第七章：问题敏感度

看到与看不到

想象力公式的第一个维度：问题敏感度。

有一个经典的心理学实验叫”看不见的大猩猩”。

实验者让参与者看一段视频。视频里两组人在传球，一组穿白衣，一组穿黑衣。参与者的任务是数清白衣组传了多少次球。

视频播放中途，一个人穿着大猩猩服装从场地中间走过，还停下来捶了几下胸。

结果令人惊讶：约一半参与者完全没注意到大猩猩。被问及时，他们一脸茫然，觉得实验者在开玩笑。重看视频，才惊呼”这么明显怎么可能看不到”。

这个实验揭示一个深刻道理：我们看到什么，很大程度取决于我们在找什么。

参与者专注于数传球次数，大猩猩就”消失”了。不是它太小或太快，而是它不在参与者的注意范围内。眼睛看到了，大脑没有处理。

问题也一样。

世界充满问题——低效、痛点、未被满足的需求、可以改进的地方。但大多数人看不到，就像看不到那只大猩猩。不是问题太隐蔽，而是我们没在”找”。

问题敏感度，说到底是一种”看到”的能力。

有这种能力的人走进一个场景，会本能地注意到这里有问题。别人觉得正常，他们觉得不对劲。别人习以为常的低效，他们觉得不应该这样。

没有这种能力的人，可能在同一场景待很久也看不到问题。问题就在眼前，对他们却是隐形的。

这一章讨论如何培养看到的能力。

一、问题的来源

讨论如何培养问题敏感度之前，先理清一个基础：问题从哪里来？

痛点、低效与未被满足的需求

最明显的来源是痛点——让人痛苦、不便、挫败的地方。“流程太麻烦""系统太慢""界面太难用”——听到这类抱怨，你就发现了一个痛点。痛点容易识别，倾听就能发现。但明显的痛点竞争激烈，很多人都在尝试解决。更有价值的往往是那些被接受的痛点——人们感到痛苦，但已经习惯，认为”就是这样”。这些需要更敏锐的观察才能发现。

另一类来源是低效——明明可以更快更好，现状却不是。低效不一定让人觉得痛苦，但意味着浪费时间、精力、资源。它往往是隐性的，因为”一直都这样做”，没人觉得有问题。但若问一句”这件事为什么花这么长时间”或”这个步骤为什么必要”，可能会发现很多低效之处。低效的难点在于它需要参照物才能被识别——若你不知道”可以更好”，就不会觉得现状低效。见过更好做法的人，更容易识别低效。

还有一类来源是未被满足的需求——人们想要但得不到的东西。这比前两类更难识别，因为涉及”不存在的东西”。人们可能不会直接说”我需要X”，因为他们不知道X可以存在。他们更可能绕弯子表达——“如果有个东西能做Y就好了”，或者”每次做Z都觉得麻烦”。识别这类需求需要想象力，从人们现有的行为和抱怨中，推断出他们真正需要但没说出来的东西。

关键是”看到”

痛点、低效、未被满足的需求，大多就在眼前，被习惯遮蔽了。

习惯是问题敏感度最大的敌人。习惯了某种做事方式，就不再质疑；习惯了某种不便，就不再觉得是问题。习惯把问题变成”正常”，变成”背景”，变成视而不见的东西。

培养问题敏感度，很大程度上就是对抗习惯——重新用新鲜的眼光看那些习以为常的事情。

二、四条培养路径

培养问题敏感度有四条路径，各有侧重，但都在训练同一种能力：在别人觉得”正常”的地方看到问题。在一个领域待得够久，你会看到外行看不到的门道。学会感受他人的处境，视野就不局限于自身经历。对”一直都是这样”保持怀疑，被习惯遮蔽的问题就会浮现。养成追问”为什么”的习惯，表象之下的根本问题才能显露。

三、领域深耕的价值

问题敏感度的第一条培养路径：在一个领域扎得够深。

内行才能看到的问题

很多问题是内行问题——只有在某个领域待得够久的人才能看到。

外行可能觉得一切正常。他们不了解细节，不知道流程复杂性，不清楚从业者面临的挑战。看到的是表面，看不到水下。

内行看到的是完全不同的图景。知道哪些环节是痛点，哪些流程低效，哪些规则不合理。这些是他们每天面对的，是抱怨的对象，是无奈接受的现实——也是AI可以解决的问题。

举个例子。外行看律师的工作，可能觉得就是写合同、打官司。资深律师知道，大量时间其实花在检索案例、核实法条、整理证据材料、撰写格式化的法律文书上。还有与客户沟通解释复杂的法律概念，等待法院的各种流程。这些外行看不到，恰恰是AI可能帮上忙的地方。

医生也是如此。外行以为就是看病开药，资深医生知道大量时间花在病历书写、阅读检查报告、填写各种医疗文书上。还要与患者沟通解释病情和治疗方案，协调各科室安排检查会诊，以及跟上医学进展的继续教育。这些隐形的工作环节，恰恰是AI可能介入的空间。

行业的秘密

彼得·蒂尔在《从0到1》中提到秘密的概念：有些真相大多数人不知道，只有少数人知道。

每个行业都有自己的秘密——从业者都清楚，但外人不知道的痛点和怪象。

这些秘密往往是创新的富矿。它们代表真实存在的问题，而大多数人不知道，竞争相对较少。

怎么发现这些秘密？最直接的方式是在行业里待够久，成为内行，自然会知道这些秘密。另一种方式是和内行深入交流——不是泛泛聊天，而是追问细节：每天工作中最让你头疼的是什么？行业里最不合理的是什么？有什么问题大家都知道但没人解决？

这些问题往往能引出行业的秘密。

非技术背景者的优势

这里有一个对非技术背景者的好消息：你有你的领域。

很多人觉得自己在AI时代没有优势，因为不懂技术。但从问题敏感度的角度看，领域知识本身就是优势。

在医疗行业工作了十年，你比任何AI专家都更了解医疗行业的问题。教育行业亦然，制造业亦然。任何一个你深耕过的领域，你对它的问题都比技术专家更有发言权。

AI专家知道AI能做什么，但不知道你的行业需要什么。你知道行业需要什么，只是可能不知道AI能怎么帮忙。

这种互补性是AI时代的基本格局。技术的价值需要通过解决真实问题来实现，而真实问题存在于各个领域，需要领域知识才能识别。这恰好解释了为什么领域知识在AI时代不会被替代，反而价值放大——第五章已讨论过这个现象。

四、同理心的训练

问题敏感度的第二条培养路径，是同理心——站在他人角度感受困难的能力。

为什么同理心重要

这种能力对问题敏感度至关重要，原因不只是”多一双眼睛”。

若只关注自己遇到的问题，视野会很窄。你只是一个人，处在特定情境中，遇到的问题有限。能感受他人的处境，等于借用更多经历来发现问题——这是第一层价值。

但更深的一层在于：最值得解决的问题，往往是当事人自己说不清楚的。人们能清楚描述的问题，别人也能发现，竞争激烈。真正有价值的问题藏在人们的迁就和忍耐里——他们感到不对劲，却说不出哪里不对。

问卷和访谈能收集说得出的需求，说不出的需求要靠观察和体会。一个注意到用户在某个步骤总会犹豫两秒的产品经理，比收到一百份”建议优化体验”问卷的产品经理，更可能找到真问题。

同理心就是这种感受能力。它帮你捕捉他人的痛点——不只是说出来的，也包括没说出来的。你能感受到的问题越多，敏感度的触角就越广。

真正的倾听

同理心从学会倾听开始。

这听起来简单，但大多数人不会真正倾听。

普通的”听”是这样的：对方在说话，你在想”接下来我该说什么”或”他说的和我想的有何不同”。注意力在自己身上，不在对方身上。

真正的倾听不同：把注意力完全放在对方身上。不想着接下来说什么，不急于评判或回应，只是全神贯注地听。听他说的，也听他没说的。听话语，也听情绪和语气。

这种倾听需要刻意练习。下次和别人交谈时，试试看：对方说话时，把脑子里的”回应准备”暂时关掉，只是听。看看你会听到什么不一样的东西。

观察而非想象

倾听之外，还要观察。

很多人的”同理心”其实是”想象”——“若我是他，我会怎么想”。但这种想象往往不准确，因为你不是他，你的背景、价值观、经历都不同。你想象的”他会怎么想”，可能只是”你在那个情境下会怎么想”。

真正的同理心来自观察。看他实际怎么做、怎么说、怎么反应。不是猜测，而是观察。

观察需要细心。要注意那些容易被忽略的细节：一个表情、一个停顿、一个没说完的句子。这些细节往往透露了表面话语背后的真实感受。

观察也需要时间。一次交流可能看不出什么，但多次交流、在不同情境下观察，会让你对一个人有更深的理解。

表面需求与真实需求

更深一层的能力是区分表面需求和真实需求。

人们说出来的需求，往往不是真正的需求。

这不是说他们在撒谎，而是他们可能没想清楚，或者用习惯的语言表达了实际不同的意思。

一个经典例子：客户说我需要一匹更快的马，真实需求是更快到达目的地。若你只听表面需求，会去培育更快的马；若你理解真实需求，可能会发明汽车。

另一个例子：用户说软件需要更多功能，真实需求可能是现有功能解决不了我的问题。增加功能可能让软件更复杂、更难用，反而背离了真实需求。

哈佛商学院教授克里斯坦森把这种思路发展成了一套方法论：人们购买产品或服务，本质上是”雇佣”它们来完成某个”工作”（Jobs to be Done）。理解了真正的”工作”，才能理解真正的需求。

他举过一个经典案例：一家快餐连锁店想增加奶昔销量，做了大量调研——口味要不要改？杯子要不要大一点？价格要不要调？结果销量纹丝不动。后来研究者换了问题：顾客”雇佣”奶昔来完成什么工作？

答案出人意料。很大一部分奶昔是早晨通勤时买的。开车上班的人需要一个东西打发无聊的通勤时间，填肚子但又不能太饱，单手就能操作，能持续20分钟慢慢喝。香蕉太快吃完，甜甜圈掉渣，咖啡太烫。奶昔恰好满足这些条件。

理解了这个”工作”，改进方向就清晰了：不是改口味，而是让奶昔更稠（喝得更久）、提供更粗的吸管（更方便）、设置快速取餐通道（节省时间）。

区分表面需求和真实需求，需要追问为什么。

你为什么需要这个功能？——因为我想做X。你为什么想做X？——因为我的目标是Y。为什么Y是你的目标？——因为我真正在乎的是Z。

多问几个为什么，往往能挖掘出真实需求。

【实操】Jobs to be Done分析三问

Jobs to be Done听起来学术，用起来却很简单。对于你想要理解的任何需求，问三个问题：

问题一：用户在什么情境下需要这个？

关注情境而非人群。不是问什么样的人需要这个，而是问在什么时候、什么地方、什么状态下需要这个。

奶昔案例中：关键情境是”早晨通勤、一个人开车、需要打发时间”。同一个人在其他情境下（比如带孩子周末出游）对奶昔的需求完全不同。

问题二：用户想要完成什么”工作”？

工作是动词，是用户想要达成的目标或状态。用这个句式：帮我______，这样我就能______。

奶昔案例中：帮我打发无聊的通勤时间，同时填饱肚子，这样我就能不那么枯燥地开完这45分钟。

问题三：现在用户怎么完成这个工作？有什么不满？

用户不会等你来解决问题，他们已经在用某种方式应对。了解现有方案和不满，就知道机会在哪。

奶昔案例中：现有方案包括香蕉（太快吃完）、甜甜圈（掉渣弄脏车）、咖啡（太烫需要两只手）、不吃（上午会饿）。每个方案都有不满之处，奶昔解决了这些不满。

一个练习

选择你身边的一个产品或服务（你自己做的，或你常用的），用三问分析一下：

用户在什么情境下使用它？（具体场景，不是用户画像）
用户想完成什么工作？（用帮我____这样我就能____句式）
用户以前怎么解决？有什么不满？

这个练习做几次之后，你看需求的眼光会不一样——不再停留在用户说要什么的表面，而是追问用户真正想完成什么。

五、对理所当然的怀疑

问题敏感度的第三条培养路径：对理所当然的事情保持怀疑。

一直都是这样的陷阱

问为什么要这样做，最常见的回答是一直都是这样做的。

这个回答其实什么都没说。一直这样做不等于应该这样做。可能当初有合理的原因，但情况已经变了；可能当初就没有合理的原因，只是惯性；可能有更好的方式，只是没人尝试过。

惯性让人停止质疑。低效渐渐变成”正常”，痛点慢慢变成”接受”，问题最终变成”这就是生活”。

要培养问题敏感度，就需要打破这种习惯的遮蔽。

练习：问”为什么”

一个有效的练习：对你每天做的事情问”为什么要这样做”。

今天开了一个会——为什么要开这个会？是必要的吗？能不能不开？能不能用其他方式替代？

今天写了一份报告——为什么要写这份报告？谁会看？他们真的需要这些信息吗？有更简单方式传递这些信息吗？

今天回复了50封邮件——为什么要回复这些邮件？每一封都需要回复吗？有没有方式减少邮件量？

这个练习会让你发现很多就是这样的做法其实没有好理由。你在做的很多事情，可能是历史遗留、可能是惯性、可能是无人质疑的默认。

这些就是问题。

创新来自质疑

很多创新的起点，就是有人问了一句为什么一定要这样。

大多数人对现状习以为常，根本想不到去质疑。但恰恰是这些没人想过要问的问题，往往藏着最大的改进机会。

你不需要创立什么大公司。同样的质疑精神用在日常工作中，一样能发现问题。

对每一个一直这样的做法，问一声为什么。有时答案是确实有好理由，那就继续做。但有时你会发现其实没有好理由——那里就是改进的机会。

六、本质追问

问题敏感度的第四条培养路径，是追问事情的本质。

第一性原理

第一性原理（first principles thinking）是一种追问本质的思维方式：不接受大家都这么说或一直是这样，而是回到最基本的事实和原理，从那里重新推导。

它的核心操作是把问题拆解到最基本的组成部分，然后追问每个部分是不是真的必须如此。

这种思维方式对问题敏感度的价值在于：它帮你穿透表面看到本质。

很多时候，我们以为的”问题”只是表面现象，背后有更根本的原因。只解决表面现象，问题会反复出现；解决根本原因，问题才会真正消失。

【实操】第一性原理三步法

第一性原理听起来高深，但有一个简单的三步实操方法：

第一步：列出所有假设

面对一个问题，先问自己：我对这个问题有哪些假设？把它们全部写下来。

例如，“我们的培训效果不好”这个问题，你可能有这些假设：

培训时间太短
讲师水平不够
学员基础太差
内容太难了
线下培训效果比线上好

第二步：逐一追问”这个假设真的成立吗”

对每个假设，问：这是事实，还是我以为的事实？有证据吗？

培训时间太短？→ 有没有对比过不同时长的效果数据？
讲师水平不够？→ 学员反馈真的指向讲师吗？
学员基础太差？→ 其他机构同样基础的学员效果怎样？
内容太难了？→ 难度测试数据说了什么？
线下比线上好？→ 有A/B测试数据吗？还是只是感觉？

追问后你可能发现：有些假设有依据，有些只是大家都这么说或一直这么认为。

第三步：从确认的事实重新推导

剔除站不住脚的假设，只保留经过验证的事实。然后问：基于这些事实，问题的本质是什么？

例如，追问后你发现：

培训时长和效果无显著关系（假设不成立）
学员反馈集中在”学完不知道怎么用”（新发现）
内容难度测试显示适中（假设不成立）

那问题的本质可能不是培训效果不好，而是缺少实践环节。解决方案也从加长培训时间、换讲师变成了增加动手练习和应用场景。

一句话总结：列假设→逐个验证→从事实重推。这三步能帮你避免在错误的假设上浪费精力。

系统思考领域有一个形象的比喻：冰山模型。水面上的冰山只占总体积的十分之一，水面下才是主体。问题也是这样——我们看到的事件只是冰山一角，下面还有三层：

事件层（水面上）：发生了什么？——客户投诉增加了
模式层（水面下）：这是偶发还是趋势？——最近三个月持续上升
结构层（更深处）：什么机制导致了这个模式？——新系统上线后响应变慢
心智模式层（最深处）：什么假设支撑着这个结构？——系统稳定比速度重要

大多数人只看事件层，遇到投诉就道歉、补偿，治标不治本。能看到模式层的人会发现趋势，但可能归因于客户要求变高了。能看到结构层的人会找到系统原因。而能看到心智模式层的人，会质疑支撑现状的假设——为什么要在稳定和速度之间二选一？能不能两者兼得？

这个模型的价值在于：它告诉你问题还有多深可挖。当你以为找到了原因，问问自己：我现在在哪一层？下面还有没有更深的层次？

不断问为什么

怎么做到本质追问？一个简单方法是不断问为什么。

丰田生产方式的创始人大野耐一开发了一个著名方法：对任何问题，连问五次为什么，通常就能触及根本原因。方法朴素，但威力惊人——它强迫你穿透表象，一层层剥开问题的外壳。

大野耐一自己举过一个例子：

问题：生产线停了。为什么？——保险丝断了。为什么保险丝会断？——电机过载。为什么电机过载？——轴承润滑不够。为什么润滑不够？——润滑泵坏了。为什么润滑泵坏了？——没有定期维护。

五个为什么之后，问题从生产线停了变成了维护体系的问题。解决方案也从换个保险丝变成了建立定期维护制度。

大野耐一说，大多数人看到保险丝断了就换一个，问题暂时解决，但过几天又会断。只有追问到根本原因，才能真正解决问题。

这种追问在日常工作中很有用。下次遇到问题，不要满足于表面原因，多问几个为什么，看看能挖掘到什么更深的东西。

问题分解的另一个视角

五个为什么是纵向挖掘——一层层往下钻。还有一种横向展开的思路，同样有效：把复杂问题拆成若干子问题，逐一攻破。

关键在于拆得好。管理咨询领域有个原则叫MECE（Mutually Exclusive, Collectively Exhaustive），翻译过来就是相互独立、完全穷尽。子问题之间不重叠，加起来能覆盖原问题的全部。

举个例子。公司业务增长乏力是一个大问题。不经分解就讨论，容易陷入混乱——有人说营销不行，有人说产品不行，有人说市场环境不好，各说各的，没有交集。

用MECE思路分解：业务增长乏力，是收入端的问题还是成本端的问题？若是收入端，是客户数量不够还是客单价太低？若是客户数量不够，是获客能力不足还是流失率太高？若是获客能力不足，是触达不够还是转化率低？

这样层层分解，讨论就有了框架。每个子问题都可以独立分析、独立验证。最终答案可能是触达不够，也可能是流失率太高，但至少你知道问题出在哪一支上。

这种分解能力需要练习。一开始可能拆得不够MECE——有遗漏，或者有重叠。没关系，多拆几次就有感觉了。重要的是养成先分解再分析的习惯，而不是面对复杂问题无从下手。

触及真正的目标

本质追问还有另一层含义：触及真正的目标。

我们做的很多事情，是手段而非目的。开会是手段，目的是沟通或决策。写报告是手段，目的是传递信息或证明工作。

若只盯着手段，可能会把手段当目的——为开会而开会，为写报告而写报告。

本质追问帮你回到真正的目的：我们到底想达成什么？有没有更好的方式达成？

比如，团队每周五下午开两小时周会。这是一直这样做的。

本质追问：这个会议的目的是什么？——让大家同步信息、协调下周的工作。目的是否达成了？——部分达成，但会议太长，很多人走神。有没有更好的方式？——也许用文档异步更新，只有需要讨论的问题才开会。

这种追问可能导向流程改进。从每周两小时的会议变成每周15分钟的文档更新+必要时的短会。目的不变，手段更高效。

投资人的经验

投资人Anthony Scilipoti有一个观点，对本质追问很有启发。

他说：AI可以让你更快得到答案，但你需要经验来判断答案的重要性。

他举了个例子。你可以把一份财务报告扔进ChatGPT，问我需要知道什么。AI会给你一个回答——可能是关于收入增长、利润率、负债情况。

这个回答可能是正确的。但它是重要的吗？

没有经验的人可能就此满足了：AI告诉我这些是重要的，那我就关注这些。

有经验的人会追问：这些是标准的关注点，但对于这家具体的公司，在这个具体的行业，在这个具体的时点，真正的问题是什么？也许真正的问题不在财务报表的数字里，而在行业趋势里、管理层的变动里、竞争对手的动作里。

这种判断什么是重要的能力，就是问题敏感度的一种体现。它需要经验，需要对领域的深入理解，需要知道标准答案背后的非标准问题。对具象世界了解得越深，你才越知道什么是关键、什么是噪音——这是所有好判断的前提。

AI可以快速给你标准答案，但不能替你判断答案的重要性。这种判断，是人的工作。

七、培养问题敏感度的实践

把前面讨论的内容综合起来，给出几条可操作的建议。

日常练习

最简单的起步方式是写问题日记。每天记录一个你注意到的问题，可以是工作中的，也可以是生活中的。描述问题是什么，为什么觉得这是问题，可能的原因是什么。每天都在找问题，大脑会逐渐调整到问题敏感模式，开始注意到以前忽略的东西。

另一个练习是对你做的每件事问为什么。不是质疑一切，而是养成追问的习惯。很多为什么会有好的答案，但有些为什么会揭示出问题。

还可以定期用新人视角审视你的工作。想象你是第一天来的新员工，什么会让你困惑？什么看起来不合理？新视角往往能看到老视角看不到的问题。

深入练习

选择一个领域深入进去，不是浅尝辄止的了解，而是真正理解其运作，花时间和从业者交流，了解他们的挑战和痛点。同时也要有意识地了解其他领域怎么解决类似问题——很多时候你领域里的”新问题”，在其他领域早就有了解决方案。若你的工作涉及用户或客户，花时间做深入的用户研究，不是问卷调查那种表面功夫，而是深度访谈、现场观察、跟踪行为。真正的理解来自深度接触。

思维习惯

当所有人都觉得某件事”正常”，问一声”为什么”。正常的不一定是合理的。听到别人抱怨，认真听，别觉得这人就是爱抱怨就忽略了——抱怨背后往往是真实的问题。遇到事情多问几句：这是怎么运作的、为什么是这样、有没有其他方式。每天至少问自己一个”为什么”并尝试回答。追问是问题敏感度的燃料。

发现问题有时候让人不舒服，因为问题意味着改变，改变意味着不确定性。但这种不舒服是值得的。能看到问题，才有可能解决问题。

问题敏感度的迁移

问题敏感度依赖领域深耕，但若你没有特别深耕的领域呢？

坏消息是，问题敏感度确实依赖领域知识。对医疗一无所知，很难发现医疗领域的深层问题。领域知识是敏感度的基础。

好消息是，问题敏感度的思维方式可以迁移。

在一个领域培养的追问为什么、从用户角度看、质疑现状的习惯，可以带到其他领域。你在A领域养成的敏锐，会帮助你更快地在B领域建立敏感度。

所以建议是，先在你最熟悉的领域深耕。你的工作领域、你的专业背景、你的兴趣所在——选择一个你最了解的领域，在那里培养问题敏感度。在熟悉领域，你有足够的背景知识，能识别真问题和伪问题。在那里培养的敏锐思维，可以迁移到其他领域。

当你的问题敏感度在一个领域成熟后，开始有意识地观察其他领域。带着”在我熟悉的领域我会问什么问题”的思维方式，看看新领域。

你会发现：思维方式是可迁移的，虽然具体领域知识需要重新积累。

这也是为什么T型人才模式有效——一个领域深耕建立思维方式，多个领域涉猎扩大应用范围。

看到，然后解决

问题敏感度的价值最终体现在一件事上：看到问题，才能解决问题。AI大模型擅长解决问题，但不擅长发现问题。当”解决问题”可以被AI加速，“发现问题”就成为更关键的瓶颈。

培养问题敏感度，是AI时代的关键投资。它是想象力公式的第一项，也是最需要长期积累的一项。

但看到问题只是第一步。下一步是什么？是知道你有什么工具可以解决这个问题。这就引出想象力公式的第二项：可能性认知。

问题敏感度的本质是一种”看到”的能力。很多问题就在眼前，被习惯遮蔽了。每个行业都有从业者知道但外人不知道的痛点和怪象——这些领域秘密是创新的富矿。而找到真问题，往往需要不满足于表面原因，通过追问”为什么”触及根本。AI可以给你答案，但判断哪个答案重要，仍然靠你。