這篇在講什麼
我很常遇到這個場面。對方想用 AI 整理公司的資料，我問他哪些資料重要，他答不出來。這跟用不用心沒什麼關係，這件事本來就很難憑空講清楚。
換個問法也一樣：「你們的重大議題有哪些」「你希望做出什麼風格」「這份報告的重點應該放哪」。這些問題如果對方能當場答得出來，他大概也不需要找人幫忙了。
我的做法是不問了，直接叫 AI 生一個版本出來，而且明講那個版本很可能是錯的。人看到一個具體的、不順眼的東西，意見就會冒出來。而那些意見，就是原本問不出來的規則。
這篇分三段：
- 第一到第二節：為什麼從零開始這麼難，以及「先給一個錯的」在利用什麼
- 第三到第五節：實際怎麼做，含挑資料的階梯、排序法、把糾正變成規則的三個問句
- 第六節：什麼時候這招不能用
- 你想幫公司或組織導入 AI，但對方說「我們資料很亂，不知道從哪開始」
- 你自己面對一堆檔案，想整理卻不知道先整理哪一份
- 你問客戶要需求，他說「你先做做看，我看了才知道」，你覺得很困擾
- 你是帶人的角色，想把同事腦中那套講不出來的判斷標準，變成寫得下來的東西
- 挑資料的四階遞降法，用在對方說不出「哪些重要」的時候
- 讓 AI 生排序草稿的做法，以及糾正時要問的三個問題
- 把糾正過程留下來、變成下次可以重跑的規則的方法
- 這招的失效條件
一、從零開始很難，看到錯的就有意見
先講一個大家都經歷過、但很少被講開的落差。
同一個人，面對「請你說說看你們最重要的三個議題」會卡住，但面對一份已經排好的清單，他會很快說出「這個怎麼排這麼後面」。
前者要他從一片空白裡面生出結構，後者只要他比對眼前的東西跟心裡的感覺，然後指出差在哪。後面這件事輕鬆太多了。
所以我不會再要求對方從零生出東西。我改成先弄一個具體的版本放到他面前，讓他去挑毛病。
有一句我常講的話：從零開始很難，可是只要能快速生出一個草稿，人看到不順眼的地方就會去糾正。糾正的過程裡面，規則跟邏輯自然就長出來了。
二、對方說「資料很亂、不知道從哪開始」的時候
這是導入 AI 最常見的第一道卡點，而且卡住的通常不是技術。
我遇過的情況是這樣：一個成立二十幾年的組織，累積了幾千份 PDF、簡報、企劃、活動紀錄，全部堆在硬碟跟雲端硬碟裡。你問他要先清哪些，他答不出來，因為在他的認知裡「這些都很重要」。
多數人這時候會想「那就全部清一遍」。這是錯的方向，清幾千份資料的成本高，而且清完之後你會發現大部分用不到。
我的做法是遞降，一階一階往下退，退到他答得出來為止：
- 先問：挑三到五份最重要的就好。大部分人到這裡還是挑不出來。
- 退一階：那就抓最近三個月的。範圍縮小之後，判斷變簡單。
- 再退一階：三個月還是太多，就抓最近一個月。
- 再退一階：一個月還太多，就抓最近一個禮拜的，湊十份出來。
退到最後這階，幾乎沒有人會卡住，因為最近一週有哪些東西，翻一下就知道。
有意思的地方在後面。當這十份東西攤在桌上，對方會開始說「這個不重要，那個才是重點」「這份是給理事會看的，那份只是內部存檔」。
你看，這樣不就知道哪邊重要哪邊不重要了。
這一段的真正目的，是讓對方在具體的東西面前學會挑選資訊，清出那十份只是順帶的結果。這個能力學會了，剩下幾千份他自己就有辦法處理。
三、讓 AI 先生一版排序，你負責不滿意
第二個常見卡點是「重大議題要怎麼定」。這在做永續報告書、年度計畫、產品路線圖的時候都會遇到。
一樣不要問對方，改成這樣做。
第一步：叫 AI 生一版排序。
給它一個明確的參照範圍，讓它有東西可以抓。例如做社會服務類的組織，可以這樣說：
請你參考台灣目前社會福利領域比較受關注的議題，
以及國際上的通用分類，
針對我們這個組織，列出一份重大議題的排序清單。
我知道你不會排得完全正確，沒關係，先給我一版。
每一項請附一句話說明你為什麼放在這個位置。那句「附一句話說明為什麼放在這個位置」很重要。有理由，對方才有東西可以反駁。
第二步：把排序拿給真正懂的人看，只請他做一件事，就是不滿意。
跟他說：你覺得滿意，那就表示這版可以用；你覺得不滿意，就改。
第三步：改的時候問三個問題。
- 這一項為什麼不該在這個位置
- 那它應該在哪裡
- 你剛剛是根據什麼判斷的
第三個問題是關鍵。前兩個問題拿到的是結果，第三個問題拿到的是規則。
如果對方答不出第三題，也沒關係。很多人的判斷來自經驗，當下講不出理由是正常的。這種情況就先讓他單純排序，理由累積幾次之後自己會浮出來。不要為了問出理由而卡住整個流程。
四、把糾正留下來，不然下次還要重來一次
前面三節做完，你會得到一份對方認可的排序，這只是一半。
我自己的習慣是這樣。每次花時間去修正、優化 AI 的產出之後，我會問自己一個問題：這次改的這些東西，能不能做成技能包，或做成一份 SOP。
如果可以，下次同一件事就不用重來。再往前一步，這份 SOP 可以變成一個能自己跑的流程，你只要餵材料進去，它按照你上次教它的標準做完。
具體要留什麼：
- 改了什麼：原本 AI 排第七、你改到第二的那幾項
- 為什麼改：對方講得出來的理由，逐字留下，不要幫他潤飾成漂亮的話
- 判斷順序：如果他提到「我們一定先看利害關係人怎麼想」，這種話就是規則本體
- 例外：他說「這個議題雖然重要，但今年不放」，把原因記下來
這幾樣東西湊起來，就是一份可以交給 AI 的判準。下次你把它貼進去，AI 生出來的第一版就會接近可用。
這也是為什麼我覺得前面那個「先給一個錯的」不吃虧。第一次多花的時間，換到的是一份原本根本問不出來的規則。
五、這套做法的三種常見場景
同一個結構可以換到不同場景，改的是題目跟參照範圍。
幫組織挑資料：先請 AI 依照「這個組織對外要講什麼」列出它最需要的十類資料，對方看了會說「這類我們有很多、那類我們根本沒有」。你就知道實際的資料地圖長什麼樣。
幫客戶做風格：請 AI 依照他的故事給三個差異很大的風格版本，讓他挑。挑的動作本身就是在給你規則。這一段我在另一篇寫得比較細，講的是同一份提示詞怎麼讓三十個人生出三十種版本，可以參考文末的延伸閱讀。
幫自己開始一份不知道怎麼下筆的文件：請 AI 用你給的題目寫一版，明講「我知道會不準，我要的是有東西可以改」。你會發現改起來比從空白開始快很多。
六、什麼時候不要用這招
有三種情況我不會這樣做。
延伸閱讀
- 同一份提示詞，三十個人做出三十種東西：元提示詞怎麼寫，讓每個人長出自己的版本
- 規則檔越寫越長，AI 有照做嗎：規則寫好之後，怎麼確認它真的有被執行
- 抓到 AI 偷懶之後，我把它寫進流程規則：把一次性的修正，變成下次會自動遵守的規則
給讀者的下一步
如果你手邊正好有一件卡住的事，卡點是「不知道要什麼」，今天可以做的最小一步：打開 AI，把那件事講給它聽，然後加一句「我知道你不會做對，先給我一版，我看了才知道我要什麼」。
你會發現自己的意見比想像中多。