那份分析報告你花了兩個小時做完。平常這種報告需要半天，這次因為用了 AI 輔助，速度快了很多。你覺得品質也不差，就發給相關部門。下午收到財務主管的回覆：「這個數字是怎麼算出來的？可以說明一下嗎？」
這不是在質疑你的能力，但那個問題讓你意識到一件事：當你用 AI 做分析，你對每一個數字背後的邏輯，真的都清楚嗎？
這是 PM 在使用 AI 做數據分析時最容易遇到的困境：速度變快了，但如果被問到細節，你能不能站得住腳？
為什麼 PM 用 AI 做分析特別容易被質疑？
PM 的角色在組織裡很特殊。你不是數據分析師，沒人期待你用 Python 跑回歸分析；但你必須理解數據、解讀趨勢，並在討論中捍衛你的判斷。
財務主管問「這個數字怎麼算的」，其實在問的是：「你理解這份分析嗎，還是只是把 AI 的輸出轉發給我？」 這個問題的答案，決定了別人對你專業判斷力的評估。
人機協作的三個層次
建立專業形象，不是假裝自己做了所有分析，而是確保你在過程中的每一個環節，都有真實的「判斷介入」。
層次一：你定義問題，AI 幫你找答案
分析的起點是問題，不是數據。在把資料丟給 AI 之前，建議先掌握正確的指令技巧，想清楚：這個分析要回答什麼問題？對決策有什麼影響？
→ 為什麼 NotebookLM 讀中文論文會漏掉重點？三招挖出深埋在字裡行間的關鍵
層次二：你驗證邏輯，AI 幫你處理計算
拿到結果後，先做三個檢查：量級對不對、趨勢符合業務理解嗎、結論是否有指導意義。
層次三：你負責結論，AI 幫你表達
這是最關鍵的部分。分析報告的結論，必須是你的判斷。AI 只是幫你把這些判斷整理成結構化的文字。
實戰檢核：你是執行者還是判斷者？
| 階段 | 執行者 (純用 AI) | 判斷者 (比利建議的協作模式) |
|---|---|---|
| 事前 | 直接餵資料，等待結果 | 先行定義問題與業務假設 |
| 事中 | 直接複製貼上 AI 的回覆 | 驗證數據邏輯與量級合理性 |
| 事後 | 被問到計算細節時語塞 | 提出具備判斷力的行動方案 |
選擇對的分析工具：替代方案比較
不同的分析任務需要不同的工具。根據常見的 PM 工作場景，我整理了以下比較表：
| 工具 | 強項 | 適合場景 | 注意事項 |
|---|---|---|---|
| ChatGPT | 對話靈活、格式控制強 | 深度推理、多輪追問 | 需手動管理來源 |
| Claude | 長文理解、摘要穩定 | 學術論文、長篇報告 | 需自行切割長文 |
| Perplexity | 即時搜尋、引用明確 | 驗證事實、時事查詢 | 非私有文件分析 |
| Gistr.so | 介面簡潔、專為摘要設計 | 快速產生文章摘要 | 無對話功能 |
被質疑的時候怎麼回應？
如果你已經做了上述工作，你可以專業地回應：
「這個數字是根據 X 資料，用 Y 方法計算出來的。我在整理後做了驗證，確認和上一季基準相比是合理的。如果你對計算方式有疑問，我可以提供原始資料和邏輯供參考。」
這樣的回應展現了兩件事：第一，你使用了工具（效率）；第二，你掌控了工具（專業）。
→ 把財報貼給 AI 真的沒問題嗎？處理敏感數據的五條安全底線
一個建立長期信任的習慣
每次發出報告前，問自己一個問題：「如果把我關在一個沒有電腦的房間，只給紙筆，我能解釋這份分析的邏輯嗎？」
判斷力，是不管用什麼工具都帶不走的東西。
相關閱讀
NotebookLM 的提問方式決定答案品質：五種問法比較
同樣的資料，問法不同，內容深度差很多。NotebookLM 不是搜尋引擎，你問它的方式決定它能幫你挖出多少東西。這篇整理五種問法，說清楚各自適合什麼場景。
NotebookLM 做簡報的優缺點實測：哪些場景真的好用，哪些場景會讓你踩坑
NotebookLM 生成簡報很快，但快不等於好用。這篇把它的優點和限制說清楚，讓你知道什麼時候值得用、什麼時候你會後悔沒有先看這篇。
主管用 AI 準備週會報告的正確姿勢：不是叫它寫，是叫它整理你的邏輯
叫 AI 寫週會報告，它給你一份格式漂亮但你自己都不確定的東西。問題不在工具，是你用錯方式了。週會報告的核心是你的判斷，AI 的角色是幫你把判斷說清楚。