Cynefin 框架
Dave Snowden 提出的决策框架，将工作场景划分为清晰域、繁杂域、复杂域、混乱域四类——不同场景对应不同的因果逻辑与应对策略，可用于区分 AI 的有效应用范围与人工判断的核心价值场景。
简介
Cynefin（发音 kuh-NEV-in，威尔士语意为”栖息地/环境”）框架由 Dave Snowden 提出，是一套”感知—应对”（sense-making）问题的决策体系。它把所有工作场景划分为四类域，每类域对应不同的因果逻辑（cause-and-effect）、应对策略（probe/sense/analyze/act）与决策方式。
Cynefin 框架的核心价值在于：它不告诉你要做什么决策，而是告诉你在什么类型的场景里应该用哪种决策方式。产品经理可以借此判断”这个任务是 AI 能做的、还是必须人做”——因为不同类型的场景，AI 的适配度差异极大。作者将该框架适配产品工作场景后得出一个清晰的映射：AI 在清晰域基本全覆盖，繁杂域能高效辅助，复杂域仅有限作用，混乱域基本无法适配。
随着 AI 能力边界持续扩张，以前需要人工逐条梳理的繁杂工作（如竞品分析）正在转化为标准化的清晰任务——这意味着 AI 可替代的标准化工作持续增多，而仅靠人工可完成的工作逐步收缩至复杂域与混乱域，后两者正是产品判断力、隐性知识高度集中的核心领域。
关键信息
核心特性
定义：Cynefin 框架是一套按”因果关系可理解程度”划分场景类型的决策框架，用于匹配场景类型与应对策略。四域划分如下：
- 清晰域（Clear / Simple）：因果关系显而易见，最佳实践已知。应对方式为”感知—归类—应对”（Sense-Categorize-Respond）。
- 繁杂域（Complicated）：因果关系可分析，但需要专业知识来梳理。应对方式为”感知—分析—应对”（Sense-Analyze-Respond），依赖专家与好实践。
- 复杂域（Complex）：因果关系只能事后理解，答案只能通过试验涌现。应对方式为”探针—感知—应对”（Probe-Sense-Respond），依赖模式识别。
- 混乱域（Chaotic）：因果关系完全不可知，系统处于失序状态。应对方式为”行动—感知—应对”（Act-Sense-Respond），先行动稳定局势。
核心组成 / AI 适配映射（产品工作场景）：
| 域 | AI 适配度 | 对应判断层级 |
|---|---|---|
| 清晰域 | 基本全覆盖 | 执行判断（AI 主导、人工校验） |
| 繁杂域 | 高效辅助 | 协同判断（人机共判、人工主导） |
| 复杂域 | 有限作用 | 元判断（人工主导、校验 AI） |
| 混乱域 | 基本无法适配 | 经营判断（隐性知识集中区） |
典型应用：
- 竞品分析从”人工逐条比对”（繁杂域）迭代为”AI 自动生成对比矩阵”（清晰域）——这是 AI 能力边界扩张、繁杂域向清晰域迁移的实例
- 复杂域与混乱域的判断工作（产品方向选择、跨部门博弈、混乱场景下的决策）早已超出单纯的项目管理范畴，更贴近企业经营决策——产品方向选择决定企业资源投放，跨部门博弈本质是组织利益分配
常见误区：把四域理解为静态标签。四域边界是动态的——随着 AI 能力扩张，原本的繁杂域会持续向清晰域迁移（竞品分析即典型），因此”仅靠人工可完成、AI 无法适配”的工作范围会不断收缩到复杂域与混乱域。产品经理的核心竞争力不在于掌握已被 AI 普及覆盖的标准化方法论，而在于长期深耕复杂、混乱的业务场景、积累隐性模式识别能力。
不同素材中的观点
- 2026-10-02-woshipm-ai-pm-competitiveness-judgment（Roxana，人人都是产品经理）：本文第三个核心框架。作者结合多个业务项目把 Cynefin 适配到产品工作场景，核心观点：① 四域 × AI 适配度映射（清晰域全覆盖 → 繁杂域高效辅助 → 复杂域有限作用 → 混乱域无法适配）；② AI 能力边界持续扩张，繁杂工作不断转化为标准化清晰任务（竞品分析从人工比对 → AI 自动生成对比矩阵）；③ 仅靠人工可完成的工作逐步收缩至复杂域与混乱域，这两类场景是产品判断力、隐性知识高度集中的核心领域；④ 从踩坑复盘得出——PM 的核心竞争力不在熟练掌握标准化方法论（已被 AI 覆盖），而在长期深耕复杂、混乱业务场景积累的隐性模式识别能力（经历大量跨部门协作、项目危机、方向抉择的从业者能精准预判协作风险、把控混乱场景处理节奏、识别隐性业务隐患）；⑤ 复杂域与混乱域的判断工作更贴近企业经营决策，是经营判断的领域。
相关资源
- 原始出处：Dave Snowden 的 Cynefin 框架（The Cynefin Company / Cognitive Edge）
- 相关素材：2026-05-11-skill-sop-for-ai（知识/技能分层与隐性知识显性化）