用研究清单控制遗漏

复杂问题很难靠临时搜索覆盖完整。可以在研究前列一份有限清单，让不同候选方案使用相近的检查范围。

评估一个产品机会时，清单可以包括：

• 用户现在怎样完成任务；
• 问题发生频率和失败成本；
• 现有替代方案及切换成本；
• 付款人、使用者和受益者是否相同；
• 获取客户和完成交付的主要成本；
• 平台、数据、合规和知识产权依赖；
• 哪项假设最容易让整个机会失效。

这类清单不负责给出结论。它让研究者在兴奋或焦虑时仍会检查容易忽略的部分。原分享用八个固定问题研究公司，包括商业模式、增长、竞争、上下游、财务材料、管理层信息和未来变量。可迁移的部分是「重要决定先有固定问题」，不涉及其中任何市场判断。^[1]

让 AI 压缩信息，同时保留来源

AI 很适合处理信息工作中的重复环节：

• 从一批资料中抽取日期、定义、数字和实体；
• 按同一结构整理多个候选方案；
• 比较不同版本并指出冲突；
• 将长材料压缩成有限待办；
• 生成需要继续核对的问题；
• 根据已有标准检查遗漏、重复和格式。

一名独立研究者曾用 AI 把大量关注对象和宏观事件压缩为过去 24 小时的有限邮件日报。实际收益来自减少无目的刷信息流，而非获得更多内容。^[1] 对经营者来说，同样可以把工单、访谈、竞品变化和运营异常整理成一份有上限的日报或周报。

为了让摘要可复核，每条重要结论至少保留来源、原文位置和观察时间。AI 找不到出处时，这项内容暂不采用，同时记录缺失的来源，不应为了让报告完整而补写一个确定答案。

AI 也可能把多个来源里的近似说法合成一句更强的结论，或者用流畅语言掩盖定义差异。对客户承诺、财务、法律、医疗、数据隐私和平台规则，必须回到正式材料，并由有相应职责或资质的人审核。^[2]

先定判断标准，再生成候选

AI 让生成方案变得很快，决策瓶颈随之转向选择。没有标准时，一百个候选只会增加比较成本。

一套 AI 视觉工作流先定义色调、构图、光影材质和细节，再让模型生成有限候选。每次选择还会记录哪个方案适合当前品牌、用户和场景，以及为什么需要修正。^[3] 这套做法可以迁移到文案、功能、渠道和定价讨论中。

生成前先写：

• 必须满足的条件；
• 明确不能出现的结果；
• 用来比较的三到五项标准；
• 每轮候选数量上限；
• 哪些信息不足时应暂停决定。

标准需要与真实任务相连。页面文案可以比较用户能否快速理解、承诺能否交付和下一步是否明确；渠道方案可以比较目标用户密度、触达权限、测试成本和反馈速度。审美、偏好和经验仍然可以进入判断，只是要说明它们在这次决策中的位置。

行动前写一份最小计划

计划的作用是保留行动发生前的判断，避免结果出来以后重新解释最初目的。它可以很短，至少包括：

决策：这次准备做什么。
依据：使用了哪些证据，哪些仍然不确定。
假设：预计什么变化会带来什么结果。
投入：时间、现金、权限和机会成本上限。
观察：主要结果、辅助指标和风险信号。
期限：何时检查，什么情况下提前停止。
后续：达到哪些信号后继续、调整或退出。

主要结果应尽量只有一个，便于判断实验是否完成。与此同时，还要保留必要的辅助指标和风险边界。只看点击量可能忽略试用质量，只看收入可能忽略退款和交付成本，只看模型引用可能忽略真实访问与付费。^[2]

计划里也要记录当前无法控制的因素。平台更新、节假日、竞品活动和数据故障都有可能影响结果。提前写出这些变量，复盘时更容易区分策略和环境变化。