昨天我們看到了Claude如何協助我快速產出需求分析和prototype，那種「哇，原來可以這樣」的驚喜感還歷歷在目。但身為一個理性的工程師，我心中冒出了一個念頭：「如果換成ChatGPT，會產出什麼樣的結果呢？」

於是，我決定做一個簡單的實驗。

AI工具的實戰比較：Claude vs ChatGPT

我用完全相同的prompt，分別餵給Claude和ChatGPT，想看看會得到什麼不同的結果。

ChatGPT的產出特色

ChatGPT產出的內容確實很詳細，但明顯偏向工程化的思維：

• 技術架構描述得很清楚
• 資料庫結構規劃很完整
• API設計邏輯性強

但缺少了一些重要元素：

• UI/UX的設計思維較弱
• 使用者體驗的考量不夠深入
• 畫面呈現的想像力有限

Claude的優勢

相較之下，昨天Claude的產出：

• 更注重使用者體驗
• UI設計概念更完整
• 對業務流程的理解更貼近實際需求

當然，這也可能是因為我的prompt設計還不夠精準。要讓ChatGPT產出更好的結果，可能需要更詳細的指引和更多輪的調教。

團隊的驚喜反應

將兩個版本的分析結果分享給團隊後，大家的反應出乎我的意料。

「原來AI可以做到這麼完整？」

這是最常聽到的驚嘆聲。團隊成員們從最初的半信半疑，逐漸轉向認真考慮的態度。原本對AI只是觀望的態度以及覺得他的妄想過多的狀態，逐漸變成「AI的時代來臨了」。

現實check：AI不是萬能鑰匙

但是，興奮歸興奮，我們並沒有一股腦地就請Claude幫我們生出完整的prototype。

為什麼？

因為我們清楚知道，AI可以做這件事，但整個專案啟動程序中最重要的規劃步驟，不會因為有了AI就不需要做了。

Claude給了我們一個很棒的起點，但真正的挑戰才剛開始。

專案啟動的混合策略

經過討論，我們開始規劃一個結合AI輔助與人工執行的混合策略：

需求收集階段

AI可以協助的部分：

• 快速brainstorming可能的需求點
• 將散亂的需求進行結構化整理
• 檢查是否遺漏重要功能

人工必須執行的部分：

• 與業務夥伴進行訪談
• 了解真實的業務痛點
• 判斷需求的優先級和急迫性

規劃設計階段

AI可以協助的部分：

• 任務分解和工作項目列舉
• 提供時程估算的參考依據
• 列出潛在風險和注意事項

人工必須執行的部分：

• 評估團隊資源和能力
• 進行跨部門協調溝通
• 做出實際可行性的最終判斷

落地訪談階段

AI可以協助的部分：

• 設計訪談大綱和問題清單
• 提供訪談技巧建議
• 協助整理訪談記錄

人工必須執行的部分：

• 實際進行使用者訪談
• 挖掘隱藏的需求細節
• 理解特殊情境和例外狀況

執行開發階段

AI可以協助的部分：

• 生成基礎程式碼架構
• 撰寫技術文件
• 設計測試案例

人工必須執行的部分：

• 關鍵決策的判斷
• 品質把關和code review
• 使用者體驗的細節優化

那些「討論沒有少」的細節

整個規劃過程中，團隊內部有了些實驗與調整，主要集中在幾個議題：

1. AI工具的可信度問題

• 「AI產出的內容真的可靠嗎？」
• 「我們要如何驗證AI的建議是否合理？」
• 「萬一AI給了錯誤的方向怎麼辦？」

2. 工作流程的調整

• 「導入AI後，我們原有的工作方式要怎麼調整？」
• 「誰來負責與AI協作？」
• 「如何確保AI輔助不會降低品質？」

3. 學習成本的考量

• 「團隊成員都需要學會使用AI工具嗎？」
• 「不同的AI工具需要不同的prompt技巧，這會增加學習負擔嗎？」

Prompt工程的重要性

這次的比較實驗讓我深刻體會到，同樣的需求，不同的AI工具需要不同的溝通方式。

Claude似乎更善於理解使用者體驗和介面設計，而ChatGPT在技術架構方面表現更強。但這也可能是因為我的prompt還不夠精準。

小結：AI時代的專案管理新思維

通過這次的經驗，得到了幾個重要的觀念：

1. AI是強大的助手，但不是萬能的替代品
2. 不同AI工具有不同的專長，要善用各自的優勢
3. 人機協作需要新的工作流程和管理方式
4. 團隊對AI的接受度會影響專案的成功