InnoLab方法论深度评估（自我诊断）
74个方法论的质量体检：识别出12个需要补强的方法，找到弹药库的覆盖盲区
背景InnoLab上线前，邱懿武用InnoLab自身的方法论体系来评估这74个方法——一次严格的自我解剖。问题是：哪些方法真的可以直接用于推演，哪些只是概念展示，哪些有覆盖盲区？
问题不是「哪些方法好用」，而是「这个弹药库在什么场景下会失效，失效的原因是什么」——从工具清单到可信赖的推演系统，差距在哪里。
用消费趋势视角判断74个方法论在当前AI时代的时效性——哪些方法来自红利期，放到AI时代可能已经是错误假设
约有8个方法的核心假设建立在「人力成本高、信息不对称」的旧时代前提上，在AI加速信息平权后，这些方法的适用边界大幅收缩。其中ST04（消费时代诊断）和GN04（老瓶新装）对新时代的适应性最强，因为它们聚焦用户心理而非市场结构。
用L1-L5认知层级给74个方法分层：L3以下的方法只能描述现象，缺乏驱动决策的力量；L4以上的才真正有推演价值
74个方法中，真正属于L4（系统构建）的只有19个，L5（范式重构）级别的有6个（第一性原理、范式转移、蓝海战略等）。剩余49个方法集中在L2-L3，是分析工具而非决策工具——在推演时如果全用L3方法，结论会过于具体、缺乏指导力。弹药库的深度不均衡是最核心的质量问题。
把「使用InnoLab做分析」当成一次用户旅程，找出弹药库在哪个分析阶段最薄弱——是问题识别阶段、方法编排阶段，还是执行落地阶段
最大的覆盖盲区在「执行落地」阶段：现有74个方法有40个以上聚焦在「发现问题→选择方向」，但「具体怎么执行第一步、如何评估执行效果、如何在执行中修正方向」这类问题的方法覆盖只有约18%。用户使用InnoLab后往往知道方向但不知道第一步怎么迈。
InnoLab的弹药库整体可用，但有两个系统性缺陷：一是L4-L5深度方法占比偏低（25%），导致推演容易停在分析层而非决策层；二是执行落地阶段的方法严重稀缺，用户拿到结论后缺乏第一步的路径。需要补充的不是更多L3分析工具，而是执行层框架和深度方法。
- 优先补强执行层方法（EV引擎）：增加OKR落地、项目里程碑设计、A/B测试设计类方法，让弹药库从「分析系统」升级为「全流程推演系统」
- 将19个L4级方法标注为高价值推演锚点，推演时至少调用1个L4方法，否则输出只是描述而非判断
- 对12个评级偏低的方法（主要是信息时效性问题）增加「适用边界」说明，让用户清楚在什么条件下不该用这个方法
- 不要继续往L3层堆砌分析工具（如再加更多SWOT变体、市场分析框架）——弹药库的问题不是量少，是深度和执行层的缺失
用这次自我诊断的结论指导案例选择：优先收录走过「发现→决策→执行」全流程的案例，让案例库弥补方法库在执行层的空白。
你也在做产品决策？
适用场景：方法论体系建设、知识资产质量评估、产品自身定位诊断、AI工具能力边界分析。把你的真实情况输进去，引擎实时推演。