AI 让做方案变便宜了，也让“再看看”变便宜了

大家好，我是 Linden。

现在用 AI 越多，我反而开始重新琢磨“提效”这件事。东西做得快，当然是好事。可当原型已经能点、需求文档已经写完，交出去的人却解释不了其中的设计理由，这笔账就得重新算算。

我自己就有过这样的时刻。把一个 AI 帮忙做的原型发给同事，他指着其中一个地方问我：“这里为什么这么设计？”我一下没答上来，甚至开了一句玩笑：“要不你问我的 AI 去吧。”

其中有一部分，我确实还没想明白。但同事接到一个页面，通常会认为，背后的业务关系和取舍，我至少想过了。他接下来要考虑怎么开发，可里面有些设计，我还说不清为什么要这样做。

表达完成度跑在认知完成度前面。 换句话说，东西已经像做完了，人其实还没想明白。

我还会用 AI 整理资料、写需求文档，但做不到看都不看就丢给开发同事。人家追问时，我得讲得出来，出了问题也不能把我和我的GPT聊天记录发过去当做交代。

放到组织里，这件事就不只是个人习惯了。如果只看材料有没有交，一个没想清楚的方案也可能顺利过关。负责拍板的人也可以一直要求修改，迟迟不选定方案。东西越堆越多，团队还是不知道到底按哪一版做。

“交上去算了”，有时候是算过账的

三十页 PPT 看完不知道结论，十几页会议纪要找不到最后定了什么，或者一份需求文档写得很全，负责人却说不清关键逻辑。这类材料一旦被当作完成品交出去，接收者就得重新查资料，弄清楚哪些结论有依据、哪些还要找人确认，甚至回头问，究竟希望我拿它做什么。

这类由 AI 生成、外观专业却缺少实质内容的东西，有个名字叫 Workslop，我把它叫作“AI 工作废物”。BetterUp Labs 与斯坦福社交媒体实验室在 2025 年 9 月对 1150 名美国全职办公室工作者做过在线调查，40% 的受访者表示，过去一个月收到过这类内容。

研究中，一位项目经理还提到，她收到上级提供的低质量工作，又不方便要求对方重做，只好自己补上，连带耽误了其他项目。发的人省下了时间爽了一下，接收的人可能得花更多时间才能补回来，整个团队未必更快。

AI 还能让这件事再离谱一点。比如，发件人把几条意见扩成方案，收件人嫌长，再让 AI 压成摘要、转成任务清单。如果“待确认”这样的关键信息在转述中丢了，一项建议就可能变成开发任务。每次输出都很整齐，却找不到谁真正同意过这个需求。

当然，把还没想清楚的地方标出来，拿一份草稿请大家一起讨论，本来就很有用。赶时间或经验不足，也可能让人偶尔交出一份质量不高的东西，不能凭这一次就认定他在敷衍。

但如果交出去以后没人认真检查，组织长期只看“有没有交”，人就会慢慢发现，查清楚再交和先交上去，得到的评价可能很不一样。

认真做，得找业务确认、查数据，还可能发现方案根本跑不通。交付日期没变，进度慢了，你还得解释为什么不能做，有时甚至会被认为在阻碍推进。

先交上去就容易多了。让 AI 把文档补完整，按时交，收到一句“先往下做”，这一轮就过了。业务规则没定、数据没确认，可以等后面有人发现再改。

如果前一种经常吃亏，后一种反而容易过关，人当然会学。聪明人同样算得懂这笔账，“交上去算了”可能就是他权衡以后的选择。大家都这样，就形成了组织犬儒主义。

这种“明知道有问题，也觉得没必要认真了”的心态，就是我这里说的“犬儒”。一个人在组织里待久了，慢慢觉得认真也改变不了什么，不如就敷衍一下，AI去A一下，把规定动作做完、少惹麻烦，反而最安全。原本还想把事情改好的人，也可能慢慢觉得，提了问题只会给自己添麻烦，干脆不争了。

组织奖励什么，新增的 AI 产能就更容易流向什么。 如果文档做得漂亮、按时交上去就能得到表扬，里面的业务规则有没有确认却没人检查，愿意花时间查清问题的人也容易泄气。

如果组织考核的是交了多少材料、上线几个 AI 功能、写了多少页文档、提交了多少行代码，大家就容易围着这些数字忙。至于实际问题解决了多少，没人追问，也就容易被放到一边。

“让 AI 再跑几版”，然后呢

“先出一个看看”本身很合理。产品工作里，很多需求光靠讨论确实讲不清楚，有了原型，业务人员才容易指出哪里理解错了。可决策者轻飘飘地说一句“让 AI 再跑几版”，团队总得知道，这几版到底要比较什么。

以前，要产品经理和设计师再做三版方案，可能意味着几天工作。工作要排时间，其他任务得往后挪。提出要求的人多少得想一想，究竟要比较什么，值不值得团队花这几天时间？

现在，几版方案很快就出来了。原本因为费人费力而放弃的思路，可以试一试。这种便利也给了不愿意拍板的人一个理由，先不决定，再看看下一版。

原本该问“到底选哪个”的时候，很容易变成“再出一版”。

AI 不只让做方案变便宜了，也让“先不拍板”变便宜了。

这对提出要求的人尤其方便。上嘴唇碰下嘴唇，就能说按钮不合适、再补一个功能。可要定下这次先做哪些需求、哪些暂时不做，就得向相关的人解释理由，也可能有人不满意。一句“再做一版”，就能暂时不用谈这些。

便宜的是再提一次要求。AI 可以帮忙写代码、改页面，但改完以后，开发还得确认哪些业务规则变了，产品还得解释新旧方案为什么不同。前面的决定没记清，还要重新讨论哪些继续保留、哪些不再做。这些时间分散在不同人身上，很容易被漏算。最后能展示的是一个漂亮的 Demo，可团队也许还是说不清，为什么定成了现在这样。

于是就可能出现这样的过程。目标还模糊不清就开始“先出一个看看”；页面出来了，“诶这味儿有点对了，这个 Demo 先往下做”。做到业务流程时发现规则没定，再回来补；数据逻辑又与界面冲突，于是继续改，严重时甚至要把前面做好的部分推倒重做。每轮都有新东西，也总能找到继续改的理由。

几轮之后，要看团队是否更清楚该做什么。用户反馈能否支持选定一个方向，业务规则有没有确认，都比又多了几个版本更有用。如果每轮都在重复原来的讨论，那就值得停下来问问，还缺什么信息才能定下来？如果信息已经够了，又该由谁来拍板？

AI 还能把一个没确认的前提加工得格外完整。假设有人先写下“这一步可以自动审批”，它进入需求文档，再进入流程图和原型，几个 AI 助手又基于这些材料互相评审。最后文档之间非常一致，但业务上到底允不允许自动审批，从来没人确认过。

几个 AI 助手可能把文档和流程检查得很仔细，却都默认了“可以自动审批”。它们彼此对得上，也不能证明业务上真的允许这么做。

这是我担心的变化。AI 让人很容易做出一个看起来能用的东西。如果团队没说清楚谁来拍板，也没找用户或业务人员试过，就容易一直停在“再看看”。继续试当然可以，但得知道还要试什么。如果已经有足够的信息，却仍然没人愿意说这次选哪一版、哪些需求先不做，那就是在拖决定了。

下次给东西出去，先把这三句话说清楚

每做一版，先问“我们到底想搞清楚什么？”是让用户试流程，还是确认一个任务能不能自动完成？哪怕测试没通过也有用，只要知道排除了什么、下一步还缺什么。要是只有“感觉还能更好一点”，那就先问清楚，具体哪里还不满意，改成什么样才算可以。AI 能帮我们比较方案，但这次要解决谁的问题、做到什么程度才够，仍然需要提需求的人和做事的人一起确认。

谁把东西交出去，谁至少得回答“为什么这么做？”文档和原型可以让 AI 来做，但为什么选这个方案、为什么某个需求暂时不做，自己得讲得出来。哪些已经确认，剩下的要找谁拍板，交出去时就说清楚。相应地，提需求的人也得把话讲明白。同事有疑问，就一起确认，别只丢下一句“你先做出来看看”，等做完了才说不对。

AI的能力还在持续变强，在这种背景下最糟糕的情况是，大家慢慢失去追问的意愿。知道规则没定也照常交，有疑问也先放着，等后面有人发现再改。更强的模型能让材料更像样，却不保证那些被推迟的决定最终有人来做。

那次同事问我为什么这么设计，我没答上来。现在想想，这个问题还能被当面问出来，本身就很重要。

至少有人还在认真接我的工作，也要求我认真把它交出去。

我是 Linden，一个正在一线做 AI 产品，也在不断重新学习怎么和 AI 一起工作的产品经理。

如果你也遇到过“方案一版版出了，最后还是没人拍板”的情况，欢迎聊聊你的经历。