复杂度的来源可能是不合理的设计，当软件变得复杂， 第一个着手点是看能否简化流程和逻辑，当发现流程已无法缩短、模型不适合简化之后，这时才能尝试用智能化来降低复杂度。如果一开始就使用智能化来掩盖复杂度，反而失去了解决系统中存在的底层问题，最后积重难返。比如 Gmail 虽然是一个很好的邮件工具，通过搜索来找到需要的邮件，但是邮件的数量却没有因此减少，反而变得更多，邮件本身的问题是底层的设计问题，强大的搜索和大存储反而是在恶化问题。 用导致问题产生的思维来解决问题 ，似乎很难有突破性方案。
对此我冒险用一个生活化的例子来帮助理解，比如家里厕所马桶常用的芳香剂来掩盖臭味，但其实有臭味，正是因为有不干净的地方，而符合逻辑的不是应该清洁干净吗？用芳香剂来掩盖臭味并没有解决真正的问题。
近 1 年有许多的探索 AI 落地场景的应用。我观察到有一些所谓 AI 应用，其本身的业务合理性并不充足，试图用 AI 来 cover 其本质性工作（essential task），但是目前的 AI 能解决的大部分依旧是附属性工作（accidental task）。如果本身业务没做好，上 AI 也没有用，就像海德格尔说的：技术会照亮某些东西，技术也会遮蔽某些重要的东西。一个技术越强大，越是如此。