定義問題

AI Won’t Turn a Vague Problem Into an Answer: Learn to Define the Problem First

很多人以為，AI 的回答不好，是因為提示詞寫得不夠厲害。

於是開始研究提示詞模板，想辦法加上角色、語氣、步驟、限制條件，甚至請 AI「深度思考」。這些做法不是沒有用，但常常沒碰到真正的問題。

有時候，AI 回答不出你要的內容，不是它不懂，而是你自己還沒有把問題想清楚。

「幫我做一份企劃。」「幫我分析市場。」「這個產品該怎麼改？」「幫我整理會議重點。」

這些話看起來像任務，其實只是把一個很大的模糊需求丟給 AI。AI 可以開始生成文字，卻不知道你真正要解決的是什麼。它不知道這份企劃是要拿給主管看、對客戶提案，還是自己整理方向；不知道你想分析的是市場規模、競爭對手、使用者需求，還是下一季該不該投入資源。

問題還沒被定義，答案通常只會看起來很完整。

這也是 AI 最容易讓人誤會的地方。它能很快把空白畫面填滿，但填滿不等於釐清。當問題本身混亂，AI 只會用流暢的文字，讓混亂看起來比較像一個答案。

先不要問 AI，要先知道自己卡在哪裡

工作裡常說「我需要一個答案」，但實際上卡住的原因可能完全不同。

有時候是資訊太多，找不到重點；有時候是資訊不夠，不能做判斷；有時候是團隊沒有共識；也可能是明明知道問題在哪裡，卻不知道該從哪一步開始處理。

這幾種狀況，都不能用同一句提示詞解決。

假設你正在做一個產品提案，覺得內容一直寫不下去。你可能以為自己需要 AI 幫忙「寫企劃」，但真正缺少的也許是使用者問題、產品定位，或主管希望看到的決策依據。這時候直接請 AI 產出完整企劃，它多半會給你一份結構完整、內容平穩，但沒有真正切中決策需求的文件。

比較好的起點，是先把眼前的困難說清楚。

你以為的問題	實際可能卡住的地方	比較適合交給 AI 的工作
幫我寫企劃	還沒確認提案目的與決策對象	協助列出企劃需要補齊的問題與資料
幫我分析市場	不知道要分析規模、趨勢還是競品	根據分析目標建立研究框架
幫我整理會議	不確定哪些內容會影響後續決策	分出決策、待辦、風險與尚未確認事項
這個產品怎麼改	沒有釐清使用者抱怨的是功能、流程還是價格	將回饋分類，找出重複出現的痛點
幫我寫一封信	不確定這封信是要推進事情、說明立場還是降低衝突	根據目的提供不同語氣與結構的草稿

AI 可以協助整理問題，但前提是你不能把「我現在很亂」包裝成一個看似明確的指令，然後期待它自動理解。

真正有用的 AI 協作，通常從承認自己還沒想清楚開始。

一個問題，至少要有四個部分

定義問題不需要寫得很像顧問報告。你只要能把問題拆成幾個必要的部分，AI 的回答就會開始有差別。

第一個是情境。這件事發生在哪裡？目前有哪些已知條件？誰會受到影響？

第二個是目標。你希望最後得到什麼？是做出決定、完成文件、找出原因，還是準備下一步行動？

第三個是限制。時間、預算、人力、資料、權限，哪些條件不能忽略？

第四個是判斷標準。什麼樣的結果才算有用？你需要的是可直接執行的方案、不同方向的比較，還是把不確定之處攤開來看？

把這四件事放進提示詞，不是為了讓指令變長，而是讓 AI 不要替你亂補空白。

同樣是「幫我分析客戶流失」，下面兩種問法得到的結果會差很多。

模糊問法	有定義問題的問法
幫我分析最近客戶流失的原因。	我們是提供月費制 B2B 軟體服務的團隊，近三個月續約率下降。現有資料包含取消原因、客服紀錄與產品使用頻率，但沒有訪談資料。請先協助區分：哪些是資料已經能支持的觀察、哪些只是可能原因、接下來最值得補做哪些驗證。

前者會得到一串常見原因：價格太高、競爭太多、服務不好、產品功能不足。它們未必錯，但幾乎沒有辦法用來判斷下一步。

後者則把情境、目標、可用資料與限制交代清楚。AI 不需要假裝知道所有原因，而是能協助你整理已知訊號、保留不確定性，並安排下一步該查什麼。

這才是把 AI 放進工作流程，而不是把它當成答案販賣機。

不要讓 AI 幫你決定一個你還沒定義的決定

有些問題表面上是在問建議，實際上是在逃避選擇。

「我該不該做這個產品？」「我該選哪個工具？」「這個策略好不好？」「我應不應該離職？」

這類問題當然可以和 AI 討論，但它無法替你承擔選擇後的代價。它不知道你的資源、人際關係、現金流、工作文化，也不知道有些條件看起來不在文件裡，卻會影響整件事能不能推動。

AI 最適合做的，是把決策拆開。

它可以幫你列出還沒想過的條件、整理不同選項的利弊、找出資料不足的地方，也能協助你把腦中混在一起的期待、風險和限制分開。但最後要選什麼，仍然需要回到你真正重視的事情。

把問題從「你覺得我該怎麼做？」改成「在這些條件下，我有哪些選項？每個選項需要承擔什麼？」通常比較有用。

因為前者把判斷交出去，後者是在建立自己的判斷能力。

AI 最擅長的，不是回答，而是陪你把問題攤開

剛開始使用 AI 時，很容易只拿它做生成：寫文案、寫信、寫摘要、寫企劃。這些工作有立刻看得到的成果，也最容易讓人覺得有效率。

但當工作開始變複雜，真正有價值的往往不是那份初稿，而是 AI 有沒有幫你看見原本沒被說清楚的地方。

你可以請它扮演「問題整理者」，而不是立刻要求它給結論。

可以這樣問：

「我正在處理這件事，但想法很亂。先不要給我方案，請根據以下內容，幫我分成已知事實、我的假設、還缺少的資料，以及真正需要做決定的問題。」

這種問法的重點不在提示詞多漂亮，而是你明確要求 AI 不要太快跳到結論。

也可以在 AI 給出建議後，再追問幾句：

「這份建議裡有哪些前提沒有被驗證？」「哪些部分是根據我提供的資料，哪些是一般性的推測？」「如果資源只能做一件事，應該先驗證哪個問題？原因是什麼？」「這個結論有沒有忽略反對意見或例外情況？」

這些追問不保證 AI 一定答對，但能避免你把它第一輪的流暢回答，直接當成完整判斷。

好問題不是一次寫完，是在來回裡越來越清楚

定義問題這件事，不必做得很正式。

很多時候，一開始只要把自己知道的事情、在意的事情和不確定的事情寫出來，就已經比直接問「怎麼辦」更有幫助。

可以用下面這個方式開始：

要先寫下的內容	可以怎麼想
我現在看到什麼	已經發生的事、手上的資料、明確的限制
我擔心什麼	可能的風險、做錯的代價、自己一直卡住的地方
我想達到什麼	希望推進的結果、需要完成的決定或交付內容
我還不知道什麼	缺少的資料、需要向誰確認的資訊、目前只是猜測的部分
我希望 AI 幫什麼	整理、比較、找漏洞、產出初稿，還是規劃下一步

當你把這些內容交給 AI，第一輪不需要要求它給完美答案。先看它有沒有理解問題、漏掉哪些條件、把哪些猜測誤當成事實。

如果它理解錯了，就修正它。這不是浪費時間，而是協作真正開始的地方。

很多人期待一次提示詞就拿到答案，但現實工作裡，好的問題本來就要經過幾次討論才會浮出來。AI 可以讓這個過程快一些，卻不能跳過你自己的思考。