從漂亮答案到真正能用的成果

AI 產出的報告看似完美，邏輯嚴謹、文句流暢，所需資料也整理得井然有序。但奇怪的是，過於流暢反而令人起疑，彷彿在看一座精緻的模型建築，感到格格不入。我們該從何處、如何驗證這份成果？
這種無助感的根源在於 AI 的本質。AI 不分真假，只根據學習資料組合出最合理的句子。AI 的幻覺，即「看似合理的謊言」，不是錯誤，而是 AI 運作的方式。這也是為何不能將 AI 的答案視為完整的「真相」，否則思考主導權將交給 AI。
「提問者」將 AI 答案視為需拆解與驗證的「組裝式建築」，而非完成品。這是批判性提問的第一步——「答案拆解」。所有答案無論外表多華麗，皆由「依據」、「主張」、「假設」三大核心部件組成。逐一拆解並驗證這些部件，才能真正確認建築的穩固性。
第一，解剖成果。用敏銳的目光觀察 AI 答案，找出細微裂縫。「有沒有邏輯跳躍的部分？」「是否使用了不必要的情緒詞？」「有沒有與語境不符的生硬表達？」這種探索如同敲打建築外牆，尋找薄弱點。所有偉大的批判始於銳利的觀察。
第二，只留下骨架。AI 答案愈長愈複雜，愈要抽出支撐整體的唯一核心柱子，也就是「核心主張」。「如果要用一句話總結全部內容，會是什麼？」透過這個問題剔除冗長修辭與附加說明，露出負責結構穩定性的最重要骨架。
第三，帶回安全區。無論多複雜的邏輯，只要結構穩固，轉換成我們熟悉的日常語言時就應通順。「若用我們每天做飯比喻這個邏輯，前後是否一致？」「能否用足球比賽來說明這個策略？」若用簡單熟悉的情境比喻時邏輯出錯，該主張極可能是脫離現實的幻想。
這些批判性提問並非為了否定或不信任 AI，而是透過 AI 這面「智慧之鏡」，讓我們的思考更堅實、更精緻。AI 是提升我們提問層次的最佳對手。在拆解與驗證 AI 答案的過程中，我們學會提出更好的問題，最終磨練出無人能取代的判斷力。

別讓「書桌 AI」的漂亮答案騙了你

AI 愈來愈流利。只要問一個問題，瞬間就能產出數十個看似合理的企劃案。邏輯流暢、依據充分。人們對這壓倒性的文字能力嘆為觀止，彷彿人類專家的席位即將消失。但先暫緩讚嘆，因為領導者必須提出真正的問題：「那看似完美的計畫，能承受現實的重力嗎？」
一項研究為這個問題提供了重要線索。研究團隊為了解決自然語言處理領域的難題，分別讓人類專家團隊和 AI 模型提出研究構想，再由實際研究人員將這些構想轉化為程式碼並進行實驗。在執行前的提案評估中，AI 提出的點子更具新穎性與趣味性；但進入執行階段後，情況逆轉。AI 擅長描繪藍圖，卻不一定理解落地時會遭遇的摩擦。
它說得很好，卻不知道它所說的話所立足的土地有多麼崎嶇。那麼，該如何教導 AI 具備現實感？最好的方法是讓 AI 學習「失敗資料」：專案失敗的原因、因預算超支而中止的企劃案、部門間摩擦導致妥協的紀錄。這些混亂的「摩擦歷史」，正是構成現實的真實資料。
如果沒有足夠的失敗資料，就直接給 AI 套上「現實的枷鎖」。這就是「壓力測試」。當 AI 提出華麗的企劃案時，刻意施加虛擬限制，讓它重新模擬：「你的計畫很完美，但如果明天預算突然削減 50％，你會怎麼做？」「如果核心開發人員在專案中途離職，這個進度要怎麼守住？」「如果銷售團隊拒絕這種新方式，有沒有繞道的辦法？」
「現場 AI」不是資料自動產生的，而是領導者持續提問與驗證所打造。必須刻意讓 AI 假設缺陷與危機情境，並要求它在這些條件下提出可行的備案。比起以無限資源為前提的最佳方案，在有限制條件下仍能運作的備案更具價值。只有生成與驗證、夢想與現實相互制衡的系統，才能過濾掉 AI 空洞的建議。
人類不是坐在書桌前，而是在現場滾動中獲得現實感。被拒絕、碰撞、受挫、收拾殘局的過程中，學會了「可行」與「不可行」的界線。AI 沒有這樣的經驗，這就是為什麼人類必須替它模擬這種缺乏。
未來的競爭力將取決於，是停留在使用「書桌 AI」，還是進化成「現場 AI」。書桌 AI 會描繪美麗的藍圖，現場 AI 則會在資源不足與時間壓力中提出可行的解決方案。只有內化現實重力的 AI，才能成為商業真正的夥伴。
有能力的策略家總是問：「這個，真的能在現場運作嗎？」現在這個問題也應該問 AI，以及對 AI 成果歡呼的我們自己。沒有執行的計畫是無力的，沒有摩擦的策略是幻想。不要被書桌 AI 流暢的言辭所迷惑。通過嚴苛限制，最終存活下來的現場 AI 答案，才是真正能用的答案。

不是叫 AI 完成企劃，而是叫它挑戰企劃

「只要會用 AI 提示詞，策劃不就完成了嗎？」問題不在於提示詞用得好不好，而是問題本身錯了。這場遊戲的主宰者不是熟練操作 AI 的「策劃者」。策劃者擅長在既定戰場設計「如何贏」；真正主宰遊戲的，是重新設計戰場的「建築師」。
策劃者將 AI 當作能幹的僕人，下達完美指令，精確獲得預期成果。建築師則將 AI 視為危險的「對打夥伴」，不是為了證明自己的邏輯，而是用 AI 來打破自己的邏輯。目標不是獲得完美答案，而是找出思考的漏洞與弱點。簡言之，就是用 AI 來打破自我。
第一回合，重新定義戰場。策劃者會解決「提升環保產品購買轉換率 5％」這樣的既定目標；建築師則與 AI 一起檢驗目標本身是否合理。他會問：對目標客群而言，「環保」這個框架是否已經過時？是否有其他更能傳達產品核心價值的新市場框架？策劃者思考「怎麼解決」，建築師則用 AI 先問：「這問題值得解決嗎？」
第二回合，驗證直覺。策劃者相信自己的直覺，建築師懷疑自己的直覺。他會故意要求 AI 尋找能反駁自己假說的資料，並提出與自己直覺完全不同、最出乎意料的潛在驅動因子。將 AI 提出的「潛在觀點」與自身「銳利洞察」融合，才可能創造出無人能模仿的第三種觀點。
第三回合，試驗策略。策劃者用 AI「完成」企劃案，建築師則用 AI「挑戰」企劃案，主動找出其中的弱點。他們讓 AI 扮演魔鬼代言人，從最嚴苛的角度檢驗自己的構想：「請你扮演一位標準最嚴格、眼光最挑剔的創投投資人，根據數據指出這份企劃案最可能失敗的三大原因；接著模擬競爭對手可能採取哪些最具威脅的策略，在市場上徹底擊敗這項企劃。」
完美的計畫不存在，只有經過完美驗證的計畫。AI 不應只是讚美不斷的應聲蟲，而應成為衝向策劃核心的紅隊。唯有如此，企劃才能進入更難被反駁的境界。
如果只是讓 AI 將企劃案順利修飾並感到滿足，只不過是練習遊戲而已。真正的遊戲，是勇敢面對自己與團隊最害怕的問題，質疑所有被認為是標準答案的前提，動用 AI 打破安逸的信念。
向 AI 提出這些尖銳問題的效用，是喚醒無知的自覺：讓我意識到自己不知道什麼，以及自己的想法有多狹隘。未來已經不再掌握在向 AI 下「命令」的人手中。能與 AI 一起找出更好的「問題」的人，才是引領未來的人。現在我必須面對的最令人不安的問題是什麼？從那裡開始，真正的企劃才會展開。

問題設計，不等於要求成果

一位團隊成員提交了 AI 製作的企劃案，完美無缺，從產業趨勢分析到五年財務模擬應有盡有。主管放下報告，問道：「為了做出這份企劃案，你向 AI 提出了什麼問題？」團隊成員無言以對，因為根本沒問過問題，只是對 AI 說：「幫我寫個新事業企劃案。」他既沒思考，也沒質疑。
人人都擁有強大的「汽車」AI，為何有人能更快、更準確抵達目的地？因為駕駛者腦中的「地圖」與「目的地」不同。即使使用相同工具，有人搖搖欲墜，有人則展翅高飛。這就是 AI 時代新核心能力「問題設計」的重要性。
問題設計，是為達成最終目標，將強大但盲目的 AI 工具引導至正確方向，批判性檢驗其成果，並最終加入人類獨有的洞察，創造新價值的全過程。因此，問題即是選擇、觀點、目的與脈絡。AI 可以開啟可能性，但縮小選項、決定方向與承擔責任，仍然是人的工作。
AI 時代真正的價值，在於 AI 無法給予的東西：設定正確方向、大膽刪除無意義事物，並勇於承擔責任。知識如今只是原料，如何運用它創造新的意義與價值，才是勝負關鍵。知道標準答案的人會與 AI 競爭，能進行意義建構的人將引領 AI。

從漂亮答案到真正能用的成果

AI 產出的報告看似完美，邏輯嚴謹、文句流暢，所需資料也整理得井然有序。但奇怪的是，過於流暢反而令人起疑，彷彿在看一座精緻的模型建築，感到格格不入。我們該從何處、如何驗證這份成果？
這種無助感的根源在於 AI 的本質。AI 不分真假，只根據學習資料組合出最合理的句子。AI 的幻覺，即「看似合理的謊言」，不是錯誤，而是 AI 運作的方式。這也是為何不能將 AI 的答案視為完整的「真相」，否則思考主導權將交給 AI。
「提問者」將 AI 答案視為需拆解與驗證的「組裝式建築」，而非完成品。這是批判性提問...

【自序】
人人都有答案的時代，靠什麼拉開差距？

我曾到高雄和台南旅行。豐富多樣的美食與風景，以及兩座城市各自獨特的氛圍，都讓我留下深刻印象。因此，得知我的書將在一直想再次造訪的台灣，以新的語言與讀者見面，對我而言格外特別。
近三十年來，我一直在商業現場觀察行銷、領導力、組織文化與創新，也持續思考工作方式與數位轉型。最近，這份關注進一步延伸到 AI 與人類思考。一路上探討的主題不斷改變，但我始終緊抓著同一組根本問題：我們為什麼要做這件事？現在的方法真的符合目的嗎？為了更接近目的，我們該改變什麼？
每當新技術出現，人們總是先學習怎麼使用。網路如此，行動科技如此，AI 也是如此。率先掌握新工具的人，的確能領先一段時間；但隨著時間過去，工具終究會普及。到了那一刻，競爭的標準便會移到工具之外。

工具不斷改變，真正重要的問題從來沒變

現在，韓國與台灣的職場都正在經歷同樣的變化。從報告、企劃案、市場分析與簡報，到翻譯與內容製作，AI 正迅速成為日常工作工具。不久之前，光是「會用 AI」本身就是一種競爭力；如今，這道門檻正以驚人的速度降低。
所以，我們真正需要的是什麼？是分清楚「工具」與「目的」。工具是協助我們解決「怎麼做」的手段；目的則決定我們「為什麼做」，以及「要往哪裡去」。AI 是非常強大的工具，它讓我們寫得更快、找得更多、比較得更廣。但速度不能取代方向。如果方向錯了，再好的工具，也只會讓我們更快抵達錯誤的地方。這正是 AI 時代更需要拉高視線的原因。
只盯著眼前任務時，我們會問：「這份報告要怎麼做得更快？」往上看一步，我們會問：「這份報告是為了支援什麼決策？」再把視線拉高，我們會問：「我們現在試圖解決的，真的是重要的問題嗎？」
視線的高度不同，問題就會不同；問題不同，看見的問題與選項也會不同。創新，就是從這裡開始。
AI 可以在幾秒內整理資料、寫出流暢的句子、提出多種方案。但也因此出現了一個新的悖論：工作變快了，我們的思考也變得更深了嗎？成果看起來更完整了，我們的判斷也真的變得更好了嗎？
當每個人都能取得平均水準以上的答案，光靠答案本身，就愈來愈難創造差異。答案愈趨同質，競爭力的來源就愈會移到答案之外。
未來真正拉開差距的，不再是誰更早開始使用 AI，而是誰能定義真正的問題、提出什麼樣的問題、判斷哪些資訊該相信、哪些該捨棄，以及最後選擇往哪個方向前進。

AI無所不答，但方向只有我們可以決定

答案的生產正在快速自動化。但這並不代表問題定義、價值判斷、方向選擇，以及對結果負責，也應該一併交給機器。真正的關鍵，是我們要把什麼交給 AI，又要把什麼留在人類手上。
本書介紹的批判性、創造性、策略性、倫理性、反思性與整合性提問，也都源自同樣的思考。這六種提問，不是為了從 AI 那裡取得更好答案的提示詞技巧，而是幫助我們質疑前提、重新定義問題、探索可能性，並建立判斷標準的六種思考視角。
AI 未來一定會把更多事情做得更好。也正因如此，真正重要的，不只是熟練操作工具的能力，而是確立目的、拉高視線、提出更好的問題，並為自己的判斷負責。答案愈容易取得，深度提問就愈稀缺；資訊愈氾濫，決定方向的能力就愈重要。
最後，我想留給台灣讀者一個問題：「我現在正在解決的問題，真的是值得解決的問題嗎？」
如果長久凝視這個問題，它終究會把我們帶回工作與人生的目的：我究竟是為了什麼而做這件事？無論 AI 能給出多少答案，這個問題始終只能由我們自己回答。只有牢牢握住目的的人，最終才能繼續成為工具的主人。

【自序】
人人都有答案的時代，靠什麼拉開差距？

我曾到高雄和台南旅行。豐富多樣的美食與風景，以及兩座城市各自獨特的氛圍，都讓我留下深刻印象。因此，得知我的書將在一直想再次造訪的台灣，以新的語言與讀者見面，對我而言格外特別。
近三十年來，我一直在商業現場觀察行銷、領導力、組織文化與創新，也持續思考工作方式與數位轉型。最近，這份關注進一步延伸到 AI 與人類思考。一路上探討的主題不斷改變，但我始終緊抓著同一組根本問題：我們為什麼要做這件事？現在的方法真的符合目的嗎？為了更接近目的，我們該改變什麼？
每當新技...

前言｜視野的高度，決定提問的深度

第 1 章　提問的起點｜讀懂新世界的規則
AI 回答得頭頭是道，我怎麼知道它是否可靠？把答案拆成「依據、主張、假設」三部分，逐一追蹤、挖掘與檢驗

第 2 章　提問的語言｜透過對話與AI共創平庸之上的答案
AI 什麼都能答，為什麼給不了我真正滿意的答案？改用三種對話式追問：還需要什麼資訊？答案缺什麼資料？問題的核心變數是什麼？

第 3 章　提問的擴張｜從個人的武器到團隊文化
AI 企劃看起來完美，為什麼真正執行就漏洞百出？加入預算、人力、時間等限制做壓力測試，把「書桌 AI」變成能落地的「現場 AI」

第 4 章　提問的進化｜讓AI成為你的策略夥伴
AI 做出的企劃都差不多，怎麼找到別人沒想到的策略？讓 AI 擔任「紅隊」，攻擊弱點、模擬競爭對手反擊，逼出更強的第三種觀點

第 5 章　提問的深度｜關於 AI 無法回答的事
AI 愈用愈順手，我是不是也在不知不覺把思考外包？用「擴張思考／省略思考」檢查 AI 使用方式，保留自己的判斷主導權

第 6 章　提問的設計｜建立AI╳個人的思考地圖
當 AI 連創意、分析、決策都會做，人還剩下什麼不可取代？用整合性提問串起目的、人的判斷與科技能力，主動設計工作與未來

後記｜所以，今天也必須繼續創造
附錄 1｜打破侷限你的自己——今天開始的三個提問
附錄 2｜超越知識，走向洞察——提問者的四階段框架

前言｜視野的高度，決定提問的深度

第 1 章　提問的起點｜讀懂新世界的規則
AI 回答得頭頭是道，我怎麼知道它是否可靠？把答案拆成「依據、主張、假設」三部分，逐一追蹤、挖掘與檢驗

第 2 章　提問的語言｜透過對話與AI共創平庸之上的答案
AI 什麼都能答，為什麼給不了我真正滿意的答案？改用三種對話式追問：還需要什麼資訊？答案缺什麼資料？問題的核心變數是什麼？

第 3 章　提問的擴張｜從個人的武器到團隊文化
AI 企劃看起來完美，為什麼真正執行就漏洞百出？加入預算、人力、時間等限制做壓力測試，把「書桌 AI」變成能落地的「...