本文首发于微信公众号「电商超声波」：原文链接
同样一款AI，有人用它梳理经营问题，有人用它一天生成几十条文案，到了晚上，依然不知道店铺为什么卖不动。
输出越来越快，判断有没有跟上？
这可能是讨论AI效率时，最容易被跳过的问题。对经营者来说，一份方案写得快、写得完整，还远远不够。它得回应真实问题，经得起数据检验，还要适合自己的预算、商品和团队。
所以，AI能否带来高效协作，很大程度上取决于使用者在具体任务上的认知水平。当然，模型能力、数据质量和工作流程，同样会影响结果。
这里的“认知”，可以落到四件事：你怎么定义问题，提供什么上下文，怎样评估答案，以及收到反馈后如何调整。它们都能通过练习改善。
01 你交给AI的第一句话，已经包含了判断
看一个虚构的家居小店案例。
店铺连续两周表现不同：第一周销售额3万元，第二周2.4万元。老板有点着急，打开AI就问：
“最近销售额下降了，帮我想10个爆款营销方案。”
AI很可能给出直播、促销、达人合作、短视频等建议。看起来热闹，也很像一份能执行的计划。
但这句话已经悄悄做了一个判断：问题出在营销不够好。
如果真正的原因是主推商品缺货，继续引流可能只会增加浪费。如果是页面承诺与商品不符，促销可能换来更多退款。
我们可以换一种问法：
“这两周销售额下降了20%。请先帮我拆解流量、转化率和客单价的变化。把已知事实、可能原因、缺失数据分开列出来，暂时不要急着给营销方案。”
两种提问的差别，来自对问题的理解。后者给AI留出了查错和追问的空间。
图1｜面对销售额下降，先拆解问题，再考虑具体方案。
02 上下文决定了AI在回答哪一家店
继续补充这个虚构案例：两周访客数都是1万人，客单价都是100元，成交转化率从3%降到2.4%。为简化演示，假设每位成交访客只下一单，统计口径一致。
这样，销售额就从“10000×3%×100＝30000元”，变成了“10000×2.4%×100＝24000元”。
我们找到了直接变化：转化率下降。至于为什么下降，还没有答案。
同样是1万名访客，可能新增了大量低意向流量；也可能优惠券到期、运费变化、商品评价变差。把转化下降直接解释成“详情页不行”，仍然是在跳步骤。
这时，应该继续补上渠道构成、商品库存、价格活动和售后变化。敏感信息先脱敏，只提供分析必需的部分。
上下文越贴近实际经营，AI越有机会提出有用的比较。缺少这些信息，它只能围绕一家想象中的店铺作答。
图2｜虚构教学示例：访客数和客单价不变，转化率下降带来订单和销售额减少；图标仅为示意。
03 答案越流畅，越需要一把检查的尺子
这里也要说清楚，AI的“认知”与人的认知并不完全相同。本文用这个词，指模型对信息的表征、关联和推理能力，不把它等同于人的主观体验或生活经验。
模型能整理线索、提出解释，但生成的解释仍可能错误。尤其当我们已经认定某个原因时，它给出的顺畅论证，很容易让人放松检查。
哈佛商学院等机构与BCG开展的一项研究涉及758名顾问。在一些适合当时GPT-4能力的任务上，AI提高了工作效率；但在研究设置的一项超出其能力边界的任务上，AI使用者答对的概率低了约19个百分点。这个结果有特定模型和任务边界，不能直接推算今天的电商业务。它提醒我们：同一个工具，在不同环节的可靠性可能不同。
回到小店，检查AI方案时，至少问三句：
-
这个结论对应哪条真实数据？
-
还有什么解释，也能造成同样的现象？
-
如果判断错了，我们会损失什么？
让AI自查可以多一道检查，但最后仍要回到原始报表、真实用户反馈和实际测试。
04 把一次提问，变成一轮可验证的协作
假设小店随后发现，低意向渠道的访客占比明显上升，而各渠道内部的转化率基本稳定。这时，总体转化下降就可能主要来自流量结构变化。
再补一个虚构算例：若高意向渠道转化率为5%、低意向渠道为1%，两周总访客数仍为1万人，只把两类访客占比从50∶50改为35∶65，订单就会从250＋50＝300单变为175＋65＝240单，整体转化率由3%降至2.4%。
接下来可以让AI协助比较渠道表现、检查指标口径，设计一个预算可控的小测试。执行前约定观察周期、主要指标和停止条件，结果不理想就及时调整。
不要只看点击率或成交额，还要看获客成本、毛利和退款。一个“卖得更多”的方案，也可能让店铺赚得更少。
问题定义、上下文、评估、迭代，至此连成了一圈。
人的作用贯穿其中：选择值得解决的问题，决定哪些证据可信，接受多大试错成本。AI可以参与每一步，帮助发现遗漏、整理信息、比较选项。
图3｜虚构补充算例：两渠道各自转化率不变，仅访客构成变化，就能让整体转化率从3%降到2.4%；图标仅为示意。
05 新手也能借助AI，建立自己的判断力
“人的认知很重要”，很容易被误读成：懂得少的人，用AI也没用。
研究并不支持这种绝对判断。
《Generative AI at Work》的2023年NBER工作论文研究了5179名客服人员。按每小时解决的问题数衡量，AI辅助带来的平均生产率提升约为14%，新手和较低技能组约为34%。这是特定客服场景的结果，不能直接当成所有行业的收益预期，但它说明，经验较少的人也可能获得很大帮助。
对于刚开始经营店铺的人，可以这样用AI：
“我还不懂转化率。请用刚才的店铺数据解释，并告诉我这个指标不能说明什么。”
“先问我五个必要问题，帮我发现分析缺了哪些信息。”
“请找一个能推翻当前判断的反例，告诉我该补查什么数据。”
这些问法都能为学习搭一层脚手架。随着我们能独立解释指标、识别假设、核查证据，对AI答案的判断也会更稳。
图4｜先提出问题、补查证据、比较解释，再小范围验证；这是流程示意，不含实测结果。
06 真正值得提升的，是一起把事情做对的能力
今天就可以挑一个正在发生的经营问题。打开AI之前，先写下四行：
我具体想改善什么？我已经知道什么？怎样算做得好？下一步如何验证？
写不清的地方，就请AI协助拆解；暂时无法确定的地方，保留为待验证的假设。
AI降低了获取解释和生成方案的门槛，也让判断的责任更加具体。你可以把更多整理和推演交给它，同时把注意力放在目标、证据与反馈上。
当一次次对话让你更清楚自己为什么做这个决定，协作带来的收获，就已经超出了这一次任务。