当 AI 参与需求分析,设计师在设计什么?
AI 可以快速拆解需求、调用资料并生成结论,但一份完整的分析并不等于可靠的判断。本文从一次需求分析 Skill 的迭代出发,讨论设计师如何区分事实与假设,组织判断依据,并让 AI 的分析过程能够被检查和持续验证。
本期提纲:
• 需求文档写的是方案,设计师要看见背后的问题
• 为什么 AI 总能给出“看起来合理”的分析?
• 如何让 AI 对需求的判断与分析,更可靠?
• 好的需求分析,应该让团队看见什么?
• 设计师真正沉淀下来的,是一种学习循环
• 结语
很快,一份有用户、有场景、有结论的分析生成了。只看结果的话,似乎方法已经跑通。但当遇到一些较为棘手的问题时,继续追问AI,例如“这条判断用了哪项依据”、“为什么这项原则适用于当前需求”时,问题出现了:
有些结论来自 AI 自身的通用推理;
有些观点虽然来自资料,却忽略了适用条件;
还有些表达过于绝对,仿佛一条经验能够覆盖所有需求。
这些答案不一定是错的。真正值得警惕的问题是:这一次看起来正确,究竟是方法可靠,还是 AI 恰好猜对了?这成为我持续思考迭代这个 Skill 的起点。比起让 AI 给出更多答案,更重要的是让判断的依据、过程和边界变得清晰。
文档通常已经写明要增加什么功能、希望达到什么目标,有时还附带用户反馈和初步方案。我们很容易顺着它继续思考用户流程、信息架构和交互界面等等设计工作的开展,却忽略了一个前提:文档描述的往往是:“团队目前想做什么,不一定等于用户真正遇到了什么问题”。
假设,一份需求写着:
事实: 用户正在处理较多内容;
目标: 希望降低阅读和理解成本; 假设: 用户需要自动摘要; 方案: 在产品中增加摘要功能。
如果没有拆开这些信息,我们很容易把尚未验证的方案当成需求本身。后面无论把摘要长度、按钮位置和纠错机制讨论得多完整,都可能只是在认真解决一个没有被确认的问题。
把需求拆解看成一座冰山,水面上是产品背景、产品逻辑、产品目标、功能描述;水面下还有用户场景、真实诉求、约束、风险、判断依据等等隐藏信息。设计师的工作不是立刻把水面上的内容做出来,而是先确认水面下的问题是否成立。
为什么 AI 总能给出“看起来合理”的分析?
1. 无关联性的强行匹配
需求和知识库内容一旦出现相似词语,AI 就把两者强关联起来。结果是不太关联的内容却被关联了起来,且没有确认原则、关联逻辑成立的条件。
2. 无视思考,直接跳过
AI 可以直接给出结论和理由,但未必说得清结论对应哪条需求信息,又是怎样从依据推导出来的。
3. 把“总结”“篡…