AI 時代會用 AI 的已經不值錢了會定義問題的才值錢

In the AI Era, What Companies Lack Is Not AI Experts, but People Who Can Define the Right Problems

這兩年，「AI 專家」變成一個很容易讓團隊焦慮的詞。

有人在研究最新模型，有人在整理提示詞模板，有人在測試 Agent、工作流、自動化工具，也有人每天追著新功能跑，深怕一停下來，就會被下一波技術甩開。

這些探索都有價值，只是回到企業現場，會發現一個反差：工具越來越強，但真正值得解的問題，卻沒有因此變得更清楚。

因為現在的工具很會回答。只要給出一個看起來合理的問題，很快就能列出框架、提出方法、整理案例，甚至寫出一份像樣的計畫。

風險也在這裡。當問題一開始就問錯了，AI 只會更有效率地，把團隊帶向一個看起來完整、其實沒有解到核心的答案。

提示工程很重要，但它不是全部

Prompt Engineering 曾經是 AI 時代最熱門的能力。如何下指令、如何給角色、如何設定格式、如何要求模型逐步思考，確實會影響產出。

只是，很多團隊學到最後，注意力都停在句子怎麼寫。

要不要加上「請你扮演」？要不要拆成五個步驟？要不要要求表格、JSON、摘要或評分機制？

這些是把話講清楚的能力。

更前面的問題是：這件事到底要解什麼？

一家公司說想用 AI 提升客服效率，背後可能是完全不同的問題。可能是人力不足，可能是產品說明太複雜，可能是知識庫過期，只能靠資深同事口耳相傳，也可能是退貨與抱怨很多，卻從未被整理成產品回饋。

這些都可以被叫做「客服效率」，但解法不會一樣。如果問題定義沒有完成，很容易做出一個很會回話的 AI 助理，卻沒有改善客服真正卡住的地方。

AI 讓回答變便宜，問題定義反而更稀缺

過去要得到一份像樣的分析，需要找資料、讀報告、開會討論、整理簡報。執行成本高，反而逼著團隊停下來多想一下方向。

現在不同。AI 可以在幾分鐘內產出市場分析、提案架構、產品定位、競品比較、策略建議，語氣還很有說服力。

這讓「看起來有在思考」變得非常容易。

一份內容完整的報告，不一定代表問題被理解。一份邏輯流暢的策略，不一定能落地。一個被整理得很漂亮的結論，也不一定接近現場。

AI 不會自動知道組織裡有哪些資訊沒被放進去。也不會知道某個產品雖然看起來有市場，但供應鏈撐不起來；某個客戶抱怨的表面原因，背後其實是交期、售後或操作流程的問題。

除非有人先把這些條件找出來，放進問題裡。

所以在 AI 越普及的團隊裡，最稀缺的能力，不是更快得到答案，而是在答案出現前，先把問題看清楚。

定義問題，不是把問題寫得更漂亮

問題定義很容易被誤會成一種簡報技巧。把模糊需求改寫成一句完整句型，把目標、使用者、痛點、限制填進表格，得到一個專業的 Problem Statement。

這有幫助，但真正的問題定義沒有那麼乾淨。

通常要先接受一件事：一開始聽到的需求，往往只是某個位置感受到的表面現象。

主管說營收停滯，可能認為是行銷曝光不夠。行銷覺得是產品賣點不明確。產品團隊認為是市場需求變了。製造端知道成本壓不下來。客服則每天都在處理同一種使用障礙。

每一邊都沒有完全錯，只是站在不同位置。

定義問題的工作，不是快速選一邊相信，而是把碎片放在一起看。哪些是原因，哪些只是結果？哪些是單一案例，哪些持續發生？哪些數字漂亮，卻掩蓋了更麻煩的現實？

這需要資料，也需要回到現場。有些斷點在報表裡看不出來，必須去看使用者怎麼操作、客服怎麼結案、業務怎麼解釋、工廠怎麼妥協，才會浮現。

AI 可以整理訪談、分類回饋、比對文件、找出重複詞彙，但無法代替判斷：眼前這些訊號，是否值得投入資源處理。

一個好問題，必須裝得下現實條件

很多策略在紙上都很合理。做更高規格的產品、增加更多功能、把流程全面自動化、建立全公司 AI 知識庫，聽起來都有方向。

但一個能執行的問題，必須裝得下現實。

毛利夠不夠？供應商能不能配合？資料是否完整？現場是否願意改變流程？使用者會不會因為新功能更難上手？客服、維修、退貨與教育成本是否一起算進去？這件事要花多久才能看到結果？

這些條件不夠浪漫，也很少出現在工具展示裡。但產品能否活下來，轉型能否持續，往往就卡在這裡。

如果流程本來就混亂、資料本來就不完整、權責本來就不清楚，AI 可能只是讓更多人更快碰到同一個問題。

它能讓會議記錄整理更快，卻無法讓沒人負責的待辦自動完成。能把對話分類，卻不能替公司決定是否修正產品。能協助預測需求，卻無法消除庫存、交期與供應風險。

好的問題定義，正是把這些限制一起帶進來，而不是假裝不存在。

現場最常見的工作，是把混亂變成可以討論的東西

有些團隊很擅長做答案。能很快提出方向、做出提案、建立模型、把工具接起來。在快速變化的環境裡，能動手的人永遠有價值。

但在顧問現場，更常被需要的，是另一種工作。

團隊明明很努力，結果卻一直不對。不同部門開了很多會，彼此還是聽不懂。所有人都知道問題存在，卻沒人能講清楚卡在哪裡。

這時候需要回頭看，資訊是在哪一段斷掉的。

是使用者需求沒回到產品端？是產品決策沒考慮製造與服務成本？是資料很多，卻沒有共同定義？還是大家都在解局部問題，卻沒人看整條流程？

AI 在這裡很適合作為協作工具。把散亂資料聚合，把不同來源紀錄整理成可討論的樣子，快速產生幾種假設，協助檢查是否漏掉條件。

但最後仍需團隊決定：哪些問題值得解，哪些代價可以承擔，哪些事不能只看效率。這是工具無法替代的責任。

從模糊需求到可執行問題的問題定義流程圖

階段	常見狀態	問題定義要做的事
表面需求	想提升效率、想導入 AI、想增加營收	先確認真正困擾的是誰
收集現場訊號	各部門都有不同說法	整理使用者、客服、產品、製造與營運資訊
找出核心問題	資料與觀察彼此矛盾	分辨原因、結果、例外與長期趨勢
放入現實條件	方案看起來都可行	納入成本、毛利、交期、資料品質與人力限制
建立可驗證假設	開始做 AI 或產品方案	設定使用情境、衡量方式與責任歸屬