昨晚凌晨三点，我盯着屏幕，咖啡都凉透了。手里这份报告，差点让我把电脑砸了。

事情是这样的。客户让我用大模型写个市场调研。我偷懒了，直接扔了一句话：“帮我分析下，如果一家初创科技公司，在一线城市，主打高端智能硬件，它的用户画像是什么？”

结果呢？AI给我整了一堆高大上的词。什么“高净值人群”、“科技极客”、“追求极致体验”。看着挺美，但我心里直打鼓。这太顺了，顺得有点假。

这时候，我想起了那个让我掉坑里很久的概念：chatgpt合取谬误。

啥叫合取谬误？简单说，就是人（包括AI）总觉得“几个条件同时满足”的概率，比“其中一个条件满足”的概率还要大。或者反过来，AI为了迎合你，把几个看似合理的特征强行拼在一起，造出一个看似完美、实则离谱的“典型用户”。

我当时的prompt，其实隐含了一个假设：一线城市+高端硬件+初创公司，这三者叠加，一定指向那类“高冷精英”。但现实是，一线城市里买高端硬件的，可能是为了送礼的中产，也可能是为了炫耀的网红，甚至可能是帮老板采购的行政。AI把“可能性”当成了“必然性”，这就是典型的合取谬误。

我气得想骂娘。这9年里，我见过太多同行，包括我自己，都栽在这上面。我们太信任AI的逻辑了，以为它算得准。其实它只是在算概率，而且是被训练数据带偏的概率。

那咋办？别慌。我也踩过无数坑，总结了几招，亲测有效。

第一步，拆解变量，别搞大杂烩。

别一上来就扔长难句。把“一线城市”、“高端硬件”、“初创公司”拆开。先问：“一线城市购买智能硬件的人群分布是怎样的？”再问：“高端硬件的核心痛点是什么？”最后再组合。这样能避免AI直接给你一个“刻板印象”的结论。

第二步，反向验证，逼它承认不确定性。

我在prompt里加了一句：“请列出上述用户画像中，最不符合该描述的反面案例。”或者“这个结论在什么情况下可能不成立？”这一招特别管用。AI一旦开始思考“反面”，它的逻辑链条就会断裂，那些华而不实的废话就会少很多。你会发现，它开始说“不一定”、“可能”、“视情况而定”。这才是真话。

第三步，引入具体场景，增加颗粒度。

别问“用户是谁”，要问“用户在什么场景下使用”。比如，“一个28岁的互联网大厂员工，加班到晚上10点，回到家拿起这个智能音箱，他最关心的是什么？”场景一具体，AI就没法用那些宏观的、正确的废话来糊弄你。它得去猜那个累成狗的年轻人，可能只想听点白噪音，或者问句天气。

第四步，人工复核，别当甩手掌柜。

这是最笨，但也最有效的方法。把AI生成的结论，拿去和你的业务常识对对。如果它说“所有高端用户都注重隐私”，你想想，你那个卖智能门锁的客户，他的用户里有没有那种为了面子不在乎隐私的土豪？如果有，那AI就错了。

我最近就在做一个SaaS项目的用户调研，差点又犯了老毛病。后来我用了这套方法，把“合取谬误”的风险降到了最低。虽然多花了半小时，但客户那关终于过了。

记住，AI不是神，它只是个概率机器。它喜欢走捷径，喜欢把几个高概率事件强行绑定，这就是chatgpt合取谬误的根源。咱们做这行的，得时刻保持警惕。别让它替你做决定，让它帮你找线索。

下次再遇到那种“完美得挑不出毛病”的回答，先别急着复制粘贴。停下来，问自己一句：这真的符合现实吗？还是只是AI在搞“合取”游戏？

这行水很深，但也很有趣。多踩坑，多反思，才能少走弯路。希望这篇帖子，能帮你避开那个让我熬夜到三点的大坑。

本文关键词：chatgpt合取谬误