Last Updated on 2026 年 7 月 1 日 by Eric Chiu
前陣子接受《商業周刊》採訪，是談到在工作中如何使用AI。我很認同報導裡面的引言：「與AI對話，不只是把答案收進口袋，而是提煉出問好問題的方式。」。
很多人開始使用 AI 時，常常會遇到的問題是：「為什麼我問出來的答案都很普通？」
但到後來才發現，通常問題不是出在 AI 不夠聰明，而是我們一開始沒有把「任務」想清楚。
所謂使用AI的能力，不只是多問幾句，也不是套用某個神奇的提示詞（prompt）模板。真正重要的是：你能不能把自己腦中的模糊需求，描述成 AI 可以理解、可以執行、也可以被你檢查的任務。
把問題講清楚的能力，是 AI 時代很重要的一種工作能力。
一、問 AI 之前，要先知道要解決什麼問題
很多人下 prompt 不精準，不一定是文字能力不好，而是還沒先想清楚幾件事：
- 目標是什麼？
- 要 AI 幫忙解決什麼問題？
- 最後要拿到什麼樣的結果？
- 中間應該照什麼流程進行？
- 產出之後要怎麼檢查？
例如，如果只下了提示詞：
幫我核對財報。
這句話不能說有錯誤，但對 AI 來說，範圍太大、情境太少、檢查路徑也不清楚。
如果換成比較具體的說法，可能會是：
請先從資產負債表、綜合損益表、現金流量表與權益變動表檢查彼此之間的勾稽與一致性，再針對應收帳款、存貨、毛利率、營業現金流量與去年同期變動做初步分析。這是一家台灣中小型買賣業公司，請以審計查核風險角度列出異常項目，以及後續應該追問的問題。
這樣的提問，是把任務的目的、背景、流程、判斷角度與輸出方向講清楚。
所以我認為，好的 AI 提問，第一步不是「怎麼問得漂亮」，而是「你自己有沒有先形成任務框架」並把它描述出來。
二、資深同仁與新進的差別，不是會不會問，而是知不知道要懷疑哪裡
AI 很擅長整理資料，也很擅長快速產生大量清單。
但專業工作的難處，往往不是「列出一份清單」，而是判斷這份清單：
- 哪裡太通用？
- 哪裡沒有貼近產業？
- 哪裡忽略了客戶實際情境？
- 哪些地方看起來合理，但其實不適用？
這也是資深者與新手使用 AI 時最大的差別。
例如，同樣問 AI：「查核生醫產業要注意什麼？」
AI 可能會列出研發費用、收入認列、法規風險、繼續經營等項目。這些都沒有錯，但可能只是通用答案。
如果是一家台灣中小型生醫公司，還在研發階段，尚未有穩定營收，主要資金來自股東增資或政府補助，那真正要注意的問題就會不一樣。資深者會知道要追問：
- 研發支出如何分類？是否有資本化問題？
- 政府補助收入認列是否適當？
- 資金可支撐多久？是否涉及繼續經營假設？
- 和一般上市生技公司相比，哪些財務指標不能直接套用？
如果是軟體新創，可能又會想到：
- 訂閱制收入如何認列？
- 預收款與遞延收入是否正確？
- 開發成本是否有資本化問題？
- 用戶成長、續約率與Burn Rate 速度是否合理？
所以 AI 可以幫忙回答問題，但專業者仍然要負責判斷：
- 這是不是一個對的問題？
- 這個答案是否適用於眼前的情境？
- AI 有沒有漏掉專業上真正該懷疑的地方？
我覺得，會用 AI 的關鍵不只是「問問題」，而是知道「要懷疑哪裡」。
三、把答案拉回實務情境
生成式 AI 的回答會有其隨機生成特性。它可能訓練中混合了不同國家、不同企業規模、不同產業階段、不同制度環境下的資料，最後產生一個看起來合理、但不一定適合眼前情境的回答。
例如，原本問「生醫產業查核要注意什麼？」這個問題太廣。可能更好的問法可能是：
如果這是一家台灣中小型生醫公司，仍在研發階段，尚未有穩定營收，主要資金來自股東增資與政府補助，查核時需要特別注意那些資產負債與現金流項目？
這樣一問，AI 的回答就比較有機會從通用知識，拉回到具體場景。
同樣地，如果問「請幫我分析這家公司財報」，AI 可能會給一份制式的財務比率分析。但如果改成：
這是一家成立三年的 SaaS 新創，目前仍在成長期，收入以訂閱制為主，請不要只用傳統獲利能力分析，而是從 ARR、續約率、預收款、Burn Rate速度、毛利率與人事成本結構的角度，協助我找出應該追問經營團隊的問題。
這樣 AI的回答， 比較容易貼近你真實想知道的實際情境。
四、先讓 AI 跑一遍，再持續用專業判斷修正
我自己比較常用的方法，是先把思考的工作流程講出來。
有時候我會用語音輸入，先口述自己的判斷方式，例如：
我查一間買賣業公司，通常會先看收入與成本是否配合，再看毛利率變動、存貨週轉、應收帳款回收、期後收款、主要供應商與客戶集中度……
接著，我會請 AI 把這段口語經驗整理成檢查清單或 SOP，然後再拿一個實際案例讓 AI 試跑，看它是否真的抓到重點。如果它產出太空泛，就繼續收斂；如果它漏掉重要判斷，就補充；如果它用了不適合實務的意見，就把情境拉回來。
這個過程大概可以整理成四個步驟：
- 先口述自己的判斷流程。 先把自己平常怎麼想、怎麼檢查、怎麼判斷講出來。
- 請 AI 整理成檢查清單或 SOP。 讓 AI 協助把口語經驗結構化，變成可以重複使用的流程或Skills。
- 拿實際案例讓 AI 試跑。 不要只看它整理得漂不漂亮，而要看它在真實情境中能不能抓到重點。
- 針對落差追問與修正。 把 AI 漏掉的地方、講太籠統的地方、不符合實務的地方，一層一層補進去。
我在意的不是第一次問 AI 得到什麼答案，而是第二次、第三次之後，這個流程有沒有變得更接近我的專業判斷。
因為很多專業能力，本來就不是一次說清楚的。它往往藏在一個人多年工作中累積下來的判斷順序、懷疑方向與取捨標準。AI 的價值，是幫我們把這些隱性的工作經驗慢慢整理出來。
五、不要停在一次性任務，要沉澱成可以重複使用的方法或Skills
如果一段 AI 對話只是這次用完就結束，那它比較像是一個一次性的效率工具。但如果我們把成功的提問流程、背景資料、檢查邏輯、輸出格式與覆核方式留下來，它就有機會變成團隊可以重複使用的工作方法。
對個人來說，AI 可以幫你加快某一次工作的速度。但對組織來說，更重要的是：能不能把一次成功的 AI 使用經驗，沉澱成下一次同仁也能使用、主管也能覆核、團隊可以持續改善的流程。
例如，同仁如果每次都重新問 AI「請幫我分析這份財報」，那每一次得到的品質可能都不穩定。但如果我們把好的提問方式整理內化成自己的能力，例如：
- 先確認公司產業與營運模式；
- 再確認收入型態與成本結構；
- 接著檢查四大報表的一致性；
- 再針對特定產業風險進行分析；
- 最後列出應向客戶追問的資料與待覆核事項。
甚至可以把這些流程變成SKills，這就不只是一次 prompt，而是一個可以累積的工作方法。
對我來說，有效的 AI 使用，不應該只停在一次對話，而是要逐步變成：可重複、可覆核、可迭代的工作流程。
六、任務完成後，下次怎麼問得更好？
很多人以為使用 AI 只發生在任務進行中。但我覺得，任務完成後的思考整理也是非常好的學習。
做完一個任務後，我常會反過來問 AI：
- 如果重新來一次，你會建議我一開始怎麼下 prompt？
這不是要讓 AI 幫自己打分數，而是幫助自己多思考與累積。如果每次使用 AI 後，都能回頭多做一次複盤，就會慢慢累積出自己的提問方法、判斷框架與工作流程。
AI 的使用不只發生在產出過程中，也發生在產出之後。
七、AI 時代的底層能力：描述問題與理解問題
很多人談 AI，會把重點放在工具、模型或 prompt 技巧。這些當然都重要，但我認為更底層的能力，其實是：描述問題與理解問題的能力。
- 你能不能把一個模糊的需求，拆成清楚的任務？
- 你能不能說明背景、限制、判斷標準與預期成果？
- 你能不能知道 AI 的答案哪裡對、哪裡不夠、該怎麼驗證？
- 你能不能把一次好的使用經驗，整理成下一次可以重複的方法？
這些能力，在過去其實也很重要。只是 AI 出現之後，它們被放大了。
因為 AI 很像一位能力很強、速度很快、知識很多，但不一定真正理解你工作情境的助手。如果你沒有把任務講清楚，它就會用自己的方式理解；如果你沒有能力覆核，它給你的答案再完整，也可能只是看起來合理。
因此，AI 時代真正重要的，不只是「會不會問 AI」，而是：你能不能把自己的專業判斷外顯化、結構化，讓 AI 可以協助執行，也讓人可以檢查與改進。
結語：使用AI之前，試著把問題講清楚
目前 AI 是個人能力放大器。探索問題與問問題的能力，在AI時代我相信只會越來越重要。
Eric Chiu 邱奕淳會計師 (關於我)
嗨~我是安得仕聯合會計師事務所執業會計師/雲端財會系統的創辦人，專注於企業財務、營運管理顧問與新創服務。如果您需要公司設立、工商登記、報稅記帳、財稅規劃，或是財稅簽證及顧問諮詢服務，歡迎與我們聯繫！
如果覺得文章對您有幫助，歡迎追蹤Eric臉書粉絲團，也可以提供您的建議回饋 ！
如果想要瞭解更多針對內容或專業，我們也提供付費諮詢服務。
📩 與我聯繫：可以透過線上表單或E-mail與我聯繫。
免責聲明：上述提供說明及分析，係基於現行法規所提供。現行法規未來可能改變、主管機關之個案解釋亦可能不同，甚或回溯生效，且司法行政機關所發司法行政上之命令，如涉及審判上之法律見解，僅供法官參考，法官於審判案件時，亦不受其拘束。如遇未來法規改變、發佈新的解釋函令、不同之個案解釋，本文並無義務通知上述之改變。未經個案專業審視與討論下，不應直接引用本文作進行相關決策。