AI降低了开发门槛,但没有替我们回答:什么问题值得解决?

最开始使用AI时，我最兴奋的一件事，是发现普通人也能做工具了。

以前有些想法，我可能只能停留在脑子里。

但有了AI以后，我陆续尝试做了桌宠、轻便的设计改图工具、番茄钟，以及其他一些小工具。

每做出一个，我都会有一种很直接的满足感：

但最近刷内容时，我发现了一件事。

有些创作者研究的重点，并不是“现在又能用AI开发什么”，而是：

比如，有人发现创作者同时录制白板和自己并不方便，于是做了白板视频录制工具。

也有人发现，文章写完以后，图文排版反而要耗费不少时间，于是做了自动排版工具。

我忽然意识到：

而我过去更像是反过来的：先发现AI可以做工具，再思考这个工具可以用在哪里。

这两种顺序看起来只差了一步，最后的结果却可能完全不同。

以前做一个小工具，需要会编程、设计界面、排查问题，还要完成部署。

现在借助AI，一个不会完整开发流程的人，也能把想法做成可以运行的版本。

这是很大的变化。但工具更容易做出来，不等于它自动拥有价值。

AI可以帮我们写代码、改界面、补功能，却不能自动告诉我们：

如果这些问题没有想清楚，我们很容易进入一种循环：想到一个功能，做出来；再想到一个功能，继续加上去。

最后工具越来越完整，却说不清楚到底应该给谁用。这时缺少的并不是开发能力，而是需求判断。

我以前的顺序更像是：

而那些更贴近需求的工具，往往采用了另一种顺序：

区别不在于谁的技术更厉害，而在于一个从“能力”出发，一个从“问题”出发。

需求通常没有那么显眼。它常常藏在一些很普通的话里：

真正值得做的工具，很多时候就藏在这些重复出现的麻烦里。

我看到的两篇工具内容，都获得了不少可见互动。

这至少说明，它们描述的问题很具体，读者能迅速理解工具解决了什么。

我们还不知道：

有多少人真的遇到这个问题？

他们只是觉得工具有意思，还是会持续使用？

现有方案是否已经足够？

他们愿意为节省这段时间付出什么？

所以，这些帖子更适合被看作一种需求线索，而不是市场结论。它们能帮助我们提出假设，却不能替我们完成验证。

这也让我重新理解了上一篇文章里提到的“直觉”。

产品直觉并不是突然冒出一个看起来很厉害的点子。

它更像是：当你不断观察一个行业、一个人群或自己的工作流程时，开始能够从某个抱怨、重复动作或临时办法中，感觉到这里可能存在一个值得解决的问题。

但这种感觉依然只是起点。

如果有人说“排版太麻烦”，不要马上做一个完整的排版平台。

可以先继续问：他在排什么内容？哪一步最耗时间？是不会排，还是每次重复操作太多？他现在使用什么工具？

这些问题会把一句模糊抱怨，逐渐变成一个可以验证的具体场景。

先用一句话写清楚：什么人在什么情况下，因为哪一步而感到麻烦？如果这句话说不清楚，功能做得再多也很容易失去方向。

看看相关帖子、评论、搜索词和真实交流中，是否有人反复提到相似问题。重点不是只看点赞，而是看他们怎样描述困难、现在怎样解决。

可以先做一张流程图、一个简单界面、一段操作演示，甚至只用现有工具手动完成一次服务，让真正遇到问题的人先看。

当有人愿意提供素材、试用原型、提出具体要求，甚至主动追问在哪里可以使用时，再决定是否继续投入。这不能保证成功，但至少减少了只因“AI能够做”而开发的风险。

回头看，桌宠、设计改图工具和番茄钟并不是白做了。

它们让我知道AI能做到什么，也让我经历了把想法变成产品的过程。

但下一阶段，我更想训练的，不是继续快速做出更多工具，而是判断：

接下来，我准备从已经做过的小工具中选一个具体场景，先找真正可能使用它的人交流，再决定应该修改什么、删掉什么，或者是否值得继续做下去。

这不是一个已经验证成功的项目，只是我下一步准备进行的实验。

AI让开发工具越来越容易。

但当每个人都能快速做出工具时，真正拉开差距的，可能不再是谁会写更多代码，而是谁更早看见了一个真实、具体、反复发生的问题。

从“能做什么”转向“需要什么”，可能才是真正重要的一步。