深度观察

AI越容易做，越容易做错

做出来太容易了，容易到所有人跳过了最重要的一步

下午拜访了一家科创板上市公司的老板，和他交流AI合作事宜。他在公司内推AI转型，态度很硬。但坐在会议室里，我看到的是这样一幅画面。

开会拉了一群人，七八上十个。开到最后，才发现会议主题跟其中一半人没关系，但老板一叫，他们就都来了。来了以后做什么？不是特别清楚。负责AI+CRM的产品经理，做了一个demo，但老板要的东西跟做的其实不是一个级别。我追问细节，通过对话我发现很多需求细节还没搞清楚。

老板知道AI重要，他研究理论，但没有时间自己落地实践，所以他不知道AI已经强到什么程度了。底下的人呢？不反对，不反驳，但也没预期那么积极。

这是AI转型最典型的现场：老板推，员工动，产品经理交差，需求边界模糊不清。所有人都在"做"，但没人搞清楚做的是什么。

AI转型最大的风险，就是对边界的误判，被放大成商业承诺。

这不是孤例。最近我密集接触了好几个AI项目，看到的都是同一个病根——Demo做出来太容易了，容易到所有人跳过了最重要的一步：搞清楚到底要做什么。

壹

做出来的快感，让人跳过了验证

有个词前段时间很火——Vibe Coding。脑子里面有一个想法，打开AI编程工具，说清楚需求，看着AI写代码，几个小时就能有一个能跑的demo。整个过程像呼吸一样轻松自然，你不需要会写代码，只需要会说话。

这种感觉会上瘾。因为在AI出现之前，从想法到能跑的原型，快的话几周、几个月，甚至大半年。现在一个下午就够了。

但CB Insights有个数据让人后背发凉：

42%的创业公司失败，原因不是技术不行、资金不够，而是做了没人想要的东西。

Anthropic在《创始人手册》里也引用了这个数据，并判断现在这个比例只会更高。

为什么？因为过去开发的高成本，本身就是一道天然的筛选门槛。你不得不在投入真金白银之前，认真想清楚这东西到底有没有人用。现在门槛消失了，做一个demo不需要几个月和几十万，一个下午就够了。

于是所有人直接冲进了深水区。

手册里有个判断说得很准：一个能跑的原型，很容易被误认为你在解决真实问题，但它不是——它只是验证的道具。真正的证据，来自你和用户真实的对话。

回到我下午那个客户现场。产品经理做了一个demo，能跑，能演示。但老板要的跟做的完全不是一回事。为什么？因为做demo太容易了，容易到他都没意识到自己跳过了最重要的一步——搞清楚老板到底要解决什么问题。

不是AI不够强导致项目跑偏。恰恰相反。是AI太容易让人动手，导致所有人跳过了最重要的那一步。

AI没有降低做对事的概率，它只是把"做错"的速度加快了。过去花三个月做错一个产品，现在花三天就够了。

那做错的起点在哪？不是技术选型，不是模型参数，而是更上游——需求本身就是模糊的。

贰

"更人性化"不是需求，是幻觉

前段时间，有一位产品经理做了一堆demo，我问他：老板到底要解决什么问题？他说：让系统更人性化。

"更人性化"——这三个字，就是AI项目最常见的死法。

一位大厂AI产品总监，第一次参加Prompt评审会，业务方提了个需求："我们想让AI更懂用户，能不能把回复做得更人性化一点？"

她没急着接话。沉默几秒，只问了三个问题：

"更人性化"具体指什么？用户抱怨最多的是什么？

边界在哪？出了问题谁兜底？

业务方直接愣住了。

听起来像需求，其实是幻觉。你把它当需求往下推，推到一半发现根本无法落地，再回头改，成本已经沉进去了。

这位产品总监沉淀了一套方法，叫Prompt需求四层漏斗。核心就一个字：抽脂。把"更好""更自然""更聪明"这类水分词全部抽掉，只留下输入输出边界最清晰、错误模式最可复现的问题内核。

第一层：伪需求过滤

听到"更智能""更自然"必须追问——当前最致命的硬伤是什么？只有信息缺失、逻辑错误、格式混乱这些硬伤，才是AI真能解的。用AI做信息提取是真需求，用AI"让产品更有感情"而不定义何为"有感情"，是伪需求。

第二层：真问题量化

"回复体验差"不行，得变成"用户追问率高达X%，其中Y%是因为首轮未覆盖关键参数"。把"感觉"翻译成可衡量的缺口。

第三层：方案权衡

绝大部分决策，是在"多写几条示例优化效果"和"多加一层校验提升稳定性"之间做平衡。

第四层：成功预演与风险备案

启动前明确：成功标准是什么？失败信号是什么？出了问题怎么降级？

四层漏斗走完，需求才从"感觉"变成"可以动手的东西"。

那怎么判断需求是不是真的被验证了？有个很朴素但很管用的测试——Sean Ellis测试。问你的活跃用户一个问题：如果再也不能使用这个产品，你会有什么感觉？如果超过40%的人回答"非常失望"，你才算找到了真正的问题。

更直观的信号：找到真需求之前，用户留存靠的是你不停地推、催、激励、人工跟进。找到之后，用户自己就来了。

从"推用户用"变成"用户主动来"——这个转变，才是你做对了的证据。

叁

没有驾驭层的AI，就是即兴表演

需求搞清楚了，是不是就万事大吉了？

不是。还有一道坎：AI本身不记事、不守边界、不知停。

这不是bug，这是大模型的底层设计。从产品视角看，模型就是一个无状态的函数——你给它输入，它给你输出，但它不会自动保留上一次的内容，不会自动记住任务做到哪了，更不会自己判断什么时候该停下来。

所以所有记忆、进度、安全边界，都得靠外部维护。这套外部维护系统，有个名字叫Harness——驾驭层。

Harness这个词原意是套在马身上的整套装备。一匹马能跑，但如果没有缰绳、马鞍、嚼子，它跑起来就是即兴表演——能跑，但跑偏是常态。

AI也一样。没有驾驭层的AI，就是一匹没有套缰绳的野马。

三层必须同时生效。只有引导没有约束，AI可能执行不该执行的动作。只有约束没有反馈，出错了无法修正。工具多但缺编排，长任务根本跑不完。

Harness不只是技术架构，它是一套让复杂系统不跑偏的治理逻辑。而任何组织，本质上也是一套复杂系统。

回到客户现场，老板推AI转型，但内部缺乏主动性——老板给了方向（驾驭），但团队没有建立约束机制（员工不知道边界在哪），而且部门之间没有形成合力（各部门各干各的）。组织没有自己的驾驭层，AI项目在组织里跑，跟没有缰绳的马在闹市区跑是一个效果——能跑，但跑偏是必然。

肆

边界误判，才是最大的风险

四条线，拧成一根绳：

Vibe Coding的成瘾性——做出来的快感，让人跳过验证。

模糊需求的伪装术——"更人性化"不是需求，是幻觉。

工具人心态——老板推，员工动，需求边界模糊不清。

AI自身的无状态本性——没有驾驭层，跑偏是常态。

AI消除了"做出来"的门槛，但把"做对"的难度放大了。

过去高成本的开发本身就是筛选器。你不得不在动手之前想清楚。现在筛选器没了，所有人直接冲进深水区。做出来很快，但做错了更快。

那怎么办？

不是不用AI，不是放慢脚步，而是在按下回车键之前多做一件事——搞清楚边界。

搞清楚边界，比跑得快更重要。

我在客户现场做的唯一一件正确的事，就是没急着接需求。而是一个个追问，把他们自己都没想清楚的东西问出来了。问完之后，需求清晰了，成本可控了，风险可视了，先做第一期验证，再做后续。

这不是慢，这是在深水区之前先试水深。

润泽园有个方法论叫"心-道-德-事"

心是道的源泉，道是德的根本，德是事的根源。一切外在的成就与改变，皆发端于内在的起心动念。

AI项目跑偏，病根就在这四个字的顺序上——所有人都从"事"上动手，没人回到"心"上追问。做demo是事，选技术方案是事，排期交付是事。但"到底要解决什么问题"——这是心。心没想清楚，事做得越快，错得越远。

下次再有人跟产品经理说"先做个demo看看"，产品经理的第一反应不是打开AI，而是问：你到底要解决什么问题？