图表已经画好了，介绍页也做好了，只差把客户数据接进来。
如果这时才发现关键数据根本导不出来，前面的“只差一步”，可能就是整个方案最难的一步。
我们很容易先做看得见的部分。界面能展示，功能能演示，完成之后有进度感。至于资料能否取得、使用是否得到授权、客户是否愿意改变流程，这些问题不那么好展示，却可能决定后面的工作有没有意义。
创业验证里有一种“反证优先”的思路：先关注那些一旦不成立，就会让当前方案走不下去的条件。它让投入的顺序跟着问题的重要程度走。
David J. Bland提出的假设映射方法，也是按重要性与现有证据来理解项目的前提。方法来源
设想一个库存预测工具，模型设计得很完整，但它依赖商家过去半年的销售和退货记录。如果目标商家普遍没有保存这些记录，或根本无法提供，预测算法再精细也暂时没有足够输入。这个假设场景里的主要障碍，出现在算法运行之前。
不过，“还没拿到”与“确实拿不到”不能混在一起。联系人没回复、找错负责人、导出步骤还没弄清，都可能让事情停住。一次碰壁不足以证明整条路走不通，反证也需要事实支持。
同样，发现某个条件不成立，结论不一定是整个方向都错了。也许换一类有规范记录的客户就不同，也许减少输入后还能提供一个较窄的结果。失败所发生的位置，决定它能说明多大范围的问题。
我觉得这对理解AI项目很有帮助。一个展示很流畅的系统，通常隐含了许多已经成立的前提：资料齐全，字段一致，使用权限明确，结果有人判断。把它搬进真实工作，前提未必会一起搬过去。
所谓早发现问题，并不是为了给机会泼冷水。它只是让人更早知道，现有判断是靠什么支撑的。
那份没有拿到的表格，有时比已经完成的十张页面更能说明项目处在什么位置。知道究竟卡在这里，才不会把“数据条件不满足”，误写成“AI不行”或者“客户不懂”。