现在做一份商业方案,有一个很流行的办法。
打开 AI,输入你的问题,最后加上一句:“请用第一性原理进行分析。”
很快,一份结构完整、逻辑严密的方案就出来了。
它会帮你拆解问题、寻找底层逻辑、分析成本收益,甚至告诉你如何打破行业惯例。
看上去,每个人都拥有了马斯克式的思考能力。
但这里有一个很有意思的矛盾:
当所有人都开始用第一性原理思考,为什么我们看到的答案反而越来越相似?
过去,第一性原理是少数人突破常规的武器。今天,它正在变成大模型里一句随手输入的提示词。
这件事比我们想象的影响更大。
第一性原理原本是一种很有价值的思考方式。
它要求我们不轻易接受现成结论,而是不断追问,直到找到真正支撑问题的基本事实。
不妨设想一家酒店的运营场景。
下午两点,酒店大堂突然涌进几十位客人。一场大型会议即将开始,参会人员集中抵达,前台排起长队。
有人拖着行李等房卡,有人催着去会场,还有人已经等了二十分钟,开始向前台抱怨。
前台员工忙得满头大汗,值班经理不停协调,后台电话一个接一个。
如果把这个问题交给 AI,让它用第一性原理分析如何提高入住效率,它很可能给出一套看起来合理的方案:增加自助入住设备,优化高峰时段排班,提前收集客人信息,缩短单客办理时间。
每一条都没错。
但假设你真的站在前台旁边观察半小时,就可能发现完全不同的情况。
前台员工其实并没有闲着,身份证识别和制卡也只需要很短时间。
真正耽误时间的,是会议团队临时调整了入住名单。有的客人预订信息找不到,有的房型和实际安排不一致,还有几间房明明已经打扫完毕,系统里的房态却没有更新。
前台只能一边打电话确认,一边让客人继续等待。
这时候,即使再增加两台自助入住设备,也解决不了多少问题。
真正需要调整的,可能是团队预订的确认机制,以及预订、客房和前台之间的信息流转。
同样是提高入住效率,解决方向却完全不同。
AI 并没有算错。
它只是根据你提供的问题,认真优化了一个可能并不存在的瓶颈。
第一性原理最重要的部分,从来不是推导答案,而是找到那个真正值得推导的起点。
恰恰是这个环节,最容易被我们交给 AI 后直接跳过。

以前,一个人能够独立拆解复杂问题,是很难得的能力。
因为这需要大量知识积累、行业经验和反复试错。
现在,这个门槛正在迅速降低。
一个没有管理经验的人,也可以借助 AI 写出一份像样的组织变革方案。
一个从未做过产品的人,也能生成完整的商业计划书。
甚至连商业模式的创新点、竞争壁垒和风险分析,都能一次性补齐。
表面上看,所有人的思考能力都提高了。
但另一件事情也在发生。
如果大家使用相似的模型,提出相似的问题,又习惯接受模型推荐的主流方案,最后得到的东西就很容易趋同。
你可能已经遇到过这样的商业方案:前面是行业趋势,中间是用户痛点,接着列出三项核心能力,最后落到商业闭环和未来规划。
换一家企业,换几个行业名词,整份方案依然成立。
它不是错了,而是太容易正确了。
这种正确不需要对业务有多深的理解,也不需要承担多少探索成本。
问题是,当所有竞争对手都能获得类似的分析框架,框架本身还能带来多大优势?
过去,一份逻辑严密的方案可能证明一个人有能力。
今天,它最多证明这个人掌握了不错的工具。
真正拉开差距的,反而是方案里那些 AI 无法仅凭通用信息确定的东西。
比如,客户为什么迟迟不愿付款?员工为什么宁愿绕过系统?一个已经存在多年的业务流程,为什么始终没有人敢改?
这些问题往往没有漂亮的标准答案。
而企业真正的竞争力,恰恰藏在这些不标准的地方。

AI 有一个很容易被忽略的影响:它让思考变得太顺畅了。
以前写一份方案,可能需要查资料、找业务部门沟通,经历几次推翻重来。
现在,只需要不断调整提示词,就能让方案越来越完整。
但完整不代表理解。
一个人如果没有亲自经历问题的发现、假设的验证和方案的取舍,很可能只是拿到了答案,却没有形成自己的判断。
这让我想到企业里一个很常见的现象。
一些项目汇报材料做得非常漂亮,流程图、架构图、实施路径一应俱全。
可一旦有人追问:“为什么一定要做这个项目?如果不做会发生什么?”
会议室里反而安静了。
因为大家已经花了大量时间研究怎么做,却很少有人重新审视为什么做。
AI 可以让这种现象更加普遍。
它太擅长把一个问题回答得像模像样,以至于我们容易忽略,这个问题本身可能就问错了。
而且,AI 不会自动替我们承担经营失败的责任。
一套错误的组织调整方案,最终承担后果的是企业和员工。
一次错误的商业决策,损失的是现实中的资金、时间与机会。
模型可以不断重新生成答案,企业却不可能无限次重新开始。
所以,AI 越强大,人越需要保留对问题的判断权。

严格来说,第一性原理并没有失效。
真正失效的,是我们以为只要掌握一套方法,就能不断找到最优解的想法。
尤其在 AI 时代,很多问题甚至没有稳定的最优解。
今天看起来合理的技术架构,半年后可能就需要重构。
今天被认为效率最高的组织模式,明年可能因为工具能力变化而失去优势。
昨天还值得投入大量资源解决的技术问题,今天可能已经被新模型直接跨过去了。
如果仍然执着于从某个固定前提出发,一步步推导未来,就很容易把阶段性的经验误认为不可动摇的规律。
这也是为什么,AI 时代的第一性原理更需要被重新理解。
它不应该成为一种快速获取标准答案的方法。
相反,它应该迫使我们不断检查那些最初的假设。
为什么一遇到效率问题,就想到增加系统?
为什么一谈降本增效,就先考虑减少人员?
为什么酒店前台排起长队,我们首先想到的是增加自助设备,而不是检查预订信息和房态流转?
为什么我们总想着让客户更快办理入住,却很少追问,是什么让他们不得不等待?
有时候,找到一个错误的前提,比优化十个正确的流程更有价值。
第一性原理不是把一个问题分析得越来越透彻,而是敢于怀疑,我们最初定义的问题是否正确。
AI 可以帮助我们不断推演,但真正重要的,是我们有没有能力在必要的时候推翻整个推演的起点。

过去,我们衡量一个人的能力,经常看他知道多少、能解决多少问题。
未来,这套标准可能需要改变。
因为 AI 正在让知识获取、信息整理、逻辑推演甚至方案执行变得越来越便宜。
当回答问题不再稀缺,决定回答什么问题,就变得更加重要。
一个技术人员能不能写出代码,可能不再是最大的差距。
他能不能判断,这段代码根本不应该写,才可能更有价值。
一个管理者能不能制定降本增效方案,也不再那么稀缺。
他能不能发现,企业真正缺少的不是效率,而是客户愿意持续付费的理由,才是更难获得的能力。
我们过去习惯认为,聪明人善于给出答案。
但 AI 时代,聪明人的价值可能正在转向另一件事:识别哪些问题值得回答,哪些问题需要重新定义,哪些问题根本不应该存在。
这不是单纯的提问技巧,而是对现实的理解、对既有规则的质疑,以及愿意为自己的判断承担后果。
第一性原理曾经让少数人摆脱经验的束缚。
如今,如果我们只是不断要求 AI“使用第一性原理”,却对它给出的前提照单全收,那不过是从相信人的经验,变成相信机器的经验。
技术正在让回答权变得越来越廉价。
未来真正稀缺的,可能不是谁拥有最好的答案,而是谁有能力决定,我们究竟应该回答什么问题。
AI 时代,回答权正在贬值,提问权才会越来越值钱。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。