AI时代如何解决正确的问题：一个减少不确定性的框架

别急着写代码

AI 代理（agent）的迭代速度越来越快。你用 ChatGPT、Claude 这类工具，几分钟就能生成一段能跑的程序。这种能力很诱人，但有个致命陷阱：如果一开始问题就定义错了，AI 只会把你犯错的速度放大十倍。

国内很多团队拿到 AI，第一反应是“我能用它做什么”。于是他们关注 demo，关注刷榜，关注模型参数。但真正值钱的问题应该是：“我应该解决什么？”以及“这个问题值不值得用 AI 解决？”

一个框架，五步走

1. 区分症状和根因

症状是你能直接看到的糟糕结果，根因是让结果持续发生的深层机制。

举个例子。某电商平台发现“智能客服”的转人工率特别高。看似问题是“客服机器人不够智能”，于是团队想升级大模型。但调查后发现问题根本不是对话质量，而是商品售后规则太复杂，机器人解释不清，用户只能转人工。这时候换再强的模型也没用，真正该做的是简化售后政策。

2. 五个为什么

这是丰田生产系统里的老工具，但对 AI 项目依然有效。核心是连续追问五层，直到你碰到流程、组织或数据层面的根因。

记住，追问时不要停在“人”身上。如果最后答案是“因为员工不认真”，那说明你还没问到根子上。根因通常是系统性的。

3. 预死亡测试（Pre-mortem）

假设项目已经上线，但效果一塌糊涂。你的团队现在要写下“失败的原因”。把这些原因摆在桌面上，你就提前看到了风险。

比如做一个 AI 招聘助手，预死亡测试会发现：简历数据格式混乱、HR 不敢用系统给的评分、候选人在意隐私……这些风险如果藏着，等开发完了再暴露，代价翻倍。

4. 定义成功标准

不要用“AI 覆盖率”这种过程指标，要用业务结果来衡量。比如“客服转人工率从 30% 降到 20%”“每单物流成本下降 8%”。

有了清晰的成功标准，你才能判断问题是不是解决对了。否则团队很容易被“能跑起来”的假象骗了。

5. 做最小实验

在写正式代码前，用最便宜的方式验证核心假设。你可以让真人扮演 AI，去回答客户问题，看看解决率是否提升；也可以用简单决策树代替深度学习模型，跑一周数据。

这一步把不确定性压到最低。毕竟，AI 代理越快，你越需要在加速前确认方向。

代理放大一切

所谓“代理（Agent）”，意味着 AI 不再只是聊天，而会主动执行任务、调用工具、操作软件。这是个好消息，也是个坏消息。

如果你解决的是正确的问题，代理就是增长飞轮。它能 7x24 小时处理客户、自动优化广告投放、动态调度库存。

但如果你解决的是错误的问题，代理会把错误执行得极其彻底。你在错误的目标上跑的每一圈，都会变成实打实的成本。更可怕的是，系统一旦自动化，人工纠错的机会就少了。

别让 AI 替你选问题

很多人以为 AI 能“理解意图”，但理解意图不等于理解业务。AI 的价值永远取决于你给它的目标定义。

这就是为什么我们需要框架。它不是为了让你的流程更复杂，而是为了逼你在动工之前，先想清楚：我们到底要改变哪个数字，给谁创造什么价值。

爱因斯坦有句话被引用滥了，但在 AI 时代格外醒目：“如果给我一个小时解决问题，我会花 55 分钟定义问题，剩下 5 分钟思考解决方案。”放在今天，这 55 分钟值得重新拾回来。