AI 可以幫你比較方案，但不能替你承擔決策責任。
真正高品質的決策，不是選出看起來最好的答案，而是讓目標、假設、成本、效益與風險都能被清楚檢驗。
工作中經常需要在多個方案之間做選擇：
決策困難，往往不是因為完全沒有資訊，而是因為：
AI 可以協助整理資訊、建立比較架構、檢查遺漏條件、分析不同方案的優缺點，並產出主管可閱讀的決策摘要。
但 AI 不應被視為最終決策者。真正的決策仍需由具備責任與授權的人員，根據組織目標、資源限制、風險偏好與專業判斷做出。
如果沒有共同的評估方式，方案討論很容易變成：
我覺得方案 A 比較好。
我以前用過方案 B。
主管好像比較喜歡方案 C。
這些意見不一定錯，但缺少透明且可重複檢查的依據。
好的決策架構至少應回答：
因此：
好的決策，不一定保證結果永遠正確；
但能讓選擇依據清楚、假設透明、責任明確。
不要只問 AI：
哪一個方案最好？
因為 AI 可能在不知道你的目標、限制與風險偏好時，給出看似合理但不適用的建議。
應改成：
請根據以下目標、限制與方案資料建立比較。
請區分已確認事實、假設、缺少資訊與建議，
並從成本、效益、風險、導入時間、維護難度與可逆性進行評估。
AI 適合協助：
AI 不應直接：
很多錯誤決策不是選錯方案，而是一開始就問錯問題。
例如：
錯誤問題：要不要買新工具？
可以改成：
真正問題：目前流程的主要瓶頸是什麼？
現有工具是否能解決？
如果不能，還有哪些可行方案？
建議先整理：
常見準則包括：
並非每次決策都要使用全部準則。應依決策目的選擇真正重要的項目，避免評估表過度複雜。
團隊有三個可行方案，但各部門使用不同角度討論，無法形成一致比較。
Prompt：
請扮演決策分析顧問。
根據以下目標、限制與方案資料，建立方案比較矩陣。
輸出：
【決策目標】
【必要條件】
【評估準則】
【方案 A 優缺點】
【方案 B 優缺點】
【方案 C 優缺點】
【共同風險】
【各方案特有風險】
【資料缺口】
【建議下一步】
請區分事實、假設與建議。
資料不足時標示「待確認」，不要自行補寫。
將分散討論整理成相同格式，避免某個方案只談優點，另一個方案卻只談風險，讓比較基準更公平。
方案差異很多，需要使用權重與分數進行初步排序。
加權分數可使用：
總分 = 各準則分數 × 各準則權重後加總
Prompt：
請根據以下已確認的評估準則、權重與方案分數，計算加權總分。
要求：
1. 檢查權重總和是否為 100%。
2. 顯示每項準則的加權分數。
3. 計算各方案總分與排名。
4. 不要自行修改權重或原始分數。
5. 缺漏資料請標示「待評估」。
輸出：
【評估準則】
【權重】
【原始分數】
【加權分數】
【總分】
【排名】
【需要注意的限制】
讓方案比較更透明，也方便重新檢查計算結果。但總分只是一項參考，不應掩蓋法規、資安、預算上限或其他不可妥協條件。
方案排名高度依賴某些假設，例如成本、使用人數、節省工時或導入時間。
Prompt：
請根據以下方案資料進行情境與敏感度分析。
情境：
保守情境
基準情境
樂觀情境
輸出：
【各情境的主要假設】
【各方案可能結果】
【最敏感的變數】
【排名是否改變】
【需要優先驗證的假設】
【建議蒐集的資料】
請不要自行捏造數字。
缺少數據時，請說明需要哪些資料才能計算。
避免因單一預測值做出過度自信的決策。若只要成本或使用率稍微改變，方案排名就完全不同，代表決策對該假設高度敏感，應優先驗證。
團隊已經偏好某個方案，討論開始只保留支持資訊，忽略不利證據。
Prompt：
請扮演獨立審查者，挑戰以下建議方案。
輸出：
【可能被忽略的假設】
【反對此方案的合理理由】
【最壞情境】
【可能的次生影響】
【不可逆決策點】
【停止或退出條件】
【需要獨立驗證的資料】
【可降低風險的試行方式】
請提出有依據的挑戰，不要為了反對而反對。
用 AI 協助建立反方觀點，可以降低確認偏誤。但應將輸出視為待討論的檢查清單，而不是新的事實來源。
管理層需要在短時間內理解背景、方案差異、風險與需要核准的事項。
Prompt：
請將以下方案評估整理成一頁主管決策摘要。
輸出：
【決策問題】
【一句話結論】
【決策目標】
【方案摘要】
【成本與效益】
【主要風險】
【關鍵假設】
【建議方案】
【未解事項】
【需要主管決定】
【建議下一步】
請先寫結論，再補充細節。
請明確標示建議依據與不確定性。
將複雜分析轉換成真正可決策的資訊，避免主管收到大量資料，卻看不出需要決定什麼。
❌ 一開始就問 AI 哪個方案最好
✅ 先定義問題、目標、限制與成功標準
❌ 使用很多評估準則，卻沒有說明權重
✅ 由利害關係人共同確認準則與權重
❌ 把 AI 產生的分數當成客觀事實
✅ 分數必須有定義、來源與人工確認
❌ 只看總分，不看必要條件
✅ 法規、資安或預算上限可設為淘汰條件
❌ 把預期效益當成保證成果
✅ 清楚標示估算方式、假設與不確定性
❌ 決策完成後沒有追蹤結果
✅ 保留決策紀錄，並在執行後檢視實際成果
必要條件未達成時，方案不應只靠其他項目的高分補回來。
例如：
必要條件：符合法規、符合資安要求、成本不超出上限
加分條件：導入更快、操作更簡單、擴充性更高
AI 可以協助整理權重選項，但不同組織的策略與風險偏好不同，不能由 AI 自行決定什麼最重要。
決策紀錄至少包含：
當不確定性高時，可先進行 Prototype、Pilot 或小範圍驗證，降低一次全面投入的風險。
例如：
實際成本
導入時間
使用率
節省工時
錯誤率
服務品質
使用者滿意度
新增風險事件
這些指標可以用來檢查原始假設是否成立，也讓未來決策更有依據。
選擇一項近期需要決定的工作議題。
請依序完成：
選擇兩個方案，建立成本、效益、風險、時間與可逆性的比較矩陣。
使用已確認的權重與分數，計算方案排名，並說明總分的限制。
針對目前偏好的方案，建立反對意見、最壞情境與退出條件。
請扮演決策分析顧問、風險顧問與主管幕僚。
根據以下資料建立決策分析。
輸出：
【決策問題】
【決策目標】
【必要條件】
【限制條件】
【可行方案】
【評估準則】
【權重與來源】
【方案比較矩陣】
【成本與效益】
【主要風險】
【關鍵假設】
【資料缺口】
【情境與敏感度分析】
【反對意見】
【不可逆決策點】
【建議方案】
【建議理由】
【需要主管決定】
【試行與退出條件】
【決策後衡量指標】
請遵守以下原則：
1. 區分事實、假設、估算與建議。
2. 資料不足時標示「待確認」，不要自行編造。
3. 未經確認，不要自行設定權重與分數。
4. 不要只呈現支持建議方案的資訊。
5. 說明每個方案的限制、風險與可能副作用。
6. AI 輸出僅供輔助，最終決策與風險接受由授權人員負責。
✅ AI 可以協助整理方案、準則、成本、效益與風險
✅ 決策前必須先定義問題、目標、限制與成功標準
✅ 加權總分是輔助工具，不能取代必要條件與專業判斷
✅ 權重與分數必須有定義、來源與人工確認
✅ 情境分析可以看見不確定性，敏感度分析可以找出關鍵假設
✅ 反對意見與最壞情境有助於降低確認偏誤
✅ 高不確定性決策可優先採用小範圍、可逆的試行方式
✅ 決策完成後仍應保留 Decision Log，並追蹤實際成果
前面幾天，我們已經學會用 AI 整理資訊、建立知識、分析流程、管理風險與輔助決策。
下一步，是把這些能力組合成個人工作助理，協助：
下一篇將介紹如何設計一套可持續使用、同時兼顧隱私與人工覆核的 AI 工作助理流程。
iThome鐵人賽
看影片追技術