分。给出三条根本不同的路径。"

四次搜索改变了会议室的气氛。第一问没有给出任何事实——AI 不可能知道这家公司的用户在哪流失——它给出的是一串必须回答的问题，逼着团队去翻埋点数据。答案就摆在数据里：流失集中在首次使用的前段时间，用户卡在一个与激励无关的理解成本上。反方檄文指出，积分会吸引只为积分而来的低质量用户，污染社区数据。事后复盘补了一刀：积分体系上线容易下线难，规则会被用户习惯绑架。第四条搜索则给出一条成本低得多的路径——优化新手引导。

注意这个分工：四次搜索都是 AI 做的，"哪个方向成立"的判定，是人和数据做的。方案搜完了，验证仍然要做——团队把新手引导优化做成可点击原型，找了几位目标用户实测，再做小流量灰度，看流失率的真实变化。这里没有单元测试，验证只能来自真实的人和真实的数据。

这个环节还有一个诱人的替代品需要警惕：让 AI"扮演用户"预演反应。作为反思它有价值，能发现没想到的场景；但模拟用户的 AI，和产出方案的 AI 共享同一片认知，它可能带着同样的盲区给方案盖章。反思不能替代验证，两者的成本也不在一个量级。

最终的决策是：不做积分，改做新手引导。这个决定连同"为什么不做积分"的完整理由，一起写进了决策日志。后来，新加入的产品经理再次提议做积分，团队没有重新争论，把日志递了过去。

回到标题的问题：AI 说"这个方案可行"，能信吗？能信的是它搜索的充分程度，不能信的是它的判定。下次想开口问"这个方案可行吗"的时候，换个问法："它会怎么失败？还有哪些根本不同的路？"然后拿着数据和用户，自己去做那个裁判。

下次评审会之前，把准备发出去的那段提问，对着四层诊断清单逐项自查一遍：初始化给了吗，目标说清了吗，空间够吗，验证在哪。这个积分体系案例的完整版在《AI认知搜索理论》第十六章，包括决策日志怎么写、被排除的方案为什么也是资产。