利用麦肯锡问题树解决复杂问题
文章介绍了麦肯锡问题树方法,通过Why(找原因)、What(拆解工作)和How(列路径)三种结构化思维模型来解决产品与业务难题。该方法遵循MECE原则,利用AI辅助检查重复和遗漏,帮助团队理清思路,并提升决策质量。
文章介绍了麦肯锡问题树方法,通过Why(找原因)、What(拆解工作)和How(列路径)三种结构化思维模型来解决产品与业务难题。该方法遵循MECE原则,利用AI辅助检查重复和遗漏,帮助团队理清思路,并提升决策质量。
作者认为市面上教写标题的黄金公式和蒸馏大V标题的做法方向都是错的。核心问题是:用户输入的原始内容本身就缺乏吸引力,仅靠事后润色标题,要么无人点击,要么沦为标题党。正确流程是在正文完成甚至开始之前就思考标题:AI 应引导用户说出写作意图和素材,发散出吸引人的角度(即恩特曼的'框架'或修辞学的'争点'),再在变现目标、用户能力和流量层级三者间找平衡。一旦平衡点确定,标题、封面、开头和内容方向便自然解锁。好标题应是内容本身更吸引人的副产品。作者近期将开源一个同时写封面、标题和开头的 skill。
作者分享用 Codex 自动化运营小红书账号的经历。他看到一个小红书账号讲“生活中常见物品的英文名”类内容,于是拆解其选题模型:熟悉的事物+陌生的英文名+好奇心问题。随后将找选题、查名称、写标题、做图、排版等执行环节全部交给 Codex,自己只负责定方向和审核。最终账号获得 105 万曝光、18.4 万观看、封面点击率 17.9%,2 天涨粉 1000。作者总结方法论为:发现→拆解→模仿→迭代,即复制已验证的底层逻辑并用 AI 快速生产自己的内容,大幅缩短从发现机会到落地的时间。
作者以亲身经历阐述产品管理的本质是讲故事而非写规格文档。他从在RealNetworks做工程师讲起,回顾LinkedIn面试时Reid Hoffman提出的经典问题:产品经理的核心产出物是什么?他当年答'规格文档',后来意识到答案是故事——讲述用户将如何使用产品以及它为何重要。AI时代使构建成本骤降,产品开发从'先写规格再开发'反转为'先快速构建原型再设计'。但判断力成本并未降低,决定做什么比以往更重要。原型近乎免费,但真正的产品仍需打磨,产品经理的核心问题从'是否排期'转向'是否符合产品愿景'。
本文是《从不懂到能判断》系列总纲篇,讲述接手陌生任务时最重要的第一步:任务定界。通过工程师周明一个月埋头学习却因未明确任务定义而翻车的案例,指出焦虑往往不来自'我不会',而来自'不知道被要求干什么'。文章提出'任务定界卡'工具,包含五个问题:要什么结果、谁判断成功、截止条件、权限边界、什么不能错。并引入'认知负债'概念——没弄清楚就继续做的代价。最后提醒定界过度和定义者自己也想不清楚的两种失败模式,强调定界是一门谈判的手艺。
文章基于麦肯锡 2026 年 8 月《The state of AI in 2026》报告指出:80% 受访者称 AI 提升了个人生产力,但仅 37% 认为 AI 对组织 EBIT 有正向贡献,高绩效组织仅占约 6%。作者通过职场故事说明,把 AI 当润色器与把 AI 当隐形团队的人差距会滚雪球式扩大。文章提出个人应在组织变革前主动重构工作流、沉淀模板与经验、学会管理 AI 成本、成为责任节点;同时分析中层管理者的尴尬处境、岗位任务被重新切分的趋势,强调未来值钱的是敢为 AI 参与后的结果负责的人,而非只会操作工具的人。
本文探讨了当软件构建成本大幅降低后,产品开发的核心从“能否构建”转向“是否应该构建”。作者以Meta为例,说明其通过借鉴外部成功机制(如Stories、Reels)来理解用户行为,并指出所有软件公司都应建立类似的外部产品实验室。文章强调,关键在于识别功能底层的“机制”(如Pull Request的协作机制),而非简单复制功能。未来,AI将加速这一学习循环,而人类的判断力、品味和对用户行为的深刻理解将变得更加重要。同时,作者警告,构建能力的提升可能导致大量低质量产品涌现,因此严格优先级排序和克制力成为关键技能。