AI 當然可以幫你依 RFP 寫出一份 Project Management Plan,但我不建議你一開始就這麼做。

當過 PM 的都知道,寫 PMP 最麻煩的地方,不只是文件本身,而是 RFP 裡常常有很多不完整、不明確,甚至需要等專案啟動後才會被釐清的內容。
更麻煩的是,不同產業、不同客戶、不同專案型態,對 PMP 的期待也完全不同。
政府軟體標案可能把 PMP 當成正式交付項目,連章節架構都寫在 RFP 裡;但在電子產品 OEM/ODM 專案裡,PM 很可能不會真的寫一份正式 PMP,而是用 WBS、Gantt chart、kickoff deck、issue list 來管理專案。
所以問題不是:「AI 能不能幫我寫 PMP?」
真正的問題是:「AI 能不能幫 PM 從 RFP 中整理出這個專案應該如何被管理?」

PMP 的重點不是文件厚度,而是管理清楚度

不論是 waterfall (瀑布式)還是 agile (敏捷)專案,也不管是在硬體產品製造業還是軟體產業,專案管理都離不開範疇、時程、溝通、風險、變更與驗收。
關鍵不在於文件寫得多厚,而在於專案能不能如期、如質、如預算地被推進。
所以,與其擔心 PMP 該怎麼寫,不如先專注在這些環節該如何管理,並建立一套能適用於不同產業、不同專案型態的「管理骨架」。

以我熟悉的兩個領域來看:
不同產業專案的管理重點比較表

從上表可看出,雖然專案型態不同,但管理問題其實相通。

因此,接下來的重點不是列出一份標準 PMP 章節,而是從 PM 實際管理專案的角度,思考 AI 可以協助我們從 RFP 中抽出哪些「可管理、可追蹤、可溝通」的結構。


1. Scope Skeleton:範疇骨架

範疇定義的是專案的執行邊界。
AI 可以協助 PM 從 RFP 中整理系統功能範圍、模組或子系統、交付項目、文件要求、教育訓練、維運要求,以及可能沒有明講但需要確認的工作。
但 PM 要判斷的是:
這些工作是否真的屬於本案範圍?
哪些只是 AI 的合理推論?
哪些需要在 kickoff 前向客戶釐清?
範疇骨架不是正式的 WBS,而是先讓 PM 看清楚這個專案到底包含哪些大塊工作。

2. Timeline Skeleton:時程骨架

範疇確認後,可以再請 AI 從 RFP 中找出合約起始日、milestone、階段性審查、文件繳交期限、測試與驗收期限、維運期間、教育訓練時間點,以及可能的前後依賴關係。
但這裡的重點不是叫 AI 直接排日期。
AI 可能不知道內部人力是否足夠、供應商 lead time 多久、客戶審查節奏如何、測試環境何時準備好,或資料介接單位是否配合。
所以 AI 能協助的是整理時程骨架,提醒 PM 不要忽略 RFP 中與時程相關的關注點。
Baseline schedule 仍然必須由 PM 根據實際情況判斷。

3. Governance Skeleton:治理骨架

治理骨架指的是如何有效管理專案執行。
AI 可以協助 PM 從 RFP 中整理專案組織、角色責任、會議機制、進度報告、問題追蹤、變更審查、escalation path,以及客戶審查與核准節點。
在政府標案中,有些 RFP 會明確要求週會、月報、工作會議、審查會議,甚至把這些列為驗收項目之一。
但也有些 RFP 只寫:「廠商應配合機關辦理專案管理與進度回報。」
這類描述看似空泛,卻代表 PM 必須進一步釐清治理方式。
例如:
要不要週會?
月報要交什麼?
誰可以核准需求變更?
議題卡住多久要升級?
驗收問題由誰裁決?
AI 的價值,是先把模糊要求轉成具體治理問題,讓 PM 能在 kickoff 前與客戶及團隊確認。

4. Communication Skeleton:溝通骨架

PM 工作有很大一部分都在溝通。
在這個面向上,AI 可以協助 PM 從 RFP 或需求文件中先整理利害關係人、需要定期同步的單位、需要正式紀錄的議題、需要送審的文件、需要版本控管的資料,以及必須留下正式紀錄的溝通事項。
但溝通計畫不是把會議名稱列出來而已,而是定義資訊如何流動。
PM 仍然必須在專案過程中,依實際狀況動態調整利害關係人清單與溝通方式,避免因誤解或資訊落差影響專案推進。

5. Risk Skeleton:風險骨架

AI 很適合協助 PM 從 RFP 中找出初步風險線索,例如需求描述不完整、多系統整合、資料來源不明、驗收標準模糊、時程過於壓縮、客戶審查時間未列入、第三方 API 配合風險、資安要求未充分展開,或文件交付量被低估。
但 AI 找出的只是風險線索,不是風險結論。
PM 要判斷的是:
哪些風險只是理論上可能發生?
哪些風險在這個客戶、這個團隊、這個時程下真的可能會爆?
這也是 AI-Augmented PM 與 AI-generated document 最大的差別。
AI 負責提示線索,PM 負責判斷輕重緩急。

6. Quality & Acceptance Skeleton:品質與驗收骨架

很多 RFP 的驗收條件看似完整,但實際上常有模糊地帶。
例如:
「操作介面友善」要如何驗收?
「效能良好」的具體定義是什麼?
「完成教育訓練」是開課即可,還是學員要通過測驗?
「資料移轉正確」是抽查還是全量比對?
品質與驗收條件的定義,不但對承案廠商重要,對發案方也同樣重要。
我自己就曾經踩過這種坑。
有一次我負責撰寫人臉辨識 PoC 案的 RFP,當時寫的是:
「監視器必須能在 3 秒內辨識出人臉。」
我的期望是:使用者站到監視器前,從影像擷取、上傳至雲端辨識,到結果回傳,整個過程不超過 3 秒。
但實測時,使用者等了快 7 秒才看到結果。
供應商則主張,RFP 並未定義清楚起算點;他們認為是從監視器取得影像並送出至伺服器端後才開始計算,所以仍符合 3 秒內完成辨識的要求。
問題是,使用者實際上就是等了 7 秒。
如果當年有 AI 可以協助檢查這類模糊條件,也許就能提醒我把「起算點、結束點、使用者可感知時間」定義得更清楚。
所以在品質與驗收骨架中,AI 最有價值的工作不是美化文字,而是幫 PM 找出模糊語句,並轉成需要澄清的問題。

7. Deliverable Skeleton:交付物骨架

很多 RFP 會列出交付項目,但 PM 真正需要的是「交付物管理結構」。
AI 可以協助 PM 整理每個階段要交什麼、哪些文件需要審查、哪些交付物與付款 milestone 或驗收有關、哪些是系統成果、哪些是管理文件、哪些是教育訓練或維運文件。
因為 PM 不只要知道交付物清單,更要知道每個交付物的審查責任、繳交時點、驗收標準與潛在風險。
我會建議讓 AI 先把交付物整理成一張管理表:
AI 交付物管理表

其中最容易被忽略的是「過關條件」。

上面提到的 3 秒變 7 秒案例,就不只是技術問題,也直接影響驗收。

透過 AI 協助建立這類管理表,可以幫 PM 一層一層把交付要求轉成可追蹤、可驗證、可驗收的條件。


RFP to PMP Skeleton Prompt Framework

這裡提供一個可實作的 prompt 架構。

它的重點不是一次產出正式版 PMP,而是先產出一份可供 PM 檢查、追問與調整的管理骨架。

這個架構包含四個步驟:

  1. Identify 辨識:請 AI 從 RFP 中辨識範疇、交付項目、里程碑、專案限制與利害關係人。
  2. Structure 建構:請 AI 將上述資訊整理成管理骨架,而不是直接產生正式的 PMP。
  3. Challenge 挑戰:請 AI 找出模糊、缺漏、矛盾、風險與需要澄清的地方。
  4. Adapt 調適:請 AI 依專案類型轉成適合的管理形式,例如政府標案 PMP、OEM kickoff deck 或 internal project charter。

可參考以下 prompt:

請根據附件 RFP 內容,但先不要撰寫完整的 Project Management Plan。

請先依照下列章節,萃取出一份 Project Management Plan 的管理骨架:
1. 範疇與主要工作流
2. 關鍵交付物
3. 里程碑與時程驅動因素
4. 利害關係人與治理結構
5. 溝通與回報需求
6. 品質與驗收要求
7. 風險領域與假設
8. 啟動會議前必須釐清的開放問題

針對每一個項目,請說明:
- 它是根據 RFP 的哪一部分整理出來的?
- 為什麼它對專案管理很重要?
- PM 在將它轉成實際計畫前,應該先確認什麼?

使用時請注意兩件事。

第一,提供給 AI 的 RFP 或附件,應先刪除公司、客戶、金額、個資、系統架構等敏感資訊。
第二,若資料量很大,不要一次全部丟給 AI。可以先請 AI 只處理範疇與交付物,再逐步展開時程、治理、風險與驗收,避免回應過長而失焦。

結語

AI 可以幫 PM 產生 PMP,但 PM 不應該只追求一份看起來完整的文件。
真正重要的是,AI 能不能協助我們從 RFP 中整理出範疇、交付物、時程、治理、溝通、風險與驗收等管理骨架。
因為 PMP 的價值不在於文件厚度,而在於它能不能讓專案被推進、被追蹤、被溝通,也能在問題發生前被及早看見。
在政府標案裡,這套骨架可能是一份正式的 PMP;在 OEM/ODM 專案裡,它可能是 WBS、Gantt、kickoff deck 與 issue list。
形式不同,但管理問題相通。
AI 可以協助 PM 建立骨架,但不能替 PM 做判斷。
這也是我認為 AI-Augmented Project Management 最重要的地方:不是讓 AI 取代 PM 寫文件,而是讓 PM 更快看懂專案該怎麼被管理,並把一份文件轉成真正推得動的專案。