AI工作技巧

Level 1｜提问题的技巧

1. 分析导向：让AI前置介入拆解问题

当我们对一个领域的了解并不充分时，一开始就按照自己的认知给AI规定分析框架，容易限制AI的发挥。这时候可以让AI更早介入，不急着回答问题，而是先判断完成任务还需要哪些信息、问题应该如何拆解、有哪些容易被忽略的关键维度。

例如：我需要做一份美妆行业营销分析，希望最终能指导品牌未来的营销策略。在你开始分析之前，请先不要直接给方案，而是告诉我：为了做好这份分析，你还需要了解哪些信息？目前还缺哪些关键信息？

AI可能会进一步追问：这份分析服务什么决策？更关注生意还是传播？最终给谁汇报？希望分析到什么深度？研究品牌、产品还是媒介？时间范围是什么？

如果连分析框架本身都不确定，也可以进一步让AI参考更专业的思考方式：

我要做一个关于母婴营销的策略研究，但我不知道一个顶级品牌战略顾问会如何拆解这个问题。请先不要回答“母婴营销应该怎么做”，而是先列出这个问题背后最重要的10个子问题，指出普通营销人员最容易忽略的问题。如果最终要给CEO汇报，再筛选出最值得研究的5个问题。

这样做的价值在于，AI不仅参与“回答问题”，也参与“定义问题”，帮助补充自身知识和经验之外的认知盲区。

2. 结果导向：从最终目标反推分析过程

如果已经知道最终需要解决什么问题，可以直接把终点告诉AI，让它从最终结果反推前面需要完成哪些研究。

例如，要给CEO做一份10分钟的品牌年轻化汇报，最终需要回答：为什么现在要做品牌年轻化？有哪些机会点？哪些案例值得关注？预算应该优先投在哪里？

可以直接要求：请从这几个最终需要回答的问题反推，为了得到这些结论，分别需要什么数据、进行什么分析、研究哪些案例，最后应该形成怎样的结论。

同样，在竞品研究中，相比直接说“帮我分析特仑苏的营销策略”，可以先明确最终汇报需要回答：为什么要研究特仑苏；特仑苏的营销机制是什么；哪三件事最值得我们学习。再让AI从这三个问题反推研究维度、数据和案例。

这种方式可以减少“为了分析而分析”的情况，让前面的信息搜集和分析始终服务于最终结论。

Level 2｜反复迭代：把第一版答案逐渐做深

AI的第一版输出通常只是起点。通过不断补充要求、提供参照、切换视角和反向质疑，可以逐渐提高答案的准确度和思考深度。

1. 重要要求可以重复和加权

当一个任务同时包含很多要求时，可以通过重复、重述和强调，让AI更明确地识别其中的优先级。

例如，与其简单说：请做得专业一些。不如进一步明确：这份内容最终给管理层汇报，所以请优先保证结论明确、决策价值高，而不是资料完整。再强调一下，不要以信息分析为目标，要以帮助管理层做判断为目标。

这种方式本质上是在帮助AI建立任务的优先级，减少“每项要求平均用力”的情况。

2. 把事实、推论和假设拆开

AI有时会根据部分信息迅速形成完整判断，因此在涉及重要结论时，可以要求它主动拆分信息层级。

例如：请分别列出支持和反对这个判断的证据，并进一步区分：哪些属于已经确认的事实，哪些属于基于事实形成的推论，哪些目前仍然只是假设。

这样可以更清楚地看到一个结论究竟建立在什么基础上，也能减少把推测直接当成事实使用的情况。

3. 用优秀内容建立“专家数字分身”

AI输出质量很大程度上取决于它是否理解我们所说的“好”究竟是什么。因此，可以通过优秀案例、专业文章、行业报告等资料，让AI先学习具体的分析和表达方式。

例如，可以提供麦肯锡报告、巨量引擎营销观察文章、优秀行业报告等内容，让AI总结其中的行文结构、分析逻辑、方法论和结论提炼方式，再以此作为后续工作的参考标准。

还可以进一步建立更具体的“虚拟专家”。例如研究汽车营销时，将问界高管采访、宝马管理层采访、奥迪营销论文、蔚来和理想案例等内容组合起来，再让AI：站在这个专家模型的知识和思考方式下，评价奔驰现在的品牌营销。

除了提供资料，也可以直接调用具体知识体系。相比“你是一位营销专家”，可以进一步要求AI使用波特竞争战略、克里斯坦森的颠覆式创新、卡尼曼的行为经济学，或者第一性原理进行分析。这样得到的不是泛化的“专家角色”，而是相对明确的知识框架和思考路径。

4. 用多角色进行交叉审视

同一个问题可以让AI分别站在商业、品牌、消费者、媒介、内容、心理学等不同视角进行分析。

例如：要把这个问题分析完整，还缺哪些专业视角？请先列出不同视角，再分别分析，最后找出不同视角之间相互矛盾的地方。

也可以让AI寻找现实世界中的专家作为参照：我要解决XX问题。在商业史、学术界或者实践领域，有哪些人最擅长解决类似问题？请推荐5个人，并分别说明他们最核心的方法论、适合解决的问题和局限。如果按照这5个人的思维方式分析当前问题，他们分别会提出什么问题？

通过这种方式，同一个问题不再只有一条分析路径，而可以通过不同知识体系进行交叉验证和补充。

5. 让AI站在反方攻击已有结论

AI在连续对话中容易沿着已有思路继续推进，因此，当一个方案已经基本形成时，可以主动切换立场，让AI寻找其中的问题。

例如：假设你是一个非常挑剔的媒介总监，请攻击这份方案。不要帮我美化，而是找出其中最薄弱的五个地方：哪些结论是废话？哪些没有数据支撑？哪些真正可以指导预算决策？也可以切换成CFO、品牌总监、投资人、消费者、竞争对手或客户老板，让不同角色分别提出质疑。

完成一版内容之后，还可以进一步让AI进行自我评估，例如按照战略高度、消费者洞察、差异化、执行可行性和证据充分度几个维度检查当前方案，从而发现第一轮分析中没有暴露的问题。

这种反向使用方式，可以减少AI一味顺着已有观点继续论证的情况，让它同时承担“生产内容”和“检查内容”两个角色。