你是不是也遇過這種情況——同一個 AI、同一個訂閱方案，旁邊那個同事丟出去的問題拿回來是一份可以直接交差的東西，你問完只拿到一段「看起來很順但沒什麼用」的回答。差距不在工具，是在你「怎麼定義問題」。AI 預設給的就是中位數答案，問題沒被精準框出來，它沒理由給你超出平均的東西。
過去半年我跟身邊不少在用 AI 工作的朋友聊過，發現一件有趣的事：用 AI 用得最好的那群人，反而花最少時間在「下指令」上，他們花最多的時間在前面那一步——把腦子裡那個亂糟糟的問題拆乾淨。這篇我想拆給你看：什麼叫「設計問題」、它跟你以為的 Prompt 寫法差在哪，以及一個能上手練的 4 步流程。
📌 重點整理：AI 答案平庸的本質不是它笨，是你問的問題還沒被定義清楚。Prompt 寫法是「指令格式」層，設計問題是「元認知」層——前者一兩天就能學完，後者是 2026 職場拉開差距的關鍵。
為什麼用 AI 的人這麼多，做出好東西的人卻這麼少？
不是工具的問題，是「問題」沒被設計好。根據經理人雜誌引述的勞工調查，台灣勞工有 93.9% 用過 AI 工具，ChatGPT 使用率高達 95.9%，已經是普及到不能再普及。但同一份調查裡，63.3% 是「經常使用」——使用率高，不代表用得好。
麥肯錫《The state of AI in 2025》報告講得更直接：全球 88% 組織已經例行性使用 AI（一年前是 78%），但只有約 6% 真正算得上 AI 高績效（EBIT 5% 以上的成效），剩下九成多卡在「試了但沒下文」的階段。
報告裡有一句話我印象很深——高績效組織近三倍機率會「徹底重新設計工作流」，不是「換更貴的 AI」。
翻成個人層級的白話文是這樣：你身邊 9 個人都在用 AI，但只有 1 個人知道自己在用什麼解決什麼問題。剩下 8 個是把 AI 當成「會打字的搜尋引擎」，丟一句模糊的問題進去，拿回一段更模糊的答案，然後抱怨「AI 還是不夠聰明」。
📌 關鍵差距：AI 工具人人有，但會問問題的人少之又少。普及不等於用得好，這就是 2026 職場最大的隱形落差。
「設計問題」跟「寫 Prompt」差在哪？
Prompt 寫法是指令格式層，設計問題是元認知層。這兩個不是同一件事，常常被混在一起講，是很多人卡關的根本原因。
Prompt 寫法解決的是「我已經知道要問什麼，怎麼把它寫清楚讓 AI 聽懂」——所以你會看到 Anthropic 教你用 XML 標籤、OpenAI 教你寫角色設定、Google 給你 Gemini 的 4 段式公式。
這些都是技巧，一兩天就學完了，效果立竿見影。我自己之前寫過一篇三家 AI 的 Prompt 寫法差異攻略，純粹講格式和結構，能解決的就到這層。
設計問題解決的是更前面的事——「我到底該問什麼？我手上這個亂糟糟的需求，本質是什麼？」這層卡住的時候，再漂亮的 Prompt 格式也救不了你。因為你問的方向就是錯的。
| 對比面向 | Prompt 寫法（指令層） | 設計問題（元認知層） |
|---|---|---|
| 解決的痛點 | AI 沒聽懂我的指令 | 我自己沒搞懂要問什麼 |
| 練習方式 | 學公式、套模板、調語氣 | 拆解需求、定義邊界、找對切角 |
| 學習曲線 | 1-3 天上手 | 數週到數月，需要刻意練習 |
| 失敗時的徵兆 | 答案格式不對、語氣不順 | 答案順但無用、抓不到痛點 |
| 適用對象 | 已知道要問什麼的人 | 每一個用 AI 工作的人 |
《Frontiers in Education》期刊有一篇研究 《Prompt engineering as a new 21st century skill》，作者把 Prompt Engineering 拆成幾個子能力，並把它定義為一種綜合能力。
論文原文寫得直白：「PE 是把一個問題、它的脈絡、以及期望解答的限制條件，準確傳達給 AI 助手」這項技能——重點不是把指令寫得漂亮，而是先把問題本身講清楚。
3 個訊號，告訴你問題還沒被設計好
多數人不知道自己問題沒問好，因為 AI 還是會給「一段看起來很順的答案」。順不等於對，這是最容易掉的坑。下面 3 個訊號，撞上其中一個就要重新拆問題。
寫到這裡，我想起我在《思維轉捩點：AI 揭示的七種全新思考方式》裡讀到的一個觀察。那本書討論的就是「為什麼同樣用 AI，有人拿到平庸答案、有人拿到有洞察的答案」，作者把這本質拆成 7 種思考模式。如果你也常陷入「我問了但 AI 答得不痛不癢」的狀況，這本書是我走完同一段路後找到的進階手冊：
訊號❶：你問完之後，沒辦法用一句話告訴別人「答案有什麼用」
這是問題沒被框出來最常見的徵兆。我自己過去常犯：問 ChatGPT「幫我分析一下這個產品的市場狀況」，它給我一段架構工整的 SWOT，但我看完之後發現我根本說不出「下一步要做什麼」。
原因不是 ChatGPT 弱，是我問的時候根本沒想清楚「我想要這個答案推動我做什麼決策」。換成「我下週要決定這個產品要不要進新加坡市場，請從 X、Y、Z 三個面向幫我列出 3 個必須先驗證的假設」，整個答案的可用性立刻不一樣。
訊號❷：答案永遠在「對」但永遠在「邊邊」
AI 給你的回答從來沒錯過，但你總覺得「沒打到」。這通常是因為你的問題敘述太大、沒有限制條件，AI 只能給你最安全的中間值。
MIT Sloan 資深講師、同時也是 MIT 數位經濟倡議研究員的 Hal Gregersen，在麻省理工學院 Sloan 管理學院的訪談裡講過一句話我覺得很傳神——大型語言模型預設會給你「平均、迷因式」的回答（原文 average, meme-type）。你不框邊界，它就給你最不會被批評的答案。沒錯但沒用。
訊號❸：你需要持續追問才能挖到有用的東西
如果一個任務你需要跟 AI 來回 8、10 次才能拿到能用的東西，八九成是第一個問題的設計就出了問題。好的問題設計，第一輪 AI 給的東西就應該有 60-70% 可用，剩下的是微調。如果每次都要從頭重新拆，那一開始就漏了什麼關鍵脈絡。
怎麼把模糊需求變成「會被 AI 理解」的好問題？4 步流程
這是我自己內化過、實際在用的流程。給 PM、行銷、設計、企劃都適用，不需要懂技術。流程的本質是「先把腦子裡那團毛線拆成幾個可被回答的單位」，再交給 AI。
❶ 第 1 步：寫下你「真正想知道」的那個問題（不是表面那個）
這步最容易跳過，所以最值得花時間。大多數人問 AI 的問題都是「表面問題」，例如「幫我寫一段產品介紹」，但真正的問題其實是「這個產品要怎麼讓 25-35 歲女性覺得跟自己有關」。
實作方法：問完表面問題之後，多寫一句「為什麼我需要這個答案？」一直追問下去，直到你寫不出更深的「為什麼」為止。最後那一個，才是你真正的問題。
❷ 第 2 步：把問題的邊界畫出來
包含 3 個維度：對象（給誰看／給誰用）、場景（在什麼情境下被使用）、限制（不能怎麼樣）。AI 沒有讀心術，你不講邊界，它就給你最廣泛的版本。
舉例:「幫我寫一段官網的產品介紹」→「幫我寫一段官網首頁 hero section 的產品介紹，受眾是 30 歲台北女性上班族，不要寫成功能清單，要讓她在 5 秒內理解這個產品能解決她哪個痛點」。後者答案立刻可用 70%。
❸ 第 3 步：把「成功的長相」具體化
講給 AI 聽：你期待答案長什麼樣子。包含格式、長度、語氣、可不可以用比喻。這步不是要綁死答案，是給 AI 一個錨點。
實作模板：「請以 [格式] 給我答案，[長度] 字內，語氣要 [描述]，可以引用 [可用素材]。」這個錨點丟出去，AI 給的東西會比你以為的還精準。
❹ 第 4 步：先讓 AI 反向問你問題
這步是高手分水嶺。不要急著要答案，先丟一句：「在你回答這個問題之前，請問我 5 個你覺得需要先釐清的關鍵問題。」
這招我用了 2 年，幾乎沒失手過。AI 反問的問題會直接戳到你問題裡沒想到的盲點，等你補完那 5 個答案之後再問原問題，回答的品質會有等級差異。原理很簡單：你的問題本來就缺脈絡，先補脈絡再問，當然好。
📌 4 步流程口訣：先挖真問題 → 再畫邊界 → 給成功長相 → 讓 AI 反問你。這 4 步走完，平均能讓你的 AI 答案可用度從 30% 拉到 80%。
踩坑分享：我用同一個任務測 3 家 AI，發現的不只是工具差異
這個踩坑經驗讓我意識到「設計問題」比「選工具」更重要。有一陣子我在做電子書的銷售文案規劃，腦袋有點打結，就決定丟同一個任務給 Claude、ChatGPT、Gemini，看看誰給我的最有用。
第一輪我問的是：「我有一本探討 AI 思考方式的書，幫我規劃 3 個月的內容行銷主題」。三家 AI 給的答案都很完整、結構工整、SEO 友善——但坦白講，我看完三份都覺得「對，但這個我自己也想得到」。
後來我意識到問題出在我的問題設計太模糊。我重來，這次先讓三家 AI 反問我問題，發現它們各自問的問題完全不同：Claude 會問「你的目標讀者是已經買了書的人，還是還沒聽過你的人？」、ChatGPT 會問「你定義的『成功』是書銷售、還是品牌曝光？」、Gemini 會問「你能投入的時間是每週幾小時？」
三家 AI 各自問的問題，反過來幫我把「我的問題」設計清楚了。等我帶著補完的脈絡再問，三家給的答案差異就只剩語氣與細節，可用度都到 80% 以上。這時候才真正用得出工具差異。
結論：選工具是最後一步，前面那一步「把問題拆乾淨」沒做完，工具差異無法顯現。延伸閱讀可以看我之前寫的三大付費 AI 的選購建議，但選之前先把問題設計好，否則訂哪家結果都差不多。
哪些職位最需要練「設計問題」這個能力？
說真的，2026 之後幾乎每個白領職位都需要，但有 5 類職位的「設計問題」能力直接決定產出品質。
| 職位類型 | 為什麼需要 | 怎麼開始練 |
|---|---|---|
| 產品經理 / 企劃 | 本來就是「定義問題」職人，AI 放大這項技能的槓桿 | 每次寫 PRD 前先用 4 步流程拆問題，看PM AI 工具實測 |
| 行銷 / 內容企劃 | 受眾、目標、限制條件不講清楚，AI 寫的東西全是空話 | 練「邊界三維度」（對象／場景／限制） |
| UX / 設計師 | 需求描述模糊是設計師最大痛點，AI 不會自己幫你補脈絡 | 每次接需求先讓 AI 反問你問題 |
| 研究 / 分析師 | 研究問題的精準度直接決定結論可用度 | 練「真問題」挖掘，多追問為什麼 |
| 主管 / 決策者 | 不需要自己寫 Prompt，但需要能判斷下屬問的問題對不對 | 看到團隊用 AI 給出的成果，問「他們問了什麼？」 |
這 5 類職位有一個共通點：輸出品質取決於輸入品質。AI 沒辦法幫你補你自己沒想清楚的脈絡，這個能力沒人能代勞。
常見問題
「設計問題」這項能力要練多久才看得到效果？
就我自己的觀察跟身邊朋友的經驗，「4 步流程」上手大概 2-3 週可以變成下意識動作；要練到能在會議當場拆同事的問題大概 2-3 個月；要做到「看到一個任務就能直覺知道哪裡會卡」這個層次，至少半年。重點不是時間，是有沒有刻意每次用 AI 都跑一次流程。
我已經會寫 Prompt 了，還需要練設計問題嗎？
需要，而且更需要。Prompt 寫法是「答案的精修工具」，設計問題是「答案方向的決定器」。Prompt 寫得再漂亮，方向錯了就是錯了。會寫 Prompt 但不會設計問題的人，常常做出「形式很美但沒人想看」的東西。
是不是只有用 ChatGPT、Claude 這種大型 AI 才需要？用免費版工具也要嗎？
都要。設計問題是元認知層的能力，跟你用哪個 AI 沒關係。免費版可能更需要——免費版本來算力就有限，問題沒設計好它更給你模糊答案。先把問題拆乾淨，免費版也能拿到 70% 可用的東西。
有沒有一個情境是「不用設計問題、直接問就好」？
有，3 種：第一是查事實型問題，例如「Notion AI 月費多少」；第二是格式轉換，例如「把這段中文翻成英文」；第三是純創意發想階段，故意要寬鬆的腦力激盪。除此之外的工作任務，幾乎都應該先設計問題。
4 步流程裡哪一步最容易被跳過？
第 1 步「挖真問題」和第 4 步「讓 AI 反問你」。第 1 步被跳過是因為人都急著要答案；第 4 步被跳過是因為「反問」感覺多花時間。但這兩步偏偏是效益最大的，省了它們等於省了 80% 的價值。
結語：AI 普及之後，職場真正的新分水嶺
這幾年 AI 工具變化太快，但有一件事我越來越確定：會用工具的人會越來越多，會問問題的人不會自動變多。這就是 2026 之後職場真正的分水嶺——不是你訂閱了 Claude Max 還是 ChatGPT Pro，是你能不能在丟出去之前，先把腦子裡那團模糊的東西拆清楚。
練這個能力沒什麼捷徑，就是每天用 AI 的時候多花 5 分鐘走一次 4 步流程。3 個月後，你會發現你問同事「你怎麼問的？」的次數變少了——因為你已經學會自己問自己。
如果你想看更多這類「AI 時代怎麼思考」的文章，歡迎訂閱我的部落格，訂閱後會不定期收到信。
延伸閱讀
- 不同 AI 的 Prompt 寫法差在哪？三家下指令完整攻略
- 2026 PM 必學：用 AI 走完一個產品需求到原型的完整流程
- 產品經理 AI 工具怎麼選？2026 實測 14 款
- Claude、ChatGPT、Gemini 三大付費 AI 怎麼選
