我怎么用 AI 做一次行业快扫

「快扫」是我工作里最常见的一类研究：用两三周时间，回答一个具体的管理层问题，比如这件事值不值得投入、从哪里进入、要投多少。它的产出通常是几页结论清楚的材料，而不是一份面面俱到的报告。

这几年我越来越多地用 AI 做快扫，也踩过不少坑。下面用一个虚构的例子，把一次快扫拆成五步，讲清楚每一步里 AI 能做什么、人必须做什么。

虚构的问题：一家设备厂商想知道，二线城市的电动两轮车换电柜，值不值得投入？

第一步：把问题改写成决策问题

「换电柜市场怎么样」是一个研究问题，没法直接指导决策。我会先把它改写成七个决策问题：

1. 客户是谁？
2. 他们为什么买？
3. 钱怎么流？
4. 规模有多大？
5. 谁做购买决定？
6. 我们怎么进入？
7. 要投多少资源？

AI 适合做的： 围绕这七个问题展开议题树，补上你没想到的维度。穷举是它的强项。

人必须做的： 从展开后的议题树里，挑出对决策影响最大的关键议题，控制在六个以内，并排好优先级。七个决策问题是框架，不是每个都值得花同样的力气；真正决定结论的往往只有两三个。

第二步：先写故事线，再找数据

很多研究做不完，是因为先找数据、再想结论：资料越找越多，故事却越来越散。我的做法反过来：先把每一页的标题写出来。

标题必须是结论（哪怕暂时只是假设），而且只读标题就能读出一条因果链。比如：

1. 换电需求集中在外卖和快递骑手，他们按次付费、对等待时间敏感；
2. 市场总量不大，但在骑手密集的城市增长很快；
3. 采购决定权在换电运营商，而不在骑手；
4. 设备厂商的机会在于帮运营商降低单柜成本；
5. 建议先借现有渠道小规模试点，不单独组建销售团队。

这叫故事线，而不是「研究线」。后者按「市场概况、竞争格局、政策环境」排列，读完也不知道该做什么。

AI 适合做的： 生成两三条候选故事线，再反过来给每一条挑刺：哪里的因果关系站不住，哪个假设最脆弱。

人必须做的： 选定一条，并决定接下来最需要验证的是哪几个假设。

第三步：数据口径比数据本身更重要

快扫里最容易出事的不是数据少，而是口径乱。我给自己定了五条规矩：

• 每个数字都写清楚分母。 按台算、按站点算，还是按骑手算？分母不同，结论可能完全相反。
• 新建、存量、改造分开算。 存量净增加不等于新增需求。
• 自上而下和自下而上交叉验证。 两条路算出来差得太远，说明至少有一个假设不对。
• 事实、访谈、估算、假设分开标注。 读者有权知道每个数字有多硬。
• 找不到的数，就写 XXX。 不要为了页面好看编一个「合理」的数字。

AI 适合做的： 检索和整理资料、提取数据、搭计算框架。但我会要求它给出处，关键数字一定人工核对。AI 最危险的地方，是它会非常自信地给出一个看起来合理的数。

人必须做的： 判断来源可不可信，决定用哪个口径，以及在数据不够时接受一个「合理近似」，同时把近似的依据写清楚。

第四步：访谈用来验证假设，而不是收集信息

访谈时间很贵。我的访谈提纲一般不超过五个问题，问题要递进、能直接问出口，而且每个问题都对应故事线里的一个假设。

AI 适合做的： 起草访谈提纲，把录音整理成纪要，从多份纪要里归纳共同点和分歧。

人必须做的： 追问。最有价值的信息，常常在第二个「为什么」之后才出现。

第五步：写成一份能被读完的材料

最后一步是删：

• 标题是结论，并尽量量化；
• 每页只讲一个判断，内容要撑得住标题；
• 不支撑结论的内容，再有意思也删掉；
• 同一个数字不在不同页面反复出现。

AI 适合做的： 精简文字，检查每页标题和内容是否对得上，找出重复和矛盾。

人必须做的： 定语气。AI 写出来的东西很容易变成空泛的「咨询腔」，读起来像什么都说了，其实什么都没说。

AI 做不了的三件事

用了这么久，我觉得有三件事始终要人来做：决定什么重要；在具体语境里判断一个来源可不可信；以及为结论负责。在我的经验里，AI 能把一次快扫从三周左右压到两周左右，省下的主要是检索、整理和改稿的时间；但它不能替你做判断。

时间怎么分配

下面是我常用的节奏，前后两到三周。时间不平均：问题定义和故事线放在最前面，留出最后几天专门删改。

时间	做什么	产出
第 1–2 天	改写决策问题，写出第一版页标题	一页问题定义，两三条候选故事线
第 1 周其余时间	检索资料、统一口径、搭测算框架	自上而下、自下而上两版测算
第 2 周	访谈验证关键假设，修正故事线	访谈纪要，定稿的故事线
最后 2–3 天	删减成稿，对照下面的清单自查	几页结论清楚的材料

一张可以复用的检查清单

• 这个问题能不能用一句话说清楚？
• 只读每页标题，能不能读懂整个故事？
• 每个数字都有分母和来源吗？
• 缺的数据标了 XXX 吗？
• 建议的投入规模，和测算出来的市场规模匹配吗？