Adnan Khan：别把“假设”交给AI

“假设”是产品设计的基础。假设跑偏了，AI只能帮倒忙。要把假设和价值判断责任担在人的身上，这是与AI协作的前提。

这篇博客《Don't leave assumptions up to AI》是澳大利亚产品设计师Adnan Khan的作品。原文https://aklodhi.com/articles/dont-leave-assumptions-up-to-ai

他是一位 UX 顾问 / 产品设计师，主要负责产品设计、交互设计、可用性测试和设计系统（design systems）。

别把假设交给 AI

—— Adnan Khan，2026年1月19日

每个创业项目都建立在一堆假设之上。你能找出哪个关键信念崩了，导致一切失败吗？

AI 在设计上越来越强。它能生成界面、流程、文案、研究总结、可用性问题，甚至给出下一步修复建议。对很多团队来说，这像是进步；对一些人来说，是解脱。但这里有个陷阱。

AI 可以高效执行任务，却有一件事它做不好，而这件事恰恰决定了一切：分辨哪些假设是真的、哪些有风险、哪些值得拿公司去赌。

这个区别远比大多数团队想象的更重要。

错误信念的代价

设计不是从方案开始，而是从信念开始。每个产品都建立在假设基础之上：这个问题真实存在、目标用户是这样、这个取舍可以接受……

假设错了，再快的执行也只是更快地跑到错误的地方。

Quibi 融了17.5亿美元，假设人们在通勤时想要高质量短视频。执行精良、技术到位，但假设错了，半年就倒闭了。

大多数产品失败不是执行问题，而是假设问题。工艺再好，也救不了错误的出发点。

设计的飞轮

把设计想象成一个飞轮：假设 → 问题 → 研究 → 洞察 → 决策 →（回到）假设。

每转一圈都应该加速：好假设带来好问题，好问题带来有用洞察，洞察带来更好决策，再优化假设。

AI 在飞轮中间部分很强：快速研究、合成数据、发现模式。但假设在飞轮最上方，它决定问什么问题、哪些数据重要、哪些模式值得关注。

起点假设错了，下游全继承错误，每转一圈错误就放大。飞轮转得越快，方向越偏。

你无法靠自动化绕过坏前提。

概率 ≠ 后果

AI 很擅长生成假设。

给它足够上下文，它能吐出一堆关于用户、市场、产品的“合理”信念。

但 AI 基于历史数据优化概率，不是后果。它告诉你什么最可能发生，却无法告诉你哪个假设是“承重墙”——错了就全塌。

很多 AI 研究工具会误导人：它们抛出“机会”，其实只是概率高的东西。但“机会”不是中性词，它暗含值得追求、符合目标、取舍合理。

AI 生成的“机会”只是待验证的假设，

不是事实。

决定什么该做、什么值得赌，

永远是人的工作。

假设是判断，需要有人问：“如果这个错了，什么会崩？” AI 没法负责任地回答，因为它不用承担后果。

假设的全景图

产品失败往往不是一个错猜，而是多维度未检验的信念同时出错：

问题假设：这个问题真存在且值得解决吗？

用户行为假设：人们会按我们预期行动吗？

技术假设：我们真能建好、维护好吗？

商业假设：经济模型成立吗？

交互假设：用户能懂怎么用吗？

场景假设：在哪、什么时候用？

时机假设：市场准备好了吗？太早了吗？

集成假设：能融入现有工具和工作流吗？

扩展假设：10倍规模还行吗？

留存假设：第一次用后会回来吗？

渠道假设：怎么被发现？

价值归因假设：用户会把成果归功于我们吗？

每个都是承重墙。错一个就晃，错几个就塌。

AI 可以为这些生成貌似合理的答案，但它无法告诉你哪个最该深挖、哪个风险最大、哪个在暗中破坏一切。这种“元判断”——在哪里集中怀疑——仍是人类的工作。

假设守护者

这就是为什么设计师和研究员正被推向上游。

执行已经廉价：界面、组件、总结、可用性报告都不稀缺了。价值中心转移了。

设计师转向服务设计：思考完整旅程、激励机制、系统而非单一交互。

研究员转向战略洞察：不只报告用户说了什么，而是“我们该相信什么？信心有多大？”

这不是为了转型而转型，而是瓶颈变了。

执行自动化了，判断没有。

设计师和研究员不再只是制造者，他们是“假设守护者”：主动暴露信念、明确命名、框定成可测试的赌注（hypothesis），并承担后果。

别自动化风险

当然，用 AI 自动化分析、合成、文档，随便用。

它适合飞轮中间。

但假设必须由人主动挖掘、明确命名、亲自拥有。

如果你的角色只剩执行，AI 会超过你。但如果你负责框定正确问题、做出后续决策，你就变得更重要，而不是更不重要。

AI 是加速器，不是导航仪。

别把方向盘交给它。

---

原文链接：https://mp.weixin.qq.com/s/h-jgFpyw1UH_l0f99j6dpA

来源：Adnan Khan