上一篇万字长文，我写了用AI辅助完成一个企业战略规划的完整方法论。核心发现是，通过Claude Code的Find Skills功能安装了13个方法论技能包，AI从信息搜集工具变成了按框架做分析的咨询助手。
那篇文章的结论我很满意。找到合适的技能，AI就能做更好的咨询。干净利落，逻辑自洽。
但写完之后我一直在想一个问题：这就是天花板了吗？如果技能已经到位，还有没有别的方式，能让它做得更好？
AI的一次诚实自评
项目五个步骤全部完成后，我做了一次例行的技能更新检查。除了find-skill，我又增加了planning-with-files 和 agent-teams-playbook。
然后，我问AI： "你觉得你现在的能力是不是原先的版本更高级了？你现在可以做出比之前更好的工作内容吗？"
我预期它说"是的，现在更强了"。
AI没有。它给了一个非常坦率的分析：对这个项目的实际影响有限。理由是：战略规划不是多Agent编码任务，升级一个为软件工程设计的编排工具，对咨询项目几乎没有增量；真正有用的McKinsey Consultant、CEO Advisor这些技能都没有更新；最关键的是，决定输出质量的不是技能版本，而是对业务的理解深度和分析的逻辑严密性。
这个回答让我没想到。我一直在工具层面寻找提升。找希望能够给AI加载更多技能、升级最新版本、持续优化编排，但AI在告诉我，瓶颈根本不在工具。
于是我追问了一个不同方向的问题："如果我想把这个规划做得更好，你有什么建议？不是技术上的提升，是思想上和对任务构思上的提升。"
AI没有直接给建议，而是提出了三个让问题：
- 这份规划解决的到底是谁的问题？
- 精品化定位是一个"发现"还是一个"希望"？
- 这份规划能不能被反驳？
每一个问题都指向我在整个项目中从未认真思考过的盲区。而这三个问题的背后，指向了两个根本性的能力缺口。
第一个能力缺口：对抗性思考
回看整个规划过程，有一个结构性的问题，所有的思考都是从头到尾是单一视角的。一个AI加一个人，形成共识后逐步推进。
这个过程看起来很顺畅，但顺畅本身可能就是问题。好的战略讨论应该有冲突、有质疑、有推翻。而我和AI的协作模式恰恰缺少这个。我们在一个精心构建的、内部自洽的框架里越走越深。每一步逻辑上都说得通，但内部自洽不等于与现实一致。
更深层的风险在于，AI做研究时，天然倾向于找到支持假设的证据。你搜索细分赛道机会，必然能找到支撑材料；搜索大企业碾压小企业，同样能找到支撑材料。搜索行为本身已经预设了结论方向。AI会用专业的格式和严密的逻辑呈现这些证据，让一个未经检验的假设看起来越来越像一个已经证实的结论。
效率高的确认偏误，比低效率的确认偏误更危险，因为它产出的报告看起来更专业、更完整、更有说服力。
怎么对抗？最理想的做法当然是找一个真正了解业务的人来挑战这份规划。但如果不具备这个条件，可以通过三种结构化方法来弥补：
- 假设审计。把规划中所有显性和隐性的假设提取出来，按"关键程度×置信度"分级。重点攻击关键程度高但置信度低的假设。它们是整个规划最脆弱的地基。
- 预验****尸。不问"会不会成功"，而是假设三年后规划已经失败了，从多个视角分别写一份失败复盘。哪些失败原因被多个视角同时指出，那些就是真正的高风险点。
- 钢人论证。不是随便找几个反对理由，而是构建支持相反结论的最强论证。如果规划结论是"走精品化路线"，就让AI全力构建"走规模化路线"的最强理由。如果最强的反面论证也站不住脚，原结论才算真正站住了。
三种方法的共同点是在系统性地寻找我的方案可能在哪里是错的。
第二个能力缺口：从"做文档"到"做决策"
战略规划的常见交付模式是：分析→写文档→排版→交付。但规划真正产生价值的方式不是被阅读，而是被用来做决策。
一份十万字的规划文档，如果管理层读完之后不知道明天第一件事该做什么，这份文档的价值就打了折扣。
具体做法是从规划中提取必须在近期做出的具体决策，每个决策给出选项、推荐理由、和"如果选错了的信号"。
决策卡片格式
────────────────────────────
决策主题：[具体选择]
选项A：[方案] —— 理由：[依据]
选项B：[方案] —— 理由：[依据]
推荐：[哪个] —— 因为：[关键判据]
如果选错了的信号：[可观测的指标]
最晚决策时间：[日期]
这比规划正文更有用——因为它逼迫人做选择。而战略的本质就是选择。
同样的思路，还可以补上两个原规划从未产出但更有执行价值的交付物——假设监控仪表盘（核心假设→可观测指标→预警阈值，连续两个季度触发则启动战略复审）和应急预案（前三大风险各一份"如果发生了怎么办"）
把思维能力编码为可重复调用的技能
认识到这两个能力缺口之后，一个自然的问题是：能不能把它们从一次性的思考变成可重复调用的能力？
上一篇文章的方法论是找到现成技能并安装。这一次不同，没有现成的技能，需要自己创建。
我把对抗性思考和决策提取编码为一个新技能Strategic Stress Test（战略压力测试）。
战略压力测试 —— 四阶段协议
────────────────────────────
阶段1：假设审计
"我们以为是事实的东西，哪些其实是猜测？"
↓
阶段2：预验尸
"如果三年后失败了，最可能因为什么？"
↓
阶段3：对抗性挑战
"反对这个方案的最强理由是什么？"
↓
阶段4：决策提取
"这份文档到底要求我们做哪些选择？"
设计原则是诚实优先于舒适。它的工作就是找方案的问题，而不是确认方案很好。
这里有一个变化值得注意。上一篇文章里，战略规划的写作是线性的单Agent工作。但现在它有了真正适合的场景：多视角预验尸。从四个不同视角同时写失败故事，天然适合并行agent-teams-playbook。
回看从上一篇文章到这一篇文章的过程，有三层递进的认知变化。
- 第一层是工具发现。找到合适的技能，AI就能做更好的咨询。这不算错，但停留在"让AI做得更好"的层面。
- 第二层是工具的局限。技能升级了，AI诚实地说帮助有限。决定质量的不是工具版本，而是思考质量。
- 第三层是从技能升级到思维升级。AI辅助战略咨询最大的风险不是能力不足，而是确认偏误的系统化。对抗这个风险需要的不是更多技能，而是一套结构化的自我质疑方法。而这套方法本身，又可以被编码为一个新技能。
这就形成了一个完整的循环：用AI做咨询→发现局限不在工具而在思维→把新的思维方式编码为工具→用新工具来对抗旧工具的局限。
如果你也在用AI做战略性的工作，不限于五年规划，包括商业计划书、投资分析、市场策略，有三个做法可以立即用上：
- 完成初稿后，假设它是错的。不要问这个方案好不好，而是问如果失败了，最可能因为什么。
- 把所有陈述句变成选择题。"我们将聚焦X领域"改成"在X和Y之间，我们选择X，因为___；如果出现___情况，我们会重新考虑"。
- 区分"AI找到了支持证据"和"这个结论被验证了"。真正的验证需要反过来，让AI尽全力反驳你的结论，如果它反驳不了，结论才算站住脚。
本文基于一个真实的AI辅助战略咨询项目。项目使用Claude Code作为核心工具，通过Skill生态系统扩展AI的专业咨询能力。文中涉及的具体企业信息已做脱敏处理。