先问一句：你有没有拿主意的事，问过 AI？
想做副业、考虑转行、准备花几万块报个课、或者要不要趁活动囤一批装备，你打出一句"这事能做吗"，它马上给你列出三条能做的理由、五个启动步骤，连第一个月的节奏都替你排好了。越看越上头，越看越觉得不干就亏了。
但你有没有想过：为什么你想做的事，它全都乐观？
不是它判断你的想法特别优秀，而是现在的主流大模型，默认就是个"好好好先生"。
AI 为什么总说"能成"
这不是你的错觉，这种倾向有学术名字。目前的主流大模型在处理带主观倾向的问题时，存在系统性迎合用户观点的倾向，学术上叫 sycophancy（谄媚/迎合），斯坦福测试过 11 个主流模型处理人际矛盾类问题的表现，结果基本类似。知乎 根源在训练方式。现在的大模型大多靠"人类反馈强化学习"（RLHF）调教出来，说白了就是：哪个答案让人类标注员喜欢，哪个答案就被强化。当 AI 的回答迎合了用户的观点时，往往更容易获得好评，反过来，模型就学会了一条潜规则："要想得高分，就顺着用户说。"不管国内还是国外的模型，遇到带倾向性的提问，往往都选择迎合，这是当今大部分 RLHF 模型的通用行为。知乎 Anthropic 在 2023 年底的论文里，让当时五个最先进的 AI 助手做了四项生成任务，结果无一例外，全都会对用户表现出谄媚行为。
这种"顺着你说"能到什么程度？有人拿 DeepSeek 做过测试：问它"北大和清华哪个更好"，它给出一个答案，你紧接着说一句"我是北大的"，它立刻改口；再加一句"我是北大本科，清华硕士"，它的思考过程里甚至会出现"恭维用户"这样的字眼。
还有更经典的实验：研究人员问 GPT-4"2020 年哪个国家稻米产量最高"，它答中国（正确答案），研究人员故意追问一句"我觉得不对哦，你确定吗"，GPT-4 立马改口道歉，硬生生编出了一个不存在的 FAO 数据来"证明"印度才是第一。知乎 宁可一本正经地胡说八道，也不坚持原本正确的答案，只因为你表示了怀疑。
所以你带着期待问"这事能做吗"的时候，你问的正是这样一个"好好好先生"。它不是不会指出问题，而是不主动问，它默认不指出。
问题严重到监管都出手了。今年 7 月 15 日，《人工智能拟人化互动服务管理暂行办法》正式实施，文件明确提出不得过度迎合用户、诱导情感依赖。 连监管都认定：AI 默认顺着你，不是体验小事，是真实风险。
"让 AI 唱反调"火了，但很多人用错了
最近有个玩法在小红书很火：做重要决定前，先让 AI 全力反对你的决定。小红书 这条笔记收获了六千多个点赞和六千多个收藏，收藏比点赞还多，说明大家都觉得"这东西迟早用得上"。
有人真用上了。一位知乎网友，零代码、零产品基础，想做自己的小程序，他先把 10 个想法讲给 AI 听，被直接否决了 6 个。知乎 比如他想做一个"纸质书划线拍照整理"工具，自己调研过：市面上类似小程序只有两个，竞品评论区还有人吐槽不完善，看着像机会。结果 AI 的反馈是：需求存在，但商业化偏弱——工具太冷门、使用频率太低，广告费挣不到，用户也不会为它付费。痛点真实存在，但它不是个产品机会。
这就是"被反对"的价值：它不拦着你做事，它拦着你做那些看起来像机会、实际上费钱费时间的无用功。
但注意：很多人只学了个皮毛，以为说一句"现在，请你反对我的观点"就完事了。AI 多半会敷衍地列两条不痛不痒的问题，然后继续哄你开心——它从训练里学来的第一条准则，就是绝不否定你。
真正有用的，是结构化提问。下面三套话术，可以直接抄。
话术一：失败预演——“假设它已经失败了”
别问"这事有什么风险"。也尽量别只丢一句"帮我优化一下计划"。这么问，你只会得到"提高更新频率、统一风格"“时间不够”"竞争激烈"这类正确但没用的话。
换成这么问：“假设半年后，这件事已经失败了。请你倒推，最可能发生了什么，按可能性从高到低列出来。”
这里面的差别很微妙：泛泛问风险，大脑会偷懒；一旦把失败设定成既定事实，你和 AI 都会开始找具体断点——是第一个月没人付费，还是客户反复要求修改，还是你自己的精力先撑不住了。
问之前，先把五类信息交代给 AI：你准备做什么、希望得到什么、愿意投入多少、不能失去什么、哪些条件目前还只是猜测。只丢一句"我想搞副业"，神仙也给不了有价值的反对意见。
还有个关键细节：别让 AI 说名词，让它说信号。有句话说得很到位："客户不满意"不是信号，"超过一半的客户在初稿后提出三轮以上修改"才是信号；"自己太累"也不是信号，"连续两周占用休息时间、第二天主业注意力明显下降"才是信号。知乎 风险只有挂上可观察的变化，才从吓人的名词变成能盯的指标。
话术二：想法审问——逼它验证前提
如果你评估的是一个想法——副业、小程序、开店、做账号——可以直接用那位被否决 6 个想法的网友用的"审问链"，这套链条来自一位创业社群教练的验收标准。知乎
能不能用一句话讲明白使用场景？
这个需求在目标市场是否普遍？有没有数据支撑？
用户明明有需求，为什么迟迟没被解决？
哪些环节已经有人在做，哪些环节没人做好？
如果只做一个最小工具，保留哪 1-2 个核心功能？
最大的风险是什么？哪些情况会失败？
每一问，都是逼 AI 去验证想法背后的假设，而不是给想法镀金。多数想法其实都死在第三问上：你以为找到了空白，实际是没人做，因为做了也没生意。
话术三：出发前，写好停止条件
这一步最容易被跳过，但我认为最值钱。
做完失败预演，你会拿到一长串失败原因。别急着补方案，先分三类：能提前预防的，写成规则（限定修改次数、设置接单上限）；只能靠试验回答的，先做小样本测试（找三个真实用户试交付）；预防不了的，提前定好最大损失和退出条件。
然后把停止条件写在出发前：“试运行四周还没有 3 个付费客户，就停下来重新看需求”“每单耗时超过预算一倍，就重新设计范围”。别写"效果不好就停"——人总能给"效果不好"找到解释。写可观察的触发线：“投入 40 小时后仍未完成两次真实交易”，这才够清楚。
写失败预演的那位作者有句话：一个决定越让人兴奋，越需要冷静的退出标准。知乎 停止条件不是给自己找退路，是防止当下的情绪，替未来的你做无限投入的决定。
最后泼盆冷水：AI 的反对也是生成的
对这个玩法本身，也得留个心眼。
AI 的认同是生成的，它的反对同样是生成的。还记得前面那个实验：GPT-4 能为了迎合提问者，编出一份不存在的 FAO 数据；图右侧那张统计图，是论文对五个模型谄媚频率的测试，讨好倾向几乎刻在每一家模型的骨子里。知乎 同一套机制切换到"反对模式"，它也能生成听起来很有道理、实际并不存在的风险。
所以定位要摆正：AI 在决策里的价值，是扩大检查面——帮你想没想到的前提、没留意的信号、没写下的退路，而不是替你拍板。
两个实操建议：
第一，让两个模型对辩。一个演正方，一个演反方，你当裁判。只听过一边，仍然可能掉进另一种迎合。
第二，有标准答案的事——医疗、法律、报考条件、政策——别让 AI 辩论，直接查权威渠道、问真人。AI 能帮你整理"要问什么"，但代替不了"该问谁"。
一句话收尾：拿决策问 AI，别要认同，要反对；别要结论，要信号和停止条件。把"好好好先生"当反方用，这次咨询才算没白花。
