孙子曰：“夫未战而庙算胜者，得算多也。“在 AI 让"建造"几乎免费的今天，“算"什么、“算"哪里，反而成了最难的一道题。
无限可能，零值判断
2024 年秋天，我在旧金山参加了一场创业聚会。一个穿 Patagonia 背心的年轻人告诉我，他周末用 Claude Code 做了三个产品原型——一个 AI 法律助手、一个自动化记账工具、一个社交媒体内容生成器。“三个都能做，“他说，“但我不知道该做哪个。”
这不是个例。当 agentic coding 抹平了技术门槛，创始人面临的选择困境反而加剧了。过去，你能做什么受限于你会什么；现在，你能做什么几乎没有限制，但"该做什么"的判断难度陡然上升。
这就像一个厨师走进一个无限食材的厨房——真正的限制不再是食材，而是对"什么菜值得做"的品味。
问题的三个层次
The Founder’s Playbook 把 Idea Stage 的验证工作归结为四个按顺序回答的问题：这个问题真实、具体、频繁到值得围绕它做公司吗？谁有这个问题？有没有人在解决它？你的方案能做到吗？
这些问题看似朴素，但每一个都暗藏陷阱。
“真实"不等于"你感觉到了”。 一个经典的创业认知偏差是：我是用户，所以我的问题就是大家的问题。这叫"自我抽样偏差”——你当然有这个问题，因为你就是你。但市场不是你的镜像。
书中给出的例子很精妙：“人们做报销很痛苦"是一个观察，不是假设。“中型公司的财务经理每周花四个多小时核对报销单，因为现有工具和他们的会计软件不互通"才是可验证的假设。前者让你感觉抓住了需求，后者让你能去验证。
“具体"是杀死模糊的刀。 德鲁克在《管理的实践》里说过类似的话：企业只需要做两件事——营销和创新。但如果你问创始人"你在解决什么问题”，得到的答案往往是"让工作更高效"或者"用 AI 改变行业”。这不是问题陈述，这是愿景口号。真正的问题陈述要具体到你能指着一个人说：“他，每天下午三点，正在经历这个问题。”
“频繁"决定了你是在做公司还是在做项目。 一个一年发生一次的问题，用户不会为它付费——他们会自己忍着。一个每天发生四次的问题，用户愿意为任何能解决它的东西付费。频率决定了你的收入模型。
用 AI 做竞争地形图
找到问题域不只是向内看——你还得向外看。书中建议用 AI 做竞争地形分析，而且要用一种特殊的方式：让 AI 替你的竞争对手说话。
不是让 AI 列出竞品的功能对比表——那种表格谁都会做。而是让 AI 构建一个论证：为什么这个竞品会成功，而你会失败。让它分析竞品的方案为什么更好、用户为什么选他们、你的差异化优势为什么没有你以为的那么牢固。
这招来自军事战略中的"红队演练”（Red Teaming）。冷战时期，美国国防部专门组建团队扮演苏联指挥官，用苏军的思维来审视美军计划。效果显著——很多在美军内部"显而易见"的行动计划，被红队从敌方视角拆解得千疮百孔。
用在创业上，就是让你的 AI 扮演最了解你竞品的分析师。它会告诉你那些你因为太爱自己的idea而选择性忽略的东西。
客户发现的实操
找到问题域的最后一步是和人说话——不是"你觉得这个想法怎么样”，而是"告诉我你上次遇到这个问题时发生了什么”。
这里有一个创业研究中反复验证的发现：人们不擅长预测自己未来的行为，但很擅长描述自己过去的行为。 问"你会不会用这个东西"得到的是愿望清单；问"你上次遇到这个问题时怎么处理的"得到的是行为数据。
The Founder’s Playbook 建议用 Claude Cowork 来自动化客户发现的操作层：构建目标用户画像、生成外联邮件、管理排期、追踪访谈进度。但有一个原则——收集和初步分析可以自动化，但对话本身必须是人。 一个用户说"这个很好但我希望它也能……"，这句话背后的含义——是核心需求还是一厢情愿？是个人偏好还是群体特征？——只有人能判断。
退出条件
Idea Stage 的退出条件是找到"问题-解决方案匹配”：你有定性证据证明你在为真实的人解决真实的问题。三个检验——你能说清楚谁、多频繁、多严重、现在在怎么办吗？你的方案针对的是被验证过的问题吗？目标用户群构成一个真实的市场吗？
全部回答"是”，才能进入下一步。
我的反思是：AI 最大的能力不是帮你做决定，而是帮你更快地发现自己做错了决定。 快速验证、快速失败、快速转向——这才是 AI 给 Idea Stage 的真正礼物。不是让你更快地构建，而是让你更快地知道自己该不该构建。
下一篇，我们来聊一个更反直觉的做法：用 AI 来反驳自己。
系列阅读快速跳转
| 日期 | 篇目 | 核心问题 |
|---|---|---|
| 06-03 | 从福特流水线到 AI 原生：范式转移 | 什么是 AI Native？为什么是现在？ |
| 06-05 | 找到你的问题域：从"能做"到"该做” | 如何在无限可能中找到值得解决的问题 |
| 06-06 | 用 AI 做压力测试：让魔鬼代言人替你思考 | 如何用 AI 反驳自己，避免确认偏误 |
| 06-07 | 构建第一个 AI 原生产品：从 CLAUDE.md 开始 | 写代码之前先写文档的逆向思维 |
| 06-10 | MVP 的四个暗礁：速度与陷阱的博弈 | AI 加速下最容易踩的四个坑 |
| 06-11 | 产品市场契合的谎言与真相 | 如何识别假信号，找到真契合 |
| 06-12 | 从创始人驱动到系统化运营 | 建立不依赖创始人的运营机器 |
| 06-22 | 技术债与架构决策：为 Scale 打下地基 | 如何在快与稳之间找到平衡 |
| 06-23 | 构建护城河：数据、知识与锁定 | AI 时代的三种防御体系 |
| 06-25 | Same Job, New Rules：创始人的不变与变 | 什么变了，什么没变 |