苏格拉底说：“未经审视的人生不值得过。“在 AI 时代，未经反驳的创业想法不值得做——而 AI 给了你一个永不疲倦的反驳者。
确认偏误的新武器
1960 年，英国心理学家彼得·沃森做了一个著名的"2-4-6 实验”。他告诉受试者三个数字 2、4、6 遵循某个规则，让他们猜规则是什么。受试者几乎无一例外地先猜"连续偶数”，然后只举符合这个猜想的例子来验证。沃森的真正规则其实是"任意三个递增数字"——但很少有人主动去举反例来反驳自己。
这就是确认偏误：我们本能地寻找支持自己信念的证据，而忽略或贬低反面证据。在创业中，这是致命的。
The Founder’s Playbook 指出了一个 AI 时代特有的危险：确认偏误现在有了一个研究引擎。 让 AI 验证你的创业想法，它会找到支持证据；让 AI 做市场规模测算，它会找到让 TAM 看起来可融资的数字。如果你不提出尖锐的问题，AI 可以比你更快地为一个坏想法构建出一套看起来像那么回事的"尽职调查"。
更危险的是，这个过程会让你感觉自己在做尽职调查。一份 30 页的市场分析报告、一组漂亮的 TAM/SAM/SOM 拆解、五个"验证过"的用户痛点——看起来严谨无比，但前提可能是错的。
结构化魔鬼代言人
解法是同一个工具，指向相反的方向。
天主教会在 1587 年设立了一个正式职位叫"魔鬼代言人"（Devil’s Advocate）——专门负责在封圣过程中提出反对意见，质疑候选人的圣迹和美德。这个职位的存在不是为了阻挠封圣，而是为了确保封圣决定的严肃性。
The Founder’s Playbook 建议你把 AI 当作你的结构化魔鬼代言人。具体操作分三步。
第一步：让 AI 攻击你的问题陈述。 不是让它说"这个问题很好"，而是让它构建一个论证：为什么这个问题没有你以为的那么大、不值得解决、或者已经被很好地解决了。让它找反例：哪些市场信号是负面的？哪些竞争对手失败了，为什么？用户行为模式里有哪些和你的假设矛盾的地方？
第二步：让 AI 替竞品辩护。 让它分析竞品的方案为什么比你好、用户为什么选他们、你的差异化优势为什么没有你以为的牢固。这一步的价值在于，它会逼着你理解竞品的真实优势——而不是你为了方便而刻意简化的那个"竞品"。
第三步：让 AI 质疑你的解决方案。 你的方案依赖哪些假设？每个假设在什么情况下不成立？如果有一个假设被证伪，整个方案会怎样？
压力测试之后
做完这三步，你大概会经历两种反应之一。
第一种：你的想法经受住了攻击，你知道了它最脆弱的在哪里——这让你在接下来的用户访谈中有了明确的测试方向。
第二种：你的想法被撕开了，你发现核心假设站不住——这是好消息。 不是"你失败了"，而是"你在动手之前就知道这条路走不通了"。
这让我想到查理·芒格的一句话：“我只想知道我会死在哪里，这样我就永远不去那个地方。” AI 让你有能力在创业之前，先快速"死"上几十次。每一次虚拟的死亡，都避免了一次真实的资源浪费。
用户访谈的框架
压力测试之后，才轮到用户访谈。书中建议用 AI 来设计和优化访谈框架——但有一个关键原则：问题要先自己写，再让 AI 审。
为什么？因为如果你直接让 AI 生成访谈问题，你会得到一组"正确但平庸"的问题。它们没有引导性、没有漏洞、也没有灵魂。但如果你先自己写——暴露你的偏见、你的假设、你的盲区——然后让 AI 来审，它会指出哪些问题在引导受访者、哪些太宽泛、哪些会得到社会期望的答案而不是真话。
一个实用的技巧：在访谈中，永远问过去，不问未来。“告诉我你上次遇到这个问题时发生了什么"比"你觉得你会不会用这种产品"有价值得多。人们不擅长预测未来，但很擅长回忆过去。
每五场访谈之后，让 AI 合成笔记，列出支持假设的证据和挑战假设的证据。如果前者远长于后者，要警惕——可能不是数据在说话，是你在选择性地听。
我的反思
这个"用 AI 反驳自己"的理念，其实和东西方哲学都有共鸣。
中国的道家传统讲"反者道之动”——事物总是向相反的方向运动。一个想法在被反驳之前，是不完整的。西方的批判性思维传统从苏格拉底的诘问法到波普尔的证伪主义，核心都是：一个理论的价值不在于它被多少次证实，而在于它能否经受住被证伪的尝试。
AI 让这个过程从"需要意志力去做的自我批判"变成了"一个提示词就能触发的自动化流程"。这是革命性的——不是因为 AI 比你更聪明，而是因为它比你更无情。你不会因为反驳自己的idea而受伤，但你的自我会。AI 没有自我，所以它可以毫无心理负担地撕碎你的假设。
下一篇，我们进入实操：如何构建你的第一个 AI 原生产品。 答案是——先不写代码。
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 |