AI 给你的第一版答案,是行业惯例

早年有家公司要买一个部件，供应商的报价和它的原材料成本差了几十倍。他们最后的做法不是砍价，是自己做。

后来有人把这个差距做成了一个指标——白痴指数 = 成品价格 ÷ 原材料成本。指数越高，说明中间有越多环节在收「不透明税」。（通行转述）

把这件事反推到你自己身上：你向 AI 要「做这件事大概要花多少钱、要多久」，它给你的那个数，到底是从哪来的？

先说结论，这个结论有点反常识：你拿到的不是估算，是平均值。它把整个行业的历史惯例回给你，再包上一层精确的语气。

一个把「第一性原理」讲成三步操作的人

先说明这篇的写法：以下对他的想法的还原，基于其公开演讲与著作的梳理推断，不是替他本人代言。但下面这套操作，是他反复公开讲过的。

埃隆·马斯克（Elon Musk）。今天这篇不打算从他的公司讲起——因为对我们有用的那个判断，跟他做成了什么没关系，跟他怎么「拆问题」有关。

他有一套被叫做「第一性原理」的思考方式，但他讲的版本比哲学书里那句更可操作。它不是泛泛的「从根本出发」，而是一套三步（通行转述）：

1.识别假设——把「大家都知道」的东西列出来（比如「这事就是这么贵」）；

2.分解到物理事实——拆到材料、工时、能耗这一层；

3.从事实重新构建——不改进现有方案，从理论值倒推着重新设计。

配合的量化工具，就是前面那个白痴指数。

把这套拼起来，分量才出来：他看一个报价，第一反应不是「行不行」，是「这个数字是从物理事实算出来的，还是从别人都这么做里抄出来的」。如果一个成品比它的材料贵太多，说明中间的环节在收税——而那层税，往往只是因为「一直这么卖」。

这里必须插一句边界，否则整篇会跑偏成「降本方法论」或「成本砍半神话」：本文只取他的工程拆解方法，不评价任何公司的经营，不引用任何具体产品的成本数字作为可引用数据。 火箭与电池的具体数字，本文一律标「通行转述」，只作方法出处，不当作你能拿去比对的基准。落点也不是「怎么省钱」，是「看清 AI 给你的第一版答案到底是什么」。

AI 时代，为什么它给你的数特别容易骗过你：三层，一层比一层隐蔽

道理不复杂。可为什么这件事偏偏现在更要命？因为 AI 把「平均值」包装得前所未有的漂亮。这三层，一层比一层更让你没法怪自己。

第一层：它的答案格式上无懈可击，让你误以为那是拆解。

你问它「这事要多少钱、多久」，它回你一份分项清晰、区间合理、备注周全的表。看着像拆解，其实——它的分项是从行业惯例里调出来的，不是从你的具体情况里算出来的。 真实报价要落到「这个环节用什么材料、多少工时、什么价」，这些它在对话里拿不到，于是它拿行业惯例补上，让表格看起来完整。

第二层：你会把「精确」当成「可信」。

这是最隐蔽的一层。那个数字带着单位、带着区间、带着「综合考虑了以下因素」的措辞——这些格式本身就在释放「我算过」的信号。而你的大脑，对「格式精确」的信任度，远高于对「内容来源」的怀疑度。于是你拿着一份平均值，当成了自己项目的预算依据。

第三层：它从不主动告诉你「这部分我是在猜」。

这是最深的一层。你如果不逼它，它会把整张表自信地递给你，连「这部分我拿不到真实数据」这种话都不会说。不是它坏，是它的默认模式就是「把最可能的答案补上」——而那个最可能的答案，就是行业平均。你自己不追问，它就默认你接受了这个平均值。

那么要看清它到底是在算还是在抄，别靠讲道理——让 AI 当场露一次底。

今天就能做完的一件小事：让 AI 把「类比答案」和「拆解答案」当场分开

这篇不给「如何甄别 AI 估算」的清单——那种清单你读完就忘了。

它只做一件事：让 AI 先估一遍，再逼它拆到原料层，你看两轮的落差。 你不需要学任何成本知识，你只需要看。

一句话指令（整段发过去就行）

在哪跑： 任何主流 AI 对话工具都能跑，不用装任何东西。

怎么发： 把下面这段话整段复制过去，一次发完。它有点长，但每一句都在堵它偷懒的口子——少一句，它就会开始给你说漂亮话。

「我要做一次类比答案探针。规则定死，你只负责执行，不要给我讲方法论。第一步，我把一件我手里真实的事发给你，例如『做 X 大概要多少钱、多久』，你给出第一版估算，列出分项。第二步，等我说『继续』，你对第一版里每一项往下拆一层：这个分项由什么材料、什么具体工作构成？这些材料在大宗市场上的大致价是多少？哪些部分是你拿不到、只能按行业惯例估的？第三步，把两轮对照，给我一张分区清单：哪些是你真的能拆到的、哪些是行业惯例补的、哪些是真实报价我必须自己去问供应商的。全程不许夸我、不许说『整体合理』这类空话；如果你在第一轮就给了一个看起来精确的数字，直接说明『这是平均值，不是你的实际数』。现在，等我把事发你。」

它大概会怎么回应你

你：（发一件真实的事，比如「把我们这间小工作室的内容生产线外包出去，大概要花多少、多久」）

AI： 收到。第一版估算：人力约 X 到 Y 万/月，周期约 Z 周，分项包括脚本、制作、分发……（每一项都带着区间和「参考市场价」的措辞）

你： 继续。

AI： 逐项拆：脚本这一项，由「写手时薪 × 篇数」构成，时薪我按行业中位估的，真实值你得上招聘平台查；制作这一项，设备折旧和外包剪辑的价，我是按通行行情补的，这部分不是你的实际成本，是你这个行业的普遍水平；分发这一项，平台规则和流量成本波动大，我给的是平均值，会随月份变。

你看着这两轮，会看见一件很不舒服的事：第一版的「精确」，在第二轮被它自己拆成了「这是行业平均，不是你的数」。 它其实知道——但你不问，它不会主动说。

为什么这一步不能省

你可能会想：这些事我心里也有数啊，用不着测。

问题就在这个「有数」上。人对 AI 给的数字，天然带着「它算过」的信任——因为它长得太像计算了。而真正危险的，是把一份平均值，当成自己决策的依据：预算按它排、报价按它报、承诺按它给。等真实数字回来，发现差了几倍，你才会想起：那本来就是别人的平均数，不是你的。

更要紧的是，它自报的那个「这是平均值」，往往藏在第二轮——你不逼，它不出来。这套探针偏不许它泛泛而谈，要求它对你的事逐层拆，拆到它自己说「这部分我是在猜」为止。泛泛的精确没有价值，落到「我到底是在算还是抄」才有价值。

还有一句得说在前头：探针的目的不是「让 AI 算出真实报价」——真实报价在你和供应商之间，不在模型里。它的目的是让你看清：第一轮那个漂亮数字，到底有多少是平均值。看清了，你才知道哪部分必须自己去问。

这套探针，有一个现成装好的版本。

上面那段话，每次用都得重新粘一遍——用三次你就会烦。所以我们把它做成了一个可以直接装进 WorkBuddy 的技能包：装上之后不用再复制任何东西，一句话就能跑完整套流程；两步追问、分区清单的口径、「第一轮数字须标注为平均值」这条硬要求，全都写死在包里，换谁来跑都是同一把尺子。

装它不用折腾——不用解压、不用找目录、不用改配置。 打开 WorkBuddy 新建一个任务，把下载到的压缩包直接拖进对话框，跟它说一句「安装这个技能」，它自己就装好了；接着你说「帮我做一次类比答案探针」，它就开始了。包里附了一份使用说明，写着怎么用、什么时候不该用它。

不想装、或者平时不用 WorkBuddy 的，用上面那段话，效果一样。工具是形式，让它露底才是目的。

最后提醒两个最容易把这次探针跑歪的地方。

第一，一定要用你真实的一件事，别临时编一个「测试用」的。 编的那件你没打算真花一分钱，拆不拆得出来你都不肉痛，探针就失效了。你那件真要掏钱、但还没问过供应商的事，才是最好的材料。

第二，它拆出来的「平均值」，别当结论，当线索。 那个数字可能是高估，也可能是低估——先把它当成「行业大致水位」，再用你自己的真实询价去校准。数字是门牌号，真实报价才是房子。

这套想法在哪会失效

第一，这套方法只适用于有物理约束的事（材料、工时、能耗）。在协调类事情上（审批、谈判、需要人配合），它没有理论值可拆，硬套会得出「砍一半就行」的结论，然后翻车。拿第一性原理去拆一个需要人配合的流程，拆出来的往往是另一个人的不配合。

第二，别把它变成「所有报价都自己算」的偏执。 探针是让你看清第一轮是平均值，不是让你从此不信任何估算。行业平均是有参考价值的——它告诉你「大致水位在哪」。正确用法是：第一轮当对比，第二轮当线索，真实决策前自己去问一次。把它当唯一真理，你会陷入「什么都自己算」的低效。

第三，白痴指数不能当「成本能降 X 倍」的证据。 那个指数揭示的是「中间环节可能收了不透明的税」，不是「你也能把成本砍到那个比例」。本文提到的部件案例，是通行转述的方法出处，数字不可引用、不可比。落到你自己身上，唯一能做的，是去问那个「为什么这么贵」。

第四，这一篇只取工程拆解方法，不取任何经营或监管立场。 文中不出现任何关于公共政策、政府开支、平台治理的内容；火箭与电池的具体数字一律标「通行转述」，不作可引用数据，不给任何行业价格基准。读到这里如果期待「降本秘籍」，本文给不了——它给的是「如何看清一个平均数」。

第五，它不承诺你能算对任何事。 探针只能帮你分清「AI 给的是平均值还是你的实际数」。分到哪、怎么谈、找谁问，是另一件难事，需要的是你自己的行业经验，不是六个问题。

写在最后

回到开头那个指标：白痴指数 = 成品价格 ÷ 原材料成本。

它真正的用处，不是让你去算别人的成本，是让你养成一个习惯：每看到一个「理所当然」的数字，先问一句——这是从事实算出来的，还是从「大家都是这么报的」里抄出来的。

AI 把这件事的诱惑放大了。它让「平均值」变得极其精确、极其自信、极其好用——好用到你忘了问「这是谁的 average」。你拿着一份漂亮的分项表，以为是自己的预算，其实那是整个行业的回声。

而回声最大的问题，不是它错，是它让你不必再自己去问。你省下了询价的时间，也省掉了那次可能颠覆你预期的对话。

所以这件事的终点，不是让你从此不信任 AI 的估算，也不是让你变成什么都自己算的偏执狂。恰恰相反：先看清第一轮那个漂亮数字，到底有多少是行业惯例。 看清了，你才知道哪部分必须自己去问供应商。

打开你最常用的对话框，把那句指令发过去。拿一件你真要花钱的事，让它先估、再拆。

你会在它第二轮说出「这是平均值」的那一刻，第一次看清：你手上的那个数，到底是谁的。

— ● — ● — ● —

【现像所 · 工具库】

你愿意拿一件真要花钱的事，让 AI 把「估算」和「平均值」当场分开——这件事本身，就把你和大多数人分开了。但上面那段指令，每次用都得重新复制一遍，用三次就烦。所以我们把它做成了一个可以直接装进 WorkBuddy 的技能包：不用再复制任何东西，一句「帮我做一次类比答案探针」就能跑完整套流程。两步追问、分区清单、第一轮数字须标平均值，全都写死在包里，换谁来跑都是同一把尺子。装上也不费事：新建一个任务，把压缩包拖进对话框，说一句「安装这个技能」就成。👇 关注本公众号「现像所」，点击下方附件即可下载。

现像所_类比答案探针.zip

AI 给你的第一版答案，是行业惯例。

— ● — ● — ● —

免责声明：本文是对埃隆·马斯克（Elon Musk）公开演讲与著作中所表达工程方法论（「第一性原理」三步操作；「白痴指数 = 成品价格 ÷ 原材料成本」等）的视角还原，属框架推断、非其本人立场，不代表其观点或背书。引语与场合为通行转述，具体表述请以原始公开来源为准。文中火箭、电池等具体数字一律标为通行转述，不作可引用数据、不给任何行业价格基准或节省比例。本文不涉及任何政治立场、监管观点、公共开支或平台治理内容，不评价任何具体企业的经营。文中的人物、企业与场景均为示意，不指向任何具体单位、产品或个人。本文不构成任何采购、投资或商业决策建议。