用 AI 做小范围头脑风暴：让点子最后落到能试的一步
“帮我想二十个活动创意”很容易得到一串熟悉的答案：抽奖、优惠券、联名、直播。继续要求“再有创意一点”，数量增加了，选择却未必更容易。作者建议先把目标缩到一个人、一个场景和一个具体困难，再让 AI 帮忙拓展不同方向。
AI生成概念配图
先把题目问得大小合适
Stanford d.school 的官方工具介绍把“How Might We”问题用于组织构思，帮助从不同角度看待挑战。它提供的是设计方法，并没有证明 AI 会自动产生好创意。本文借这个提问思路，设计一套适合个人和小团队的轻量工作流程。
以虚构的“南巷书店”为例，店员观察到周末亲子读书会结束后，很多家长想找相关图书，却不知道从哪个书架开始。比起“如何提升书店业绩”，可以先问：“怎样让第一次参加活动的家长，在离店前找到一本愿意继续读的书？”题目已经指向一个可以观察的过程。
把约束放在桌面上
先列出本轮条件：不改店面布局、店员准备时间不超过半小时、先用现有纸张材料试做。这里的数字只是虚构案例的限制。也要说清已知事实与猜测：家长询问书架位置是观察到的现象，“他们都更喜欢优惠”则只是尚未验证的想法。
接着让 AI 按不同作用提出方案，而不是换着名字重复同一招。比如一个方向帮助寻找，一个方向降低选择难度，另一个方向延续活动体验。每个方向两条就够，先看差异，再考虑扩展。
寻找方向：在活动出口放一张路线卡，指向相关书架。
选择方向：每场只展示三本适合继续阅读的书，写一句选书理由。
延续方向：给家长一张回家可用的讨论卡，并标出对应书目。
发散与选择分成两轮
第一轮暂时保留不同想法，不要求 AI 同时证明每个想法都最有效。第二轮再用同一组问题筛选：需要谁准备、成本来自哪里、现场会多一个什么步骤、最不确定的假设是什么。让方案在相同条件下比较，比看一段漂亮的推荐理由更有帮助。
对“家长一定喜欢”“能够显著提升购买”等说法，要求改成待验证的问题。AI 可以协助排列可能性，但它没有替书店观察过真实家长。也不要让它凭空编出“调查显示八成用户愿意”这样的证据，为某个创意增加说服力。
可直接复用的构思模板
我们要改善的具体场景是：谁在什么时候遇到什么困难。已知观察如下，尚未验证的猜测另列。本轮限制是时间、材料与人员。请从三个不同作用方向各提两种方案，避免仅换名称。每种写清用户会经历的变化、准备工作和一个最大未知。先发散，再按我选定的标准比较，不虚构用户反馈。
用最小尝试结束讨论
书店可以先在一场活动中放置三本延伸读物，并记录家长是否能找到书、在哪一步仍要询问、店员增加了多少整理工作。需要记录什么，应由本轮问题决定；不要一开始就要求完整运营系统。试完之后，把观察补回下一轮讨论，而不是仅问 AI“这个创意是不是成功”。
失败也有边界：若活动人群不同、当天异常拥挤，就保留这些条件，避免把一次结果泛化。最终交付最好是一张试做清单和一个待回答的问题。头脑风暴的价值在于扩大可选路径，然后让现实中的一次小尝试帮助你继续选择。
