從「這是真問題嗎」到「怎麼說服人」
我實際用的八個 AI skill

前一陣子，AI 彷彿還在幫我們處理偏向發想、既有知識解答、結構化的問題，但我們不知道它給予的這些回答背後依循了哪些思考模型——這些思考脈絡或理論，是我們認同的嗎？

我們是否可以「要求」AI 用我們認為恰當的理論、流程、思考方式來處理我們的問題，並且讓這個思考方式可以一再被重複，這就是我認為的 Skill。

但單單理解對我來說概念還是很模糊，我想藉由一個產品案子來實際體驗 Skill 可以為我們做到什麼，未來可以用在哪邊來服務我們的客戶。這邊就一層層紀錄，我在哪個環節用了哪個 skill、它幫我擋掉了什麼原本會走錯的方向、又留下了什麼具體產出。

🧊 第一關：這是真問題嗎？ 

一開始業主提出的產品要解決的痛點，我丟進 sharp-problem-test 這個 skill 去檢驗，得到的判定是「NEEDS MORE EVIDENCE」，證據還不夠，並提供了需要去驗證的方向。

如果沒有這道過程，我透過自我的判斷及研究，不一定如 AI 來的全面以及廣闊。因為它指出一件我自己沒意識到的事：我腦中比的是 Asana、Trello、Notion 這種通用型工具，但這個想法真正要面對的對手，其實正主要是 HoneyBook、Dubsado 這類更垂直的工作者導向工具。對手認錯了，後面所有的定位跟設計都會跟著歪掉。

🔎 第二關：有人解決了嗎？

確認問題方向之後，下一步是看市場上有沒有人已經在做。這一關我用了 yushi-competitive-analysis，詳細去跑競品的用戶人數、功能切點、行銷面向，並進行綜合分析。

這份報告擋掉的是「市面上好像沒有東西」的錯覺。報告裡列出一個對手已經有 12 萬付費用戶——這個數字同時說了兩件事：一是這個客群真的願意付錢，代表問題是成立的；二是這麼多用戶存在，卻沒有人真正解掉我們在意的那一段，反而更確認了切角還有空間。

🎯 第三關：我的切角在哪？ 

有了競品資料，我把切角重新丟回 sharp-problem-test 再測一次，這次得到的判定是 SHARP，落在「工作者面」這個角度上。

這一輪擋掉的東西也很具體：我原本想把「報價單編輯器」當成這個案子的核心賣點，但測試結果顯示，它帶來的效益大概只有 1.5–2 倍，差距不夠明顯，只是別人的既有功能優化而已，撐不起一個主打賣點。這個提醒讓我在還沒動手設計之前，先把重心挪開。

🧭 第四關：怎麼驗證？ 

切角確認後，我們需要收集更多 TA 實際的工作狀況來驗證這個假設。這一關用 customer-discovery-week，一次產出訪綱雛形、一份問卷、加上執行計畫。

👥 第五關：問誰？ 

確定要用訪談之後，第一個具體問題是「要問誰」。這一關用 claude-persona，針對你判斷需要廣度的維度，產出 10 組畫像。

像是這個專案 TA 規模一開始就鎖定在 1-2人工作室，這是不會變的。但產業我們就希望廣度可以更高，因此可以去定義給 skill，他會針對我們給予的限制完成任務。

它擋掉的是最容易犯的錯——只訪問跟自己很像、平常就會聊到的同業。這樣訪出來的答案，常常只是自己想法的迴音，聽起來很認同，但沒有真正的新資訊。

📝 第六關：問什麼？ 

有了訪談對象，接下來要決定問什麼。這一關用 interview-guide-builder，產出 7 條研究問題(RQ)、35 題訪綱。

在訪綱設計上堅守的原則，例如從近期經驗問到較久以前經驗、從具象行為問到偏價值觀的問題，這種漏斗式問法，在設計 skill 時就已經給予，都不用一再溝通。

🕳 第七關：訪綱有洞嗎？ 

訪綱寫完，先用 interview-simulator 跑過一輪模擬，模擬出約 350 段對話。

真實訪談時，真人的時間是這整個流程裡最貴的資源，如果訪綱本身有缺漏，等真的坐下來訪談才發現問題問得不到位，那個時間就直接浪費掉了。

✂️ 第八關：第一版做多大？

驗證得差不多後，是決定第一版規模的時候。這一關用 slc-or-mvp，產出 MVP 或是 SLC，看看這個產品要以 MVP（為了學習而做的實驗，做完可以丟掉，沒人會心痛）出發，還是以 SLC（Simple 簡單、Lovable 好用到會喜歡、Complete 完整——為了真的被使用而做的產品，只是範圍很小）出發。

這個思考避免把過程中討論過的所有功能，全部塞進第一版。用更有效的方式評估哪些做在第一版，而不是靠感覺。

回頭看這八關，AI skill 在這裡做的事，是多問我一句「你確定嗎、證據夠嗎」，不斷找資料、思辨、不同角度切入。真正要不要接受這個判定、要不要往下走，還是要靠人的經驗去拍板。

現在每個節點，其實都可以再深入往下細細探索我們拿到的資料該如何判斷，未來再繼續分享！