104學習

104人力銀行 / KPMG_安侯建業聯合會計師事務所 / 【顧問部】高級顧問師 (新興科技資安技術)-319319 / 符合度分析
【顧問部】高級顧問師 (新興科技資安技術)-319319 KPMG_安侯建業聯合會計師事務所
履歷符合度:
登入計算

性格適合度:

職缺要求技能

未具備

PowerPoint

測驗

顧問服務

Outlook

測驗

人工智慧

測驗

資安技術

物聯網

資安

測驗

檢測

已具備

數據分析

測驗

產品開發

英文

有已符合的經歷忘了填寫嗎?記得定期 更新履歷

學習推薦

104學習

產品

04/30 16:36

AI 提示詞又變了?GPT-5.5 告訴上班族:別再只寫步驟,改寫「交付標準」
你是不是也有這種經驗:明明把 AI 指令寫得很長,結果產出的內容卻還是「看起來完整、實際上不好用」?
例如請 AI 寫企劃案,它照著步驟列出市場分析、目標客群、痛點、解法與推廣方式,但讀完仍覺得像範本;請 AI 整理資料,它能列表、摘要、下結論,卻不一定知道哪些資訊需要查證、哪些內容不能說得太滿。
問題可能不是你不會下指令,而是你的指令還停留在「要求 AI 照流程做事」的階段。
OpenAI 在 GPT-5.5 的官方提示詞指南中提到,新版模型更適合「更短、結果導向」的提示詞,而不是過度詳細、流程導向的舊式 prompt。換句話說,未來跟 AI 協作,不只是告訴它第一步、第二步要做什麼,而是要讓它知道:最後什麼樣的成果才算合格。
從「照步驟做」到「交出好成果」
過去很多人學提示詞,常見方法是把任務拆成一長串步驟:先分析背景,再列出問題,再產出架構,再補充範例,最後整理結論。
這種寫法在早期模型中很有幫助,因為 AI 需要更明確的操作路徑,才比較不會偏題。但 GPT-5.5 的新方向是:模型已經更能根據清楚目標自行選擇有效路徑,因此提示詞不一定要寫成冗長 SOP。
對上班族來說,這代表一個重要轉變:不要只規定 AI 怎麼做,而要定義什麼叫做好。
例如,不只是說「幫我寫一篇文章」,而是說清楚文章要給誰看、要解決什麼問題、哪些數據不能編造、哪些資訊需要來源、最後字數與語氣如何控制。
不只是說「幫我做競品分析」,而是定義比較維度、資料來源、決策用途,以及哪些結論不能超出證據範圍。
不只是說「幫我整理會議紀錄」,而是要求它分出決議事項、待辦負責人、未解問題與下次會議前需要補齊的資訊。
GPT-5.4 重規則,GPT-5.5 重結果
如果簡單比較 GPT-5.4 和 GPT-5.5 的提示詞思維,可以這樣理解:
GPT-5.4 比較強調把流程、格式、工具規則與完成條件寫清楚,適合長任務、多步驟、工具使用與明確輸出格式的工作流。
GPT-5.5 則更進一步,提醒使用者不要直接把舊 prompt 全部搬過來,而是要重新思考:這個任務真正需要的交付標準是什麼?哪些規則是必要的?哪些流程其實可以交給模型自行判斷?
換句話說,GPT-5.4 像是要求你寫好工作流程;GPT-5.5 則更像是在提醒你寫好驗收標準。
對職場工作者來說,這代表一件事:提示詞不只是操作說明,而是一份交付規格書。
好的 AI 指令,要先定義「成功長什麼樣子」
很多人用 AI 失敗,不是因為 AI 不夠聰明,而是因為需求太模糊。
例如:
「幫我寫一篇 LinkedIn 貼文」
這句話可以產生內容,但結果很難穩定。因為 AI 不知道你要的是個人觀點、產業觀察、品牌經營、徵才宣傳,還是導流文章。
比較好的寫法是:
「請幫我寫一篇 LinkedIn 貼文,目標讀者是 30–45 歲的職場工作者,主題是 AI 如何改變工作習慣。內容要有明確觀點,避免誇大 AI 取代人類,語氣專業但不生硬,長度控制在 500 字內,最後帶出一個提問,鼓勵留言討論。」
這種寫法沒有規定 AI 每一步怎麼做,卻清楚定義了成果標準。這正是 GPT-5.5 更適合的提示詞方向。
少用「永遠」「絕對」,多用判斷規則
許多提示詞會大量使用「永遠」「絕不」「必須」「只能」這類絕對指令。但在實際工作中,任務往往不是非黑即白,而是需要依情境判斷。
例如,不要只寫:
「你必須每次都搜尋資料。」
可以改成:
「當內容涉及最新政策、數據、價格、人物說法或產品功能時,請查證來源;若是一般概念解釋,可以直接回答。」
不要只寫:
「你絕對不能問我問題。」
可以改成:
「如果缺少資訊但仍能合理產出初稿,請先基於假設完成,並在文末列出需要我補充的資訊;只有在缺少關鍵資料會導致結果無法使用時,才向我提問。」
這樣的寫法更符合真實工作情境,也能讓 AI 在效率與正確性之間做出更好的判斷。
可信度不只靠「請附來源」
很多人為了避免 AI 幻覺,會在指令最後加一句:「請附上資料來源。」這有幫助,但還不夠。
更好的做法,是說清楚哪些內容需要來源、什麼情況可以停止查證、什麼情況必須繼續找資料。
例如:
「請先做一次廣泛搜尋,若前幾個可信來源已足以支持核心答案,就停止搜尋並回答。只有在缺少必要數字、日期、人物說法、官方文件或比較資料時,才繼續搜尋。」
這可以避免兩種問題:一種是 AI 沒查證就回答;另一種是 AI 查太多,把不相關資料也塞進內容,讓文章失焦。
對內容工作者、行銷企劃、研究人員來說,這是很實用的 AI 協作方式。
語氣之外,也要定義「協作方式」
如果你要用 AI 做客服、學習助理、職涯顧問或內部知識助理,不能只要求「語氣溫暖」或「口吻專業」。
真正重要的是:它要怎麼跟使用者合作?
例如一個學習助理,不只要親切鼓勵,還要知道當使用者資料不足時,是要先推薦熱門課程,還是先引導補履歷;當使用者焦慮時,是要先安撫情緒,還是直接提供具體下一步;當使用者問得很模糊時,是要立刻追問,還是先給一版可執行建議。
真正有用的 AI 助理,不是只有口氣像人,而是工作方式符合使用者情境。
上班族可直接套用的新版 AI 指令模板
以下是一個符合 GPT-5.5 思維的通用指令模板,也適合用在 ChatGPT、Claude、Gemini 等 AI 工具:
請完成以下任務:
【填入你的任務】
目標:
【說明你最後想得到什麼成果】
使用情境:
【說明這份內容要給誰看、用在哪裡、要幫助什麼決策】
成功標準:
- 必須回答核心問題
- 內容要能直接用於實際工作
- 重要數字、人物說法、政策、產品功能或引用需有可驗證來源
- 若資料不足,請標註不確定,不要自行編造
- 若能基於合理假設完成,請先完成初稿,並列出假設條件
限制條件:
- 不要使用空泛形容詞或過度行銷語
- 不要為了完整而加入無關背景
- 不要編造不存在的案例、研究、公司說法或數據
輸出格式:
【例如:表格/文章/簡報大綱/主管摘要/Email 草稿】
【指定字數、語氣、段落結構】
停止條件:
當核心問題已回答,且重要事實已有足夠依據時,請停止補充,直接產出結果。
這份模板的重點不是把 prompt 變長,而是把「交付標準」說清楚。
AI 指令能力,其實是工作定義能力
AI 工具越進步,越不代表人類只要丟一句話就好。相反地,它更考驗我們能不能把問題說清楚、把成果定義清楚、把限制條件交代清楚。
未來真正會用 AI 的人,不一定是最會寫華麗提示詞的人,而是最知道「我要什麼成果、什麼不能出錯、什麼叫做完成」的人。
GPT-5.5 的提示詞指南,給職場工作者一個很實用的提醒:不要只把 AI 當成照指令工作的助理,而要把它當成需要明確交付標準的協作者。
當你的指令從「請照這些步驟做」升級成「請達成這個結果,並符合這些標準」,AI 才更有機會產出真正能用、可信、可交付的工作成果。
看更多
0 0 642 0
104學習

產品

04/30 13:34

別再照單全收 AI 答案!提高可信度的 3 個方法,附指令模板
AI 已經成為許多上班族的日常工具。寫報告、整理資料、做簡報、擬文案、查趨勢,甚至協助主管做初步判斷,很多工作過去要花半天,現在幾分鐘就能先產出一版。
但用得越頻繁,大家也越容易遇到一個問題:AI 回答得很順、很完整,卻不一定是對的。
它可能把不確定的事說得斬釘截鐵,也可能編出不存在的數據、查不到的報告,甚至把人物說法、研究結果講得像真的一樣。這就是常被提到的「AI 幻覺」。
例如有人請 AI 協助整理競品分析,AI 回答:「根據 IDC 2023 報告,該市場年成長率達 34%。」看起來很專業,數字也很精準。但真正回到 IDC 官網查證,卻找不到這份報告。那個 34%,可能只是 AI 根據語境推測出來的答案,不是真實引用。
對職場工作者來說,這不是小錯。一個錯誤數字,可能讓提案失去可信度;一段查不到來源的引用,可能影響文章品質;如果出現在新聞稿、對外簡報或主管決策資料裡,甚至可能變成公關風險。
會不會用 AI,已經不只是「能不能問出答案」。更重要的是,你能不能讓 AI 產出的內容經得起檢查。
為什麼 AI 看起來很懂,卻還是會答錯?
很多人誤會 AI 是「查資料工具」,但更精準地說,它比較像是「語言整理工具」。
AI 擅長根據大量文字資料,整理出通順、有邏輯、看起來合理的回答。它很會歸納、改寫、分類,也很會把零散資訊整理成一段像樣的說法。
但「說得合理」和「確實正確」是兩件事。
尤其當問題涉及最新數據、人物言論、政策法規、企業動態、市場趨勢時,如果你沒有明確要求它查證來源,AI 很可能會根據既有語境推測答案。這也是為什麼有些回答讀起來非常完整,實際查證卻找不到根據。
所以,使用 AI 時不能只問:「請幫我整理這份資料。」
更好的問法是:「請幫我整理這份資料,並標示哪些是已確認事實、哪些是合理推論;所有數字與引用請附上可查證來源。」
前者只要求 AI 給答案,後者則要求 AI 說清楚答案從哪裡來、可信度有多高、哪些地方還需要人判斷。
想讓 AI 回答更可信,先做到這三件事
一、不確定的地方,不要讓 AI 硬答
真實職場中,很多問題本來就沒有單一標準答案。資料可能過時,市場可能正在變化,不同媒體的說法也可能不一致。如果這時候 AI 為了完成回答而硬湊一個結論,反而會讓使用者誤判。
因此,在指令裡最好先加上一條規則:
「如果你對答案沒有把握,請直接說明不確定的原因,不要自行補齊缺漏資訊。」
這句話很重要。它不是要 AI 變得保守,而是要它把「不確定」說出來。對職場工作來說,知道哪些地方不確定,本身就是重要資訊。
主管在看報告時,不只需要結論,也需要知道風險在哪裡。PM 在做需求規劃時,不只需要市場趨勢,也需要知道哪些假設還沒被驗證。行銷人在寫文章時,不只需要一段漂亮的說法,更需要確認這段話能不能公開引用。
AI 可以協助你加速產出,但不能替你承擔查證責任。
二、凡是數字、引用、人物說法,都要回到來源
職場內容最容易出問題的,往往不是明顯錯誤,而是那些「看起來很專業」的句子。
例如:「根據研究顯示……」、「某某 CEO 曾表示……」、「有 80% 的企業已經導入 AI……」。這些話如果沒有來源,就只是風險。
尤其在報告、提案、新聞稿、專欄文章中,數字與引用會直接影響內容可信度。讀者不一定會逐字檢查,但只要有一個關鍵數字被發現查不到,整篇內容的專業感就會被打折。
因此,只要內容涉及數字統計、研究結果、人物言論、新聞事件、政策法規、企業公告、市場排名,都應該要求 AI 提供可驗證來源。
來源也要分層級。優先參考官方資料、原始研究報告、政府或學術機構、企業公告、具公信力媒體。若只能找到二手整理文,就要明確標註,不要把它包裝成一手資料。
這個習慣看起來麻煩,但實際上能大幅降低內容出錯機率。AI 可以先幫你整理方向,但最後要不要放進簡報、文章或提案裡,仍然要看來源是否可靠。
三、把「事實、推論、建議」分開看
AI 很容易把推論寫得像事實。
例如看到某公司推出 AI 課程,它可能接著寫出:「企業培訓市場正全面轉向 AI。」這句話聽起來合理,也可能符合趨勢,但它仍然是推論,不是已經被證實的事實。
這也是許多 AI 內容讓人覺得「像 AI 寫的」原因之一:它常常太快下結論,太少交代中間判斷。
比較好的做法,是要求 AI 把回答分成三類:
「已確認事實」:有來源支持,可以被查證的內容。
「合理推論」:根據資料做出的判斷,但仍需要進一步確認。
「建議做法」:根據目前情境提出的行動方案。
這種寫法特別適合用在職場分析,例如競品研究、市場趨勢整理、專案規劃、內容選題、主管簡報。
它能讓讀者清楚知道:哪些資訊可以直接採用,哪些只是目前看起來合理,哪些則需要後續查證。
有些人也會要求 AI 在回答最後加上「信心指數」,例如 1 到 10 分。這可以作為輔助判斷,但要記得,AI 的自評分數不等於事實正確。信心分數只能提醒你「這段內容可能穩不穩」,不能取代真正的來源查證。
不同職位,可以怎麼用?
對行銷人來說,AI 可以幫忙加速文章架構、標題發想、社群文案和資料整理。但在發布前,最好請 AI 另外列出「待查證清單」,特別是數字、研究、引用、產業趨勢等內容。
對 PM 來說,AI 很適合整理競品功能、市場資料和使用者回饋。不過在寫 PRD 或做產品決策時,要特別區分「使用者已明確提出的需求」和「AI 根據資料推測出的可能需求」。
對 HR 來說,AI 可以協助整理職能趨勢、薪資資料、人才市場變化。但薪資、職缺、產業需求都具有高度時效性,也會因地區和職務不同而有很大差異,因此來源與時間點更需要標清楚。
對主管來說,AI 適合用來做第一版資料整理,幫助快速掌握議題輪廓。但真正要做決策前,仍應請團隊回頭確認關鍵數字、資料來源和假設條件。
簡單說,AI 適合當「第一版整理者」,不適合直接當「最後裁判」。
它能幫你節省時間,但不能取代人的判斷。真正有價值的工作,不是把 AI 的答案直接貼上,而是懂得檢查、追問、修正,最後做出更可靠的判斷。
可直接複製的高可信度 AI 指令模板
下次需要 AI 協助整理資料、寫報告、查趨勢或做分析時,可以直接使用下面這段指令:
============================================================
請用「高可信度回答模式」回應。
1. 如果你對答案沒有把握,請明確說明不確定的原因,例如資料可能過時、來源不足、不同來源說法不一致,或問題定義不清。不要自行編造或補齊缺漏資訊。
2. 涉及事實、數據、人物言論、研究結果、法規政策、新聞事件、產品資訊時,請提供可驗證來源。
3. 來源請優先使用官方資料、原始研究或報告、政府或學術機構、企業公告、具公信力媒體。若只能找到二手來源,請明確標註。
4. 所有數字、統計、引用語、人物說法都必須附來源。若沒有可靠來源,請標註「尚未找到可驗證來源」。
5. 回答請分成「已確認事實」、「合理推論」、「建議做法」三類,不要把推論寫成事實。
6. 如果答案中有低可信度內容,請另列「需要進一步查證的部分」。
7. 回答最後請提供信心指數 1 到 10 分;若低於 7 分,請說明主要風險與不確定點。
============================================================
會查證,才是真的會用 AI
AI 讓工作變快,但變快不代表變準。
真正成熟的 AI 使用方式,不是期待它每次都給出完美答案,而是讓它把資訊整理得更清楚,同時把不確定的地方攤開來。
下次使用 AI 前,不妨先把高可信度指令貼上去。多花幾分鐘設定規則,可能就能避免一份錯誤報告、一段失準引用,甚至一場不必要的公關危機。
看更多
0 0 213 0
林尚能

執行長

04/29 11:57

最近接了三個內訓提案,三個產業差很大,但卡關的地方一模一樣
這個月我同時在規劃三個企業內訓案:
一個是中型營造集團,想推全員 AI 能力。 一個是金控集團,要做企業架構策略規劃。 一個是大學的高教深耕計畫,要為教授開 AI × SDGs 增能講座。
三個產業差很大,文化也完全不同。但跟三邊高層/承辦人聊完之後,我發現他們真正卡關的地方,其實是同一件事——他們不是不想學新東西,是不知道從哪裡開始。
▎卡關一:工具與資訊太多,不知道哪個適合自己
營造業煩惱的是:規章制度、施工標準、圖說、品管表、合約⋯⋯資料散落各處,AI 想用,但連資料在哪都不知道。
大學教授煩惱的是:ChatGPT、Claude、Gemini、Perplexity、NotebookLM⋯⋯每個工具各有所長,理工、人文、社科使用情境天差地別,沒人有時間自己摸索全部。
金控集團煩惱的是:壽險、產險、銀行、證券、投信⋯⋯各子公司有自己的系統與流程標準,整合性治理難度極高,沒有共通方法論就只能各做各的。
表面上看是三種不同的問題,本質上都是**「資訊太多、缺一張地圖」。
▎卡關二:合規與風險顧慮高,寧可不用也不敢踩線
營造業最怕的是合約 AI 辨識的法律邊界——付款條款、違約金、保固若漏看,後果嚴重。
教授最怕的是學術倫理—未發表論文、學生資料能不能丟給 AI?哪些算「使用 AI」、哪些算「AI 代筆」?這條線市面上的 AI 課最少談、教授族群卻最在意。
金控集團最怕的是法遵稽核——金管會法令更新頻繁,任何架構轉型都要衡量法遵風險、稽核軌跡、資安要求。
都是同一件事:怕踩線、寧可不用。
▎卡關三:跨單位共識難以建立
營造業:工地、設計、PMIS、財務、業主端視角不同,會議決議追溯不易。
金控集團:願景在高層、執行在 IT、需求在業務、風險在法遵——四方視角不同,沒有共通語言會造成轉型失焦。
大學:每個學科背景的老師,連「什麼算研究產出」的定義都不一樣。
一樣的問題:沒有共通語言,就無法形成共識。
三個案子,三套提案,但底層邏輯都是同一套:
✦ 先給一張清楚的工具與場景地圖,讓使用者知道從哪開始 ✦ 講清楚合規邊界與最佳實務,把焦慮轉成可操作的原則 ✦ 用結構化方法論讓不同部門有共通語言
如果您的企業、機構、學校也在思考內訓的方向—不論是 AI 全員培訓、企業架構策略規劃、或是教師增能—歡迎私訊聊聊。
我會先聽您的需求,再決定該怎麼幫您(甚至包括誠實告訴您「這個案子應該找誰,不該找我」)。
戰國策集團 | 林尚能 📞 免付費專線 0800-003-191 🌐 mo.com.tw
#AI企業內訓 #企業架構 #高教深耕 #戰國策集團 #林尚能
看更多
0 0 61 0
林尚能

執行長

04/29 09:33

業務從22人剩5人、虧了快一年,這個老闆問我的問題,戳中很多中小企業老闆的痛
前陣子有個二手車商的老闆透過戰勝學院預約諮詢。他在預約表單上把問題打了滿滿一大段,我看完心裡其實就有底了。這是一個典型的「老闆比誰都努力,但努力的方向被自己的制度綁住」的故事。
他問了我四件事:
一、業務從22個剩5個,全是老屁股,怎麼辦?
二、業務只挑利潤高的車賣,正常車一直壓在場子裡,怎麼辦?
三、他自己想了一套新的薪資制度,要我幫他看可不可行。
四、最後一句他寫得很小心:「如果我突然改制度,會不會大家都跑光?」
這篇文章我想分享的,不是制度設計的SOP。制度的細節可以套公式,但這位老闆真正卡住的地方,是制度背後沒人跟他講的那些事。
為了保護當事人,公司名稱、品牌、確切數字我都做了處理,但問題的結構是真的。如果您也是中小企業老闆,這個故事可能會讓您看到自己。
他以為自己問的是「制度可不可行」,其實他問的是別的事
第一次線上會談,他一坐下就把擬好的薪資方案推到我面前。
「林老師,你看,第一個月保底兩萬五,但賣一台才有;第二個月起,台數1、3、5、7各跳一萬;三台以上底薪再加一萬;進口車利潤封頂十萬。我自己想了快一個月,你看這樣行不行?」
我沒有馬上回他這個方案。
我問他:「你公司虧了多久?」
他愣了一下,說:「快一年。」
我又問:「業務從22個剩5個,是這一年的事嗎?」
他想了想:「差不多。」
我說:「那我問最後一個問題,你那5個業務,他們現在每個月還賺得到錢嗎?」
他停頓了一下,回答:「賺得到,他們每個月都還挑得到車賣。」
我跟他說:「老闆,你公司虧了一年,但你的業務沒虧。這就是你真正的問題。」
他在螢幕另一頭沉默了很久。
制度沒有對錯,只有「它在獎勵什麼」
我做企業顧問這些年,看過太多老闆把問題歸咎到員工身上。「現在的年輕人不肯吃苦」、「老的躺平、新的留不住」、「業務不夠拚」。
我懂這種心情,因為老闆是公司裡最焦慮的那個人。但講白話一點:
員工不會跟你的願景走,他們會跟你的制度走。制度設計成什麼樣,他們就長成什麼樣。
我請這位老闆攤開他的薪酬制度。業務無底薪、抽40%。意思是,業務的時間就是利潤;他賣一台高利潤車賺3萬,跟賣一台低利潤車賺8千,付出的時間差不多,但收入差三倍。換成是你,你會怎麼選?
這不是員工不夠拚,是制度在跟員工講:「你聰明的話,就只挑好賣的車。」
業務聽懂了,所以他們真的只挑好賣的車。庫存車一直壓著,老闆心裡乾著急。賣不出去的車變成資金成本、變成場地壓力、變成折舊,最後變成虧損。
他原本想用「台數階梯」逼業務衝量,方向對。但這只解了一半,逼他衝量,他還是會衝高利潤車的量,庫存車照樣沒人碰。
我跟他說:「你要做的事情,不是逼他賣得更多,是讓他發現,賣公司想賣的那些車,他賺得更多。」
這句話他記了下來。後來他在Zoom上跟我說:「我做了八年生意,第一次有人這樣跟我講。」
我跟他改了三件事,動了一個他原本不想動的人
這位老闆原本只想動「業務薪酬」這一塊。我在會談中很直接跟他講,這樣改沒用,會更亂。
我們一起改了三件事,外加處理了一個他原本沒想動的角色。
第一件:把抽成跟「車的類型」綁起來
這是整個改革的引擎。我跟他說,你過去所有車一視同仁抽40%,所以業務照自己的利益選車。如果你想要他選你想要的車,那抽成就要差異化。
壓最久的那批庫存車(超過你定義的天數),抽成上拉到45到50%,讓業務看到「啊,這台原來最好賺」;中間的一般庫存車維持35到40%;那些他原本就搶著賣的高利潤好賣車,反而把抽成壓到25到30%。
他第一個反應是:「滯銷車抽到50%,我不就更賠?」
我說:「老闆,你那台車現在放著不賣,每天都在燒你的錢。它賣不出去,毛利等於零;它賣出去就算只剩一點點毛利,總比每天往下扣資金成本好。何況,你會發現,制度一改,業務開始幫你算這些車怎麼推,根本不是你以為的那種賣命賠錢。」
他半信半疑,但同意試。
第二件:第一個月給新人一個真正的保底
他原本寫「第一個月保底兩萬五,但賣一台才有」。
我笑著跟他說:「這不叫保底,這叫畫餅。新人前三個月還在學車況、學話術、學怎麼跟客人交手,你要他第一個月就賣出一台才給保底,那他第一個月吃什麼?吃信仰嗎?」
我請他改成:第一個月無條件給兩萬五,但綁住兩個條件,出勤達標、培訓完成。讓新人有理由留下來、有時間學東西。
他擔心:「這樣會不會被拗?來上班拿錢就走?」
我說:「你想,無底薪你都留不住人了,你還在擔心被拗?反過來想,你保底兩萬五留下一個人,他三個月後成為你的戰力,你賺多少?你保底兩萬五留不住的那種人,你也省了一個庫存炸彈。」
第三件:店長制度,必須一起動
這是他原本完全沒打算碰的地方。
店長的設計是「跟老闆對半抽,外加全店業務利潤的10%」。在公司賺錢的時候,這套合理;公司虧損的時候,這套變成寄生。
我跟他算了一筆帳:你公司虧損快一年,店長收入有跟著縮嗎?沒有。前線業務承擔了結果,店長的位置卻沒有承擔風險,那當你要前線改革時,前線會怎麼想?
「為什麼是我承擔變化,他卻照樣抽?」
這個心理一旦在團隊裡發酵,改革還沒推就先輸。
我建議他把店長改成「底薪加超額分潤」。底薪保住生活,但對半抽改成「公司每月超過損益平衡點的部分,店長分20到30%」。意思是,公司賺錢,店長才賺得多;公司虧損,店長收入也會反映出來。
他猶豫了,因為店長跟了他七年。我跟他說:「老闆,你不是要懲罰他,你是要把他從『業績旁觀者』變回『跟你一起扛』的人。一個跟你七年的店長,如果他真的把公司當自己的,他會懂你。」
一週後老闆告訴我,他跟店長談了三個小時,店長最後說了一句:「老闆我懂,公司不好我也心知肚明,你早講我早改。」
這就是改革最動人的地方。很多時候你以為員工會反抗,其實他們只是在等你願意攤開來談。
「我突然改制度,大家會不會跑光?」
這是他在預約表單上寫得最小心的一句。我在第二次會談時,特地把這個問題拉出來單獨處理。
我跟他說:「老闆,我直接講,會反彈,但反彈不可怕。可怕的是你怕反彈,所以你一直不敢動。你已經拖了快一年了,你還想再拖多久?」
他笑了,說:「沒有人這樣跟我講過。我老婆都叫我先觀察。」
我講了一個其他案子的故事給他聽。也是一家中小企業,老闆怕改革,怕了三年,最後他兒子接班那一天,公司倒了。員工不是在改革時跑光的,是在「老闆什麼都不敢做」時,自己默默離開的。
但話說回來,怎麼推也是有方法的。我給他幾個原則:
「不要開全體大會宣布。」
這是他原本想做的事,召集所有人,鄭重宣布新制度。我攔下來。我說全體大會是最糟的場合,老屁股要面子掛得起來,當著所有人面,他一定要反抗給大家看;年輕人不敢表態;散會後士氣全垮。
正確做法是:跟每個業務「分別」面談。一對一的場合,沒有觀眾,他會把真心話講出來。「老師,我家裡有房貸」、「我下個月小孩學費要繳」。這些話他在大會上不會講,但在私下你會聽到。聽到了,你才有辦法針對性地處理。
「給他們2到3個月的緩衝期。」
公告新制度時,告訴老業務:前2到3個月,你可以選擇用新制或舊制計薪。讓他們覺得被尊重,不是被逼。
但這背後有一個機制在運作。一旦新制度上路,會有業務開始發現「咦,衝量加上推庫存車,我好像賺更多」,他們會自己切過去。剩下死守舊制的人,自己也會看清楚自己在哪。你不用逼,制度自己會說話。
「事先準備好『他走人』的劇本。」
我請他在改革前就把人才招募管道、新人培訓SOP、最壞情況下的營運計畫,全部準備好。不是要逼員工走,是要讓他自己心裡有底。
我跟他說:「老闆,當你心裡有Plan B,你跟員工談話的氣場會完全不一樣。你不再是求他留下,你是邀請他選擇要不要一起改變。這個差別,員工聽得出來。」
「最關鍵的,把那一個新人,當成你改革的樣板。」
他店裡剛好有一個剛進來的新人。我跟他說:「這個人從第一天就用新制度,你要盯著他、幫他、把他養出成績來。」
為什麼?因為當這個新人月銷做到5台,其中3台是壓最久的庫存車,他算出來的薪水比那幾個老屁股還高的時候,你不用講任何話,老屁股的世界觀會自己崩塌。他們會發現:「原來新制度真的可以賺到錢,原來我這幾個月在躺平,是在虧。」
這時候不用你逼,他們會主動找你:「老闆,新制度怎麼算?我也想試看看。」
我跟這位老闆講:「你不需要說服老人,你只需要讓新人發光。發光這件事,制度會幫你做。」
寫在最後:給正卡在類似困境的老闆
如果你看完這篇,覺得故事裡的某些段落,怎麼這麼像你公司:
業績下滑,但你又找不到真正的破口;
人才流失,老的躺、新的留不住;
自己擬了制度,但不敢上路;
想改革,但怕一改全公司炸鍋。
我想跟你說一句很實在的話。這些問題,極少是「老闆不夠努力」造成的。中小企業老闆是公司裡最努力的那個人,你的問題從來不是不夠拚,是你拚錯了方向。
你需要的不是另一套激勵口號,是一個能跟你坐下來、把制度攤開來算給你看、敢跟你講真話的人。
如果你願意,我們可以聊聊。
▶ 預約一對一線上諮詢|戰國策戰勝學院
為了讓我們的時間用在刀口上,諮詢前麻煩你先準備這幾樣東西:
近12個月的損益表(按月);目前的主要產品或庫存清單;過去12個月,每位業務(或每個業務單位)的銷售明細;主管(店長/部門主管)的薪資結構;還有你自己估的損益平衡點,一個月要做到多少業績才不虧。
資料越清楚,我們聊起來越深入。第一次會談我會直接幫你把方案套進實際數字試算,不是紙上談兵。
林尚能
戰國策集團 戰勝學院 經營顧問
陪伴中小企業:制度設計、薪酬改革、接班布局、AI落地
看更多
0 0 64 0
104學習

產品

04/28 14:05

AI讓產品開發從6個月變1天:PM再不轉型,價值正在消失
過去十年,產品經理的工作模式其實沒有太大變化。
大多數PM的日常仍圍繞在三件事:整理需求、規劃roadmap、推動開發進度。這套方法在網路與行動時代行之有年,也培養出一整套成熟的產品流程與分工。
但現在,這個前提正在被動搖。
生成式AI的出現,讓產品開發的門檻大幅降低。過去需要工程與設計協作數週甚至數月才能完成的內容,如今透過AI工具,幾小時內就能做出初步版本。從文件撰寫、流程設計到簡單原型,都可以快速生成。
當「做出產品」變得越來越容易,一個更根本的問題開始浮現:
如果執行不再稀缺,產品經理的價值還剩下什麼?
在AI原生公司Anthropic,這個問題已經不是未來,而是現實。產品開發的節奏不再以季度或半年為單位,而是以「幾天內完成一次驗證」來運作。這樣的變化,也迫使產品角色重新定義。
在一場公開訪談中,Claude Code和Cowork產品負責人Cat Wu提到,AI時代的PM,不再只是負責推動流程,而是必須主導決策與實驗方向。
這樣的轉變,代表的不只是工具升級,而是一整套工作邏輯的改寫。
從穩定規劃到快速實驗:產品節奏正在改變
傳統產品開發強調長期規劃。PM需要在專案初期蒐集需求、整理優先順序,並規劃出清楚的roadmap,讓團隊能在接下來的幾個月甚至半年內依序推進。
這種方式的前提是:開發成本高、修改成本也高,因此需要事前盡可能想清楚。
但當AI降低了開發與修改的成本,這個前提開始失效。
在Anthropic這類AI公司中,產品不再依賴長期規劃,而是以「實驗」為單位快速推進。團隊更關注的,不是未來三個月要做什麼,而是下一個最值得驗證的假設是什麼。
這種模式帶來一個明顯轉變:產品開發不再是線性的執行流程,而更像是一連串快速迭代的決策循環。
對PM來說,重點不再是把計畫排好,而是持續做出選擇。
從接收需求到重新定義問題
另一個明顯的變化,是PM面對需求的方式。
在傳統情境中,PM往往需要蒐集來自用戶、業務或主管的需求,整理後轉化為產品規格,再交由工程與設計實作。
但在AI時代,這樣的流程已經不夠。
因為AI讓「實作」變容易,真正困難的反而是「判斷這個需求是否值得做」。
許多需求其實只是表象,背後對應的是更深層的問題。如果PM只是照單全收,產品很容易陷入功能堆疊,卻無法真正解決使用者痛點。
因此,AI PM更重要的能力,是拆解問題、釐清本質,並重新定義要解決的核心。
換句話說,從「需求管理者」,轉變為「問題定義者」。
從協調者到能動手驗證的人
過去,PM的主要角色是協調不同職能。產品、工程、設計各司其職,PM負責整合資訊與推動進度。
但隨著AI工具的普及,這種分工正在鬆動。
現在的PM,可以透過AI快速產出流程草圖、使用情境、甚至初步原型,讓討論不再停留在抽象層,而是直接以具體版本為基礎。
這樣的改變,使PM不再只是「轉述需求的人」,而是能夠親自驗證想法的人。
對團隊而言,這也意味著決策速度加快。許多原本需要開會反覆討論的問題,可以透過快速產出版本來驗證,而不是單純依賴想像。
AI產品的關鍵,不只是能用,而是可信
AI產品帶來的另一個挑戰,是「可靠性」。
許多AI功能在展示時看起來表現不錯,但只要在關鍵情境中出現錯誤,就可能嚴重影響使用者信任。例如提供錯誤資訊、誤解使用者意圖,或在重要任務中失效。
這也是為什麼,「完成度95%」在AI產品中往往不夠。
因為剩下的5%,很可能正好發生在最關鍵的時刻。
因此,PM需要思考的不只是功能是否可行,而是產品在不同情境下的穩定性,以及如何設計機制來降低風險,例如提示使用限制、提供替代方案,或讓使用者更容易察覺錯誤。
產品的價值,不再只是能否完成任務,而是能否在關鍵時刻被信任。
轉型的關鍵,不在工具,而在工作方式
面對這些變化,許多PM的第一反應是學習新的AI工具。
這當然重要,但真正的轉型,其實發生在工作方式本身。
首先,是從「想清楚再做」轉變為「做了再優化」。
過去需要花大量時間規劃與對齊,現在則可以先做出版本,再透過回饋修正方向。
其次,是從「文件驅動」轉為「實驗驅動」。
產品決策不再只依賴文件與會議,而是透過實際測試來驗證。
最後,是從「分工合作」轉向「跨能力動手」。
PM不再只是整合資訊,而是能直接參與產出,縮短決策與執行之間的距離。
PM轉型的實際路徑
這樣的轉型並不需要一步到位,可以從三個階段逐步進行。
第一階段,是讓AI成為日常工作的助手。
例如用來整理資料、產出初稿、輔助分析,目標是建立基本的使用習慣。
第二階段,是重構工作流程。
開始用AI產出多個方案,並透過測試選擇方向,而不是只依賴單一版本。
第三階段,則是進入AI原生產品思維。
這時PM需要理解模型的能力與限制,並能設計出符合這些特性的產品體驗。
未來PM的核心能力,正在改變
在這樣的背景下,PM的核心能力也逐漸轉移。
快速產出原型的能力,讓想法可以更快被驗證。
問題拆解能力,決定是否能找到真正需要解決的核心。
對AI能力的理解,影響產品設計的可行性與風險。
而持續驗證與調整的能力,則成為產品成長的關鍵。
這些能力,與過去強調的流程管理或文件撰寫相比,更貼近「決策與判斷」。
PM的價值,正在被重新定義
當AI讓產品開發變得更容易,PM的價值就不再建立在「能不能把事情完成」,而是「能不能做出正確選擇」。
這包括判斷什麼值得做、如何驗證方向,以及在不確定中持續調整。
未來的產品經理,不一定需要成為工程師,但需要更接近產品本身——能快速理解問題、做出判斷,並讓想法在現實中被驗證。
這場轉變已經開始,而且不會等人。
對PM而言,關鍵不只是學會使用AI,而是重新思考,自己在產品中的角色,究竟是什麼。
看更多
1 0 2904 0