为什么 AI 很强，普通人还是做不好专业产品

前言

AI 早已能写代码、搭页面，也能根据几句话生成一套看起来完整的业务系统

但一直以来，我对于 AI 的能力有一种很强的割裂感，一方面觉得它无所不能，另一方面又觉得使用时依然没有突破自己专业的范围

使用者如果不熟悉相关行业，往往不知道该描述哪些约束，也不容易发现需求里缺了什么，发现问题时也很难描述清楚

专业术语是一种知识压缩协议

专业人士沟通时，常用几个字就能让对方理解一大类问题。专业术语像一种知识压缩协议：双方共享相关背景，一个词就能唤起一整套知识，不必每次从头解释

比如开发者说“失焦”，说的就不只是光标从输入框里消失。这个词还带着一系列上下文：焦点变化意味着什么、相关事件何时触发、会影响哪些状态，以及什么情况下需要特殊处理。两个字背后，可能包含定义、使用场景、边界规则、副作用和行业惯例

因此，懂行的人不必把所有细节逐条说出来，关键概念已经能连接起一整套知识。缺少相关经验的人通常只能描述眼前的现象：“我点到别的地方，输入框就不对了。”这句话没错，只是还没有把问题说成便于分析的专业问题

AI 可以解释术语，也能在了解问题方向后提供方案。如果提问的人不知道这个现象属于哪一类问题，就很难用上恰当的概念，也难以说清重要约束

更深的障碍是元认知

元认知就是对自身认知状态的认识：知道自己掌握什么，也知道自己还缺什么

有时，人连自己缺少哪类信息都没意识到，更谈不上找到答案

假设一位餐饮老板让 AI 做个财务对账页面。他可能只想到把平台营业额和实际到账金额放在一起，再算出差额。AI 很快就能做出带筛选、汇总和差额计算的界面，看起来也没什么问题

有对账经验的人还会追问：交易日期和结算日期是否一致？退款落在下一个结算周期怎么办？手续费和优惠如何计算？怎么识别重复导入的账单？出现差异后，能否追溯原因和处理过程？

缺少相关经验的老板未必会想到这些问题。如果他不知道眼前的现象对应哪个专业术语，就很难主动查找资料或准确提问，给 AI 的需求也可能一直不完整。元认知的困难就在这里：不知道自己还缺什么，也就不知道该向 AI 补充什么

需求之外，还有没有写出来的规则

知道专业术语，也不等于掌握了整个行业。很多规则没有写进手册，而是来自处理具体情况的经验：哪种异常必须人工复核，什么情况允许例外，两条规则冲突时先处理哪一条

这些默会知识来自真实业务，有时只存在于某位老员工的工作习惯里。没有记录下来，就很难放进 AI 的上下文。AI 可以给出通用做法，却未必了解企业内部沿用多年的特殊流程，也无法仅凭模糊需求确认所有隐含约束都已考虑

业务文档、历史案例、处理记录和测试规则可以逐步整理下来，再让 AI 帮助检索、分析、补充问题，甚至生成测试。前提是有人发现并记录这些知识，也要用真实结果持续校验

AI 降低了实现门槛，却没有自动消除认知差距

AI 降低了实现想法的门槛。需求是否完整、规则是否正确、结果是否符合真实业务，仍需要人来判断。程序成功运行，只能说明它按设定的逻辑执行，不能证明这套逻辑符合实际

AI 时代的专业能力，体现在识别问题、找到合适的概念、补全隐藏规则并验证结果。专业人士往往更容易发现那些没有说出口、却关系到产品能否落地的要求

如果连该问什么都不知道，AI 给出的答案也很难对准真正的问题

博客文章：《为什么 AI 很强，普通人还是做不好专业产品》