根因分析不再憑感覺，讓AI 教練幫你落實豐田五個為什麼
你的團隊又出包了。可能是客戶收到錯誤的東西、重要數據對不上、或是流程執行時才發現設計有問題。這不是第一次，上個月才發生過類似的事。
你在會議上再次強調：「大家要細心一點，這種錯誤不應該發生。」團隊成員點頭，會後你發了一封提醒信，列出注意事項。兩週後，類似問題又出現了，只是換了一個環節、換了一個人。
你知道應該找根本原因而不是怪人。但每次開檢討會，討論還是會變成：「到底是誰的問題？」、「我覺得是因為...」、「應該是...吧？」最後通常是誰講話比較大聲，就採用誰的版本。會議結束，結論還是「要更細心」、「加強提醒」。然後問題繼續循環。
怎麼辦？這就是豐田生產系統發展出的「五個為什麼」方法想解決的問題：多數人停在表面找答案，結果永遠在滅火，火永遠滅不完。
為什麼要問五次為什麼？因為真相藏在深處
「五個為什麼」出自豐田的經典故事：生產線上一台機器停了，技術員過去一看，保險絲燒斷了。換一個新的，機器又動了，問題解決？
如果只做到這裡，下週這台機器還會停，下下週可能其他機器也停。豐田要求技術員繼續問：
「為什麼保險絲會燒斷？」因為機器過載。
「為什麼會過載？」因為軸承潤滑不足。
「為什麼潤滑不足？」因為油泵打不上油。
「為什麼打不上油？」因為泵軸磨損了。
「為什麼會磨損？」因為沒有加濾網，鐵屑跑進去了。
因此真正的問題不是保險絲，而是維護流程裡少了一個濾網。如果只換保險絲治標不治本。如果加上濾網，這個問題在所有機器上都不會再發生。
這個道理放在管理上也一樣。當你遇到團隊效率低、專案延遲、人員流動，第一時間看到的都是表象。你需要一層一層往下挖，才能找到真正可以改變的地方。
問題通常有三個層次：表面症狀、中層原因、根本原因。表面症狀是你直接看到的現象，中層原因是造成症狀的直接因素，根本原因則是系統性的結構問題。多數人停在第一層就開始解決，結果就是治標不治本。
不是問到第五次就好，要問到「可改善的控制點」
「五個為什麼」常被誤用成形式化的問答：硬湊五層，最後還是停在抽象結論。更有效的做法，是把它當成「因果鏈追蹤」：每一次追問都逼近一個更底層、且更可被介入的原因。當你追到某一層，已經可以提出具體、可驗收的改善，並能合理預期錯誤率下降，這時就可以停，不必拘泥層數。
所謂「可改善控制點」通常落在五類：
- 資訊呈現：正確資訊是否在正確時刻、以不容易忽略的方式出現。
- 流程步驟：流程是否存在容易跳過的關卡，或缺乏必要檢核。
- 責任切分：誰負責、誰拍板、誰驗收是否清楚。
- 驗收與抽檢：錯誤是否會被早期攔截，而不是到客戶端才被發現。
- 訓練與交接：新做法是否被教會，變更是否有過渡期與保護機制。
你可以把「五個為什麼」的終點定義為：找到至少一個控制點，能用制度或設計讓錯誤機率下降。
在執行「五個為什麼」時的三個致命困難
「五個為什麼」方法雖好，但你或許很少聽到用得好的實例，這個方法可說是易學難精，原因是我們在執行這個方法時，有三個結構性的困難。
困難一：人會憑感覺猜原因，缺乏證據
會議室裡，有人說「我覺得是 A 因素」，另一個人說「應該是 B 因素」，第三個人說「可能是 C 因素」。大家各有看法，但都沒有證據。
討論進行到第三個「為什麼」時，已經有五六種不同的推測。最後通常是主管拍板：「我們就先假設是 A，針對 A 做改善。」
兩週後問題又發生，因為根本不是 A。
人很難在討論中維持聚焦於證據。當你提出一個原因時，腦中想的是「聽起來合理嗎？」，而不是「我有什麼證據」。而且當別人挑戰你時，你會本能地防衛，而不是去找證據。
困難二：人會習慣責怪人，很難檢討「系統」
更深層的問題是，人的本能是找「誰的錯」。
「為什麼會出錯？因為 Y 的操作不當。」
「為什麼 Y 操作不當？因為態度不認真。」
「為什麼不認真？因為 Y 就是這種人。」
問到第三層就停在「個人特質」，這種分析毫無用處，因為你改變不了一個人的性格，也無法保證下一個人不會犯同樣的錯。
要把問題從「人」推到「系統」，需要刻意的思考轉換。但人在壓力下、在會議室裡，很難做到。
困難三：人會問兩三次就停，沒有追到根因
第三個困難是，人不知道什麼時候算「追到根因」。
問了兩三次，覺得「差不多了吧」，就停下來。或者問到某一層，不知道還能往哪個方向問，就卡住了。
真正的根因通常要問到第四、五次才會出現，但多數人沒有那個耐心和方法繼續追問。
這三個困難導致的結果是：雖然你知道五個為什麼這個方法，但實際執行時，還是會停在表面、怪到人、中途放棄。
AI 作為追問者的三個關鍵優勢
AI 無法取代你的判斷，但可以成為一個不會疲倦、不帶情緒、持續追問的教練。它能夠彌補人在執行五個為什麼時的三個結構性困難。
優勢一：AI 要求證據，打破憑感覺推論的循環
AI 可以在每一層追問時要求：「你有什麼資料或觀察支持這個判斷？」它不會被「聽起來合理」的說法說服，而是持續要求可驗證的事實。
例如當你說「因為流程太複雜」，AI 會問「哪個環節複雜？上次執行花了多少時間？哪個步驟卡住最久？」這種追問迫使你從模糊的感受轉向具體的觀察。
這個能力在會議室裡的你我很難做到。當主管說「我覺得是因為...」，下屬通常不敢追問「你有證據嗎」。但對 AI 提問時，這個心理壓力不存在，你可以坦承「我不確定」，然後討論如何取得證據。
優勢二：AI 引導系統思考，避免落入責怪個人的陷阱
當你說「因為某人操作不當」，AI 可以追問：「為什麼這個操作方式會出錯？是流程設計的問題還是訓練不足？」
這種重新框架的能力，是人在會議室壓力下很難做到的。當你說「因為員工不夠細心」，AI 會轉向：「是什麼條件讓細心的人也可能出錯？」這個追問把焦點從個人特質推向系統條件。
系統思考需要刻意練習。AI 可以扮演那個持續提醒你「不要怪人，要看系統」的角色，直到這種思考方式內化成你的習慣。
優勢三：AI 持續追問直到找到可改善控制點
AI 不會覺得累或不耐煩，可以追問到第六次、第七次。它可以被設定成：除非找到符合五類控制點之一的改善方案，否則繼續追問。
這確保你不會中途放棄，真正挖到可以動手改變的層次。更重要的是，AI 可以在每一層追問後總結目前的因果鏈，讓你清楚看到已經推進到哪裡，還需要往哪個方向深入。
具體操作：與 AI 進行五個為什麼對話
你可以把五個為什麼方法轉換成與 AI 的對話，幫助你落實這套方法。
步驟一：準備問題陳述與背景資訊
在開始與 AI 對話前，需要先整理三類資訊：
- 問題現象：具體描述發生什麼事、何時發現、影響多大、是否重複發生。
- 流程背景：標準做法是什麼、實際做法是什麼、涉及哪些人、使用什麼工具。
- 已知事實：有哪些可驗證的數據、觀察紀錄、或過去的處理經驗。
這個準備不需要完美。你可能有些資訊不清楚，這沒關係，AI 會在對話中指出你需要補充什麼。但至少要有基本的問題描述，否則 AI 無從開始追問。
步驟二：用提示詞設定 AI 的角色與追問規則，進行多輪追問對話
直接把問題丟給 AI 並不會得到好的分析。你需要藉由提示詞明確告訴 AI 它的任務是什麼、應該如何追問、何時可以停止。AI 會開始提問，你提供事實。這個過程通常需要 5 到 10 輪對話。
對話會經歷的三個階段：
- 第一階段，從問題現象到直接原因。AI 會問時間、範圍、頻率，確認問題邊界，並對比標準流程與實際執行的差異。
- 第二階段，從直接原因到系統因素。AI 會追問為什麼偏離標準，是資訊不清楚、能力不足、還是流程設計有問題，把焦點從個人推向系統條件。
- 第三階段，從系統因素到根本原因。AI 會挖掘為什麼系統會有這個問題，是責任不明、機制缺失、還是設計缺陷，直到找到可改善的控制點。
在對話中要注意三件事：
第一，當 AI 要求證據時，如果你不確定，直接說「我不清楚」，然後討論如何取得這個資訊。不要編答案或猜測，那只會讓分析偏離正軌。
第二，當你的回答開始指向「某人的問題」時，AI 應該會引導你轉向系統思考。如果 AI 沒有做到這點，你可以主動要求：「這個原因是否能從系統設計的角度重新思考？」
第三，可以隨時暫停去蒐集資料，不需要一次完成。把對話內容存下來，下次繼續時把新的觀察結果補充進去。
步驟三：驗證根因並規劃改善行動
當 AI 認為找到根本原因時，它應該說明這個原因屬於哪一類控制點，並提出具體改善方案。
這時你需要做的是驗證：這個根因如果被解決，問題是否真的不會再發生？改善方案是否可執行？需要多少資源？
驗證通過後，為每個改善方案設定可觀察的成功指標。例如「錯誤發生頻率從每週一次降到每月一次」或「新人接手後三個月內零失誤」。
沒有指標的改善計畫，三個月後你不知道是否有效，問題可能又回來了。
提示詞範本：立即可用的分析工具
以下提供一個基本的提示詞範本。你可以直接複製使用，只需要填入你的問題與背景資訊。
（提示詞開頭）
你是一位精通豐田生產系統（TPS）與「五個為什麼（5 Whys）」的根因分析教練。你的目標是透過追問，協助我從表面症狀挖出系統性的根本原因。
【證據等級規範】（核心規則）
在每一輪對話中，當我提供原因時，請要求我標註該資訊的「證據等級」。若我未標註，請主動追問：
• 等級 A (觀察事實)： 親自到現場看到、或有截圖/錄影證明。
• 等級 B (數據紀錄)： 系統日誌、報表數據、或是有紀錄的通訊紀錄。
• 等級 C (他人轉述)： 聽同事回報、或是相關人員的訪談。
• 等級 D (個人推論)： 基於經驗的合理猜測，目前尚無直接證據。
處理原則：
• 若回答屬於 等級 C 或 D，請提醒我：「這目前屬於推論，是否需要先討論如何驗證，再繼續往下挖？」
• 除非提供等級 A 或 B 的證據，否則請在因果鏈總結中標註該節點為「待驗證」。
【分析任務】
1. 問題定義： [請在此輸入問題，例如：本週客戶訂單重複寄送兩次]
2. 背景資訊： [發生時間、影響範圍、過往是否有類似紀錄]
【執行規則】
1. 逐層追問： 一次只問一個「為什麼」，禁止一次跳過多層。
2. 系統思考： 當我的回答指向「某人的疏失」時，請強制引導我思考：「是什麼系統條件允許這個錯誤發生？」
3. 停止條件： 持續追問，直到找到以下五類「可改善控制點」之一：
o 資訊呈現問題（正確資訊未在正確時刻出現）
o 流程步驟問題（缺少檢核或容易跳過）
o 責任切分問題（權責模糊）
o 驗收機制問題（錯誤未被早期攔截）
o 訓練交接問題（做法未被教會）
【對話方式】
• 每一輪結束後，請用以下格式總結目前進度： 因果鏈：問題 -> 原因1 [等級] -> 原因2 [等級] ...
• 當確認找到根本原因後，請提出 2-3 個具體改善方案，並設定「成功驗收指標」。
現在，請針對我的問題開始第一個「為什麼」的追問。
（提示詞結尾）
重要提醒：AI 是追問工具而非答案來源
AI 的價值不是給你答案，而是逼你看到平常會忽略的細節。它無法觀察你的現場、不了解你的組織文化、不知道哪些方案可行。真正的答案在你的觀察與數據裡，AI 的工作是持續追問，直到你找到那個答案。
因此當 AI 要求證據時不要覺得麻煩，那正是區分有效分析與空談的關鍵。當 AI 提出改善方案時，記得回到你的情境評估可行性。
與 AI 對話的技巧
AI 不會通靈，也不是你的真人同事，他的答案品質完全依靠你提供的資料與事實，因此你必須做到：
- 第一，誠實回答。當 AI 問你某個資訊但你不知道時，直接說「我不清楚」，然後討論如何取得這個資訊。不要為了快速結束而編答案，那只會得到錯誤的分析。
- 第二，可以暫停。不需要一次完成，可以中途去蒐集資料、觀察現場，再回來繼續對話。把對話內容存下來，下次從中斷處繼續。
- 第三，挑戰 AI。如果 AI 的追問方向你覺得不對，可以提出你的想法，要求 AI 換個角度。AI 是工具不是權威，你對問題的理解更深，可以引導對話方向。
- 第四，保存過程。整段對話結束後，請 AI 整理成「問題分析報告」，包含完整的因果鏈、根本原因、改善方案、驗證指標。這份報告可以與團隊分享，也可以作為後續追蹤的依據。
- 第五，迭代使用。第一次可能找到的不是真正根因，實施改善後若問題仍在，可以把新的觀察結果再次輸入，繼續深挖。有些複雜問題需要兩到三輪分析才能真正解決。
立即可執行的下一步行動
現在你已經理解方法、看過案例、拿到工具，接下來是行動。
第一步，準備一個最近發生的問題。不需要是最複雜或最嚴重的，選一個你覺得「應該可以改善但一直沒改好」的問題就可以。
第二步，花 10 分鐘整理問題的背景資訊。包括什麼時候發生、影響範圍、過往紀錄、相關人員與流程。不需要完美，先寫下你知道的部分。
五個為什麼方法的價值不在於一次找到完美答案，而在於建立一種持續深挖的思考習慣。用 AI 做第一次分析，你會發現原來很多問題的根因比你想的更深、更系統性。
當你習慣這種追問方式，下次遇到問題時，即使不用 AI，你也能自己往下挖，不會再停在「要更細心」這種無用的結論。
------------------------
隨著AI的普及，執行力不再是稀缺資源，管理者的價值因而面對巨大的轉型機會。
「 #當管理學遇上AI 」不只是給管理者的 AI 操作指南，從深厚的經典管理智慧出發，拆解 AI 時代的真實挑戰，協助管理者跨越「工具操作」的表層，進入「組織協作」的深層核心。
除了幫你的「管理工具箱」增添配備之外，AI 將成爲管理的力量放大器，而你則是負責校準方向的引導師。我們在追求效率的同時，更要練習在複雜中找到平衡，讓你在 AI 時代，當個更從容、也更有溫度的領導者。
