今天早上遇到一個(gè)既棘手又好笑的問題，我提供產(chǎn)品咨詢的一家公司在給客戶介紹業(yè)務(wù)和產(chǎn)品時(shí)翻車了。

原因是因?yàn)?PPT 中的一處邏輯和數(shù)據(jù)錯(cuò)誤，而造成這次翻車的罪魁禍?zhǔn)拙褪?AI。

因?yàn)椋@部分內(nèi)容和數(shù)據(jù)引用是負(fù)責(zé)這個(gè) PPT 的同學(xué)用 AI 生成的。

有趣的是，包括他的直屬領(lǐng)導(dǎo)、業(yè)務(wù)負(fù)責(zé)人、產(chǎn)品總監(jiān)、以及連公司老板都沒發(fā)現(xiàn)。

客戶在聽匯報(bào)過程中先是指出了數(shù)據(jù)錯(cuò)誤，然后又發(fā)現(xiàn)一個(gè)業(yè)務(wù)邏輯硬傷，搞得現(xiàn)場十分尷尬。

回來后他們進(jìn)行了深入復(fù)盤，并且得出一個(gè)結(jié)論：可以用 AI，但不能信 AI，人還是最后一道防線。

不知道你們發(fā)現(xiàn)沒，自從 AI 出現(xiàn)后，知識差和信息差被一定程度上抹平了。

誰都可以用，誰都可以快速獲取信息和完成工作。但問題就在于，如何判斷？

AI 做得越像真的，你就越容易信它。但它錯(cuò)得也越像對的，你就越難發(fā)現(xiàn)。

不具備判斷力的人使用 AI，就像在井底向上看天，以為那就是世界的全部。

不知道自己不知道，就是認(rèn)知邊界。

以前拼的是誰知道得多，現(xiàn)在拼的是誰判斷得準(zhǔn)。

顯然，我上面說的那個(gè)案例就是典型的「沒判斷」。他們直接選擇了相信，而且無差別執(zhí)行。

再說一個(gè)真相：AI 讓獲取答案的成本降低了，知道答案的人很多，能判斷答案對不對的人很少。

當(dāng)我們懶得去做「探究答案」和「驗(yàn)證答案」這兩件事時(shí)，才是 AI 時(shí)代最可怕的事。

因?yàn)椋覀兎艞壛俗鳛槿说母偁幜?yōu)勢，轉(zhuǎn)而成了機(jī)器的執(zhí)行者。

盲目相信 AI，就是把我們的大腦外包給了 AI。

我自己現(xiàn)在是每天用 AI，但是我用和別人用是有區(qū)別的。

核心差異在于，我會把方法、要求、限制告訴他，然后再用我的專業(yè)能力、思維認(rèn)知、鑒別能力去識別和判斷。

比如，我會借助 AI 來幫我做需求分析和產(chǎn)品規(guī)劃，也會讓它來幫我創(chuàng)作內(nèi)容腳本。但是，它生成的結(jié)果對我來說只是一個(gè)高效率的輸入，最終的輸出關(guān)卡還是在我這里。

而且我現(xiàn)在用 AI 有一個(gè)原則，在我知識和認(rèn)知范圍外的領(lǐng)域我是不用的，因?yàn)槲覜]法判斷。

之所以這么做，是因?yàn)槲伊私?AI 大模型背后的技術(shù)原理。

簡單理解，你可以把大模型當(dāng)成一個(gè)概率機(jī)器，它并不是真的理解的意圖，也不是真的會做數(shù)學(xué)題和編程，它只是在一個(gè)既定框架下基于訓(xùn)練數(shù)據(jù)做概率預(yù)測。

再舉個(gè)例子。

完成一個(gè) App 產(chǎn)品的設(shè)計(jì)有很多個(gè)可選路徑和流程，每一個(gè)環(huán)節(jié)上都有不同的節(jié)點(diǎn)。

如果你完整實(shí)踐過整個(gè)閉環(huán)，那你一定知道哪些是重要的、哪些是有用的、哪些需要什么能力。

隨著實(shí)踐密度的提升，你會形成方法，而每一次的反饋會讓你不斷完善這套方法。

這也是為什么我一直說，方法論是干出來的！

能力 = 方法 ?? 實(shí)踐 ?? 反饋

AI 輸出的內(nèi)容，語氣自信、邏輯流暢、看起來很專業(yè)，但它也可能在一本正經(jīng)地胡說八道。

如果你沒有判斷力，你甚至不知道自己被騙了。

判斷力，就是 AI 時(shí)代的「信息免疫系統(tǒng)」。

按照上面的能力公式，我們的判斷力也是來源于方法、實(shí)踐、反饋，我在產(chǎn)品判斷力上的沉淀就是這三者的結(jié)合。

如果我做產(chǎn)品的實(shí)踐密度不夠質(zhì)量不高，如果我做產(chǎn)品不形成方法，如果我做產(chǎn)品不獲得反饋，那我就無法沉淀那些被驗(yàn)證過且可復(fù)用的能力。

這也是為什么很多同學(xué)參加完我的產(chǎn)品訓(xùn)練營回去后再用 AI 提效，發(fā)現(xiàn)就是原地起飛的原因。

AI 知道的一定比我們多，但是我們?nèi)绾稳ヅ袛嗨峁┑慕Y(jié)果是否正確以及改如何應(yīng)用，依舊是作為人的核心競爭力。

AI讓獲取答案變得簡單，卻讓判斷答案變得更難。

別讓 AI 替代你去思考，否則有一天你會忘了如何思考，那也是最可怕的事情。

那么，如何提升判斷力呢？分享 4 個(gè)我正在用的方法。

第一，先實(shí)踐，再問 AI。

能最大化發(fā)揮 AI 能力的人，一定是本身就有方法、有高密度實(shí)踐、在反饋中迭代過方法的人。

先自己動手，獲得一線體感，然后再問 AI，讓它幫你擴(kuò)充信息量并提供結(jié)構(gòu)化框架。

第二，建立自己的判斷框架。

在某個(gè)領(lǐng)域深耕，形成自己的評判標(biāo)準(zhǔn)，這依舊是一條必走的路。

我之所以要給公司當(dāng)產(chǎn)品顧問，最主要的目的不是賺錢，而是給自己提供一個(gè)真實(shí)的實(shí)踐環(huán)境，目的是完善和迭代我的能力和方法。

按照目前的 AI 能力，你把它給一個(gè)小白，無法讓一個(gè)小白瞬間變成高手。

但是，你把 AI 給一個(gè)高手，那高手確實(shí)能很快變成頂尖高手。

區(qū)別就在于，高手有自己的判斷框架，這是通過方法、實(shí)踐、反饋積累起來的個(gè)人能力。

第三，學(xué)會用 AI 過程中的反向驗(yàn)證方法。

什么意思呢？

AI 給你一個(gè)答案后，你故意反著問它。

比如，AI說「應(yīng)該這樣做」，你就問「為什么不能那樣做」?；蛘咧苯訂枴高@個(gè)建議有什么局限性？可能在什么情況下不適用？」。

另外，AI 的答案往往是「最大公約數(shù)」，不一定適合你的具體情況。

如果用反向驗(yàn)證法去追問，就可以盡可能往你的個(gè)性領(lǐng)域去引導(dǎo)，而且你的反問其實(shí)也是在補(bǔ)充自己在判斷力上的缺失。

至少，提問總比獲得答案更容易。

當(dāng)然，提問本身也是一項(xiàng)很重要的能力。

第四，建立自己的「判斷日志」。

其實(shí)，這也是我構(gòu)建自己方法體系的一個(gè)方法。說白了，就是構(gòu)建方法的方法。

每次做重要判斷時(shí)，記錄一下「我當(dāng)時(shí)怎么判斷的？依據(jù)是什么？后來結(jié)果如何？」。

還有一點(diǎn)很重要，定期回顧，看看自己的判斷準(zhǔn)確率。

說實(shí)話，這一招很有效。

大多數(shù)人做完判斷就忘了，不知道自己判斷準(zhǔn)不準(zhǔn)，所以沒法把最佳表現(xiàn)固定下來，其實(shí)挺浪費(fèi)的。

記錄+復(fù)盤，才能讓判斷力真正提升。

寫在最后。

現(xiàn)在，人人都在談如何用好 AI，這的確是趨勢。

但我想說，比用好 AI 更重要的，是別被 AI 用了。

保持你的判斷力，保持你的識別力，保持你動手實(shí)踐的習(xí)慣。這些東西看起來很笨，但恰恰是 AI 替代不了的。

工具會一直迭代，但用工具的人，才是真正的變量。

實(shí)踐出真知，這句老話在 AI 時(shí)代反而更值錢了。

菲爾茲獎(jiǎng)得主陶哲軒說：AI 最危險(xiǎn)的地方，不是它不會，而是它錯(cuò)得太像對了。

················· 唐韌出品 ·················

安可時(shí)刻

1 月份又是忙到起飛的節(jié)奏，這周末去成都，舉辦成都線下聚會和產(chǎn)品訓(xùn)練營。

下周受邀去騰訊成都總部參觀，然后直接飛深圳開第一期 AI 個(gè)體戶計(jì)劃兩天課程。

再下周就飛上海，同樣是第一期 AI 個(gè)體戶課程，帶一批人先掌握 AI 能力完成個(gè)人商業(yè)模式打造。

整個(gè) 1 月我只有一個(gè)周末有休息，忙完這一陣我就準(zhǔn)備提前放假了。

只工作不上班的第 7 年，繼續(xù)迭代！

PS：今天我的 AI 攝影師給我「拍了」一張工作照，各方面細(xì)節(jié)都拿捏到位了，這張照片的提示詞有 300 字。