週會前一個小時,你叫 AI 幫你寫週會報告。你把這週的數據貼過去,它給你一份東西。格式漂亮,條列清楚,看起來很完整。
你拿去開會,老闆問你:「這個數字下滑,你怎麼看?」
你停了一下。
因為那份報告是 AI 整理的,不是你想過的。
週會報告要展示的不是資料,是你的判斷
數字誰都能讀。老闆要的不是你把數據念一遍,是你告訴他這個數字代表什麼、你怎麼看、下一步要做什麼。
這個部分 AI 沒辦法替你做,因為它不在你的工作現場,不知道這個數字背後發生了什麼,不知道你上週跟客戶談的時候感覺到什麼,不知道那個問題你心裡已經有方向還是還沒想清楚。
叫 AI 直接寫週會報告,你得到的是一份「看起來有在準備」的東西,但你對裡面的每一個判斷都沒有底氣。
換一個用法:不是叫它寫,是叫它幫你整理你已經有的東西。
→ Claude vs ChatGPT:行銷人寫提案,哪個比較不會讓你改到崩潰
正確的流程是反過來的
第一步:先把腦袋裡的東西倒出來
週會前,找個地方,不要想格式,直接用口語把這週你觀察到的事打出來。
「業績數字比上週低,但我覺得原因是活動剛結束,不是真的在跌。」 「A 客戶這週突然沒有回應,不確定是不是有問題。」 「新功能上線,內部反饋還不錯,但用戶端的數據還沒進來。」
越亂越好。這個步驟是給你自己看的,不是給老闆看的。
第二步:讓 AI 幫你找邏輯線
把剛才的東西貼給 AI,請它做一件事:「這些觀察裡,這週最重要的三件事是什麼?它們之間有關係嗎?」
看它整理出來的。如果它找到的重點跟你想的一樣,你知道你的判斷是清楚的。如果它找到一個你沒想到的關聯,有時候反而會讓你看見一條你漏掉的邏輯線。如果它整理錯了,你知道你的描述哪裡不夠清楚,回去補。
→ NotebookLM 的提問方式決定答案品質:五種問法比較
第三步:逐點加上你的立場
AI 給你結構之後,你逐點過一遍:這個我認同、這個要改、這個它漏掉了。
然後在每一個重點後面,加上你的判斷:
「業績數字低——我判斷是短期波動,下週觀察。」 「A 客戶沒回應——我下週主動跟進,確認狀況。」 「新功能反饋——等用戶端數據進來再評估,不急著結論。」
這些判斷不需要很長,但需要是你的。這才是你在週會裡最值錢的東西。
第四步:最後才叫它整理成格式
判斷都確認好了,再請 AI 把內容整理成週會的格式。
這個時候它做的是排版,不是替你思考。格式是最不重要的那一層,放到最後做。
→ AI 寫文案會犯的三種錯,ChatGPT 和 Claude 各有不同毛病
為什麼很多人反過來做
因為叫 AI 直接寫比較快,至少「看起來」比較快。你貼資料、它給報告、你拿去用。
但快在前面,慢在後面。你對報告裡的判斷沒有把握,開會的時候被問到就卡住。或者你對報告不放心,花時間逐句改,改到最後等於自己重寫一遍,還不如一開始就自己想清楚。
先倒邏輯、再讓 AI 整理、最後才做格式——這個順序多花十分鐘在前面,省的是你在會議室裡說不清楚的尷尬,和改稿改到不知道在改什麼的時間。
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。
免費仔的 AI 工具組合:不花錢也能跑完 80% 職場任務
每個工具都有免費版,但免費版不代表能用。這篇整理了四個真正好用的免費 AI 工具,搭配起來能跑完大多數職場任務,不用每個月多花一分錢。
寫廣告文案前先給 AI 讀受眾資料,輸出品質差了一個量級
同樣的 prompt,給 AI 讀過受眾資料再寫,跟直接叫它寫,結果差很多。不是 AI 變聰明了,是你給它的起點不一樣。這篇拆解如何餵資料給 AI。