Stakeholder 帶著 solution 來找 PM,是很常見的事。 

例如,業務單位在會議中提出需求:
「希望系統可以自動寄送逾期款項提醒 Email,最好在到期後第 1、3、7 天各寄一次,降低人工追款負擔。」
乍看之下,需求很清楚。痛點是人工催收太花時間,解法是 Email 自動提醒。
所以 PM 很容易立刻進入功能拆解模式:
  • 什麼時候寄?
  • 信件模板誰提供?
  • 寄送紀錄要保存多久?
  • 失敗重寄機制怎麼設計?
現在有了生成式 AI,PM 甚至可以直接下 prompt:
「我要做一個自動寄送逾期帳款提醒的 Email 功能,要在繳款到期日後的第 1、3、7 天各寄一次,請提供程式功能規格。」

AI 很快就會產出功能目的、觸發條件、寄送規則、Email 模板、寄送紀錄、權限控管、例外處理,甚至資料表設計。

看起來很有效率。

但這裡有一個問題:AI 只是順著提示詞往下補規格,並沒有挑戰需求背後的假設。

例如:逾期真的是因為客戶忘記付款嗎?多寄提醒信,真的就能降低人工催收負擔嗎? 

我在前一篇文章中分享了AI 對 PM 的價值,不只是協助產出文件,而是幫我們看見需求背後的需求。

這個例子也是相同的原理:先讓 AI 協助辨識需求背後的假設,避免團隊太快進入規格拆解,卻把力氣花在錯的方向上。

我建議 PM 們可用以下這一系列的 prompt,先請 AI 幫忙盤點隱含假設。 

我習慣用 RTF 來設計這類 Prompt。這也是 @Project Management Institute 在 “Talking to AI: Prompt Engineering for Project Managers” 課程中提到的一種簡潔結構: Role、Task、Format。簡單說,就是讓 AI 扮演明確角色、處理明確任務,並用指定格式輸出。 

模板一、盤點假設:

我們以 RTF 的架構先請 AI 幫我們深入盤點業務單位提出的需求與解決方案中有何隱含假設是需要進一步思考的。Prompt 可以這麼寫:

你是專業的需求分析師。

情境:
- 產品/專案目標:降低逾期款項回收週期,減少人工催收時間
- 目標使用者:已收到帳單但尚未付款的企業客戶或個人客戶
- 既有決策/方向:系統自動寄送逾期提醒 Email,預計在逾期第 1、3、7 天寄送

請輸出:
1. 我們隱含的關鍵假設;
2. 每條假設的驗證方法;
3. 若假設不成立的 Plan B。

請將結果製作成表格輸出。 

這段提示詞可能可以讓我們得到類似這樣的結果:

(註:下表只是我測試結果的局部樣本,請各位自行用 AI 測試)

測試樣本表格

這一步的重點不是產出規格,而是先問:我們是不是太快相信了「Email 提醒就能解決問題」?

模板二、將功能轉為業務目標:

接著,我會再請 AI 把功能對應回業務目標。 

你是產品/商業分析教練。

請將以下功能對應到:
1. 真正要解決的問題;
2. 業務指標;
3. 可量測的成功條件。

功能:
- 自動寄送逾期提醒 Email
- 支援不同逾期天數的信件模板
- 在信件中加入付款連結
- 記錄寄送時間與開信狀態

請將結果製作成表格輸出。
這時需求就不再只是「做 Email 自動提醒」,而是會被轉成更清楚的業務目標:
更清楚的目標範例表格

 到這裡,真正的需求其實已經改變了。從 Email 自動寄送功能變成了在不提高客訴率的前提下,提高付款率並降低人工催收時間。 

模板三、開發前的反向檢查:

最後,在決定開發前,我會請 AI 再扮演反對者: 

你是反對者角色。

我們準備開發逾期款項提醒 Email 自動化功能,逾期第 1、3、7 天自動寄送提醒信。
限制:
- 開發時程 4 週
- 不能明顯增加客服客訴
- 必須符合個資與通知同意規範
- 需要可觀測成效

請從資料充分性、替代方案、風險控制、可回滾性,
提出決策前需要補齊的檢查清單。

這時你可能會得到的回答如下:

  • 先不要直接開發完整自動化。
  • 先驗證 Email 是否真的是有效通道。
  • 需要先確認目前逾期客戶中,有多少人曾經開過帳單信。
  • 需要設定客訴率、退訂率、付款轉換率作為觀測指標。
  • 若 Email 成效不佳,應試探 SMS、Line、客服電話或一鍵付款頁。

這時需求可能就從:做 Email 自動提醒,變成:先設計一個可驗證的收款改善實驗。

這才是 AI 對 PM 真正有價值的地方:幫我們更早發現,我們是不是正在把一個未驗證的假設,包裝成一個看似明確的需求。 

PM 不只是把需求寫清楚。PM 更重要的工作,是確認團隊沒有把力氣花在錯的問題上。

你最近遇到的需求中,有沒有哪一個其實也是 stakeholder 直接帶著 solution 來找你?