Anthropic 最近分享了一份給創辦人的 Founder Playbook。
表面上，它在講 AI 原生公司怎麼從想法、第一版、推出，一路走到規模化。
但我看完最想拿出來講的，不是創業技巧。
是另一件更普遍的事：
AI 讓「做出來」變便宜了。
但它沒有讓「判斷」變便宜。
趕時間版
- 以前很多專案卡在做不出來，現在 AI 很快就能幫你做出第一版。
- 新的風險是：你可能把不該做的東西，做得很完整。
- 所以叫 AI 開工前，不只要寫「我要做什麼」，也要先拆清楚「我現在卡在哪一段」。
- 我會把 AI 工作拆成四段：收集、整理、分析、決策。
- 越靠近決策，越不能只看速度。因為錯方向被做快，只會更快堆成成本。
真正的瓶頸換位置了
很多人第一次用 AI 有一個很強的體感：
原本做不出來的東西，突然可以做出來了。
不會寫頁面，AI 可以幫你寫。
不會整理資料，AI 可以幫你整理。
不會做第一版提案，AI 可以幫你生出架構。
不會畫圖、不會拆任務、不知道怎麼開頭，AI 都可以先給你一版。
這些都很好。
但當產出變便宜，另一個問題會變得更明顯：
你會更晚才發現自己做錯方向。
以前方向錯，可能很快就卡住，因為你根本做不出來。
現在方向錯，也可以被 AI 包裝成一個看起來很完整的東西。
它有標題、有段落、有圖、有按鈕、有下一步。甚至看起來像一個已經快完成的專案。
所以我現在比較在意的，不是「AI 能不能幫我做」。
而是「我到底要把哪一段交給 AI」。
我會先拆成四段：收集、整理、分析、決策
我現在比較常用的拆法很簡單。
第一段是收集：資料從哪來？
第二段是整理：格式能不能用？
第三段是分析：有沒有看錯？
第四段是決策：誰負責取捨？
這四段看起來很普通，但它可以避免一個常見誤會：
把整條工作流都叫做「交給 AI」。
其實每一段適合交出去的程度差很多。
收集可以請 AI 幫你拉資料、整理來源、列出問題。
整理可以請 AI 幫你統一格式、補欄位、做摘要。
分析可以請 AI 幫你找模式、列反例、提醒盲點。
但決策那段，不能因為 AI 寫得很順，就直接把責任也交出去。
AI 可以幫你把選項擺出來。
但要不要做、做到哪裡、停損條件是什麼，還是要回到人。
收集：不要只問「找到了嗎」，要問「能信嗎」
收集階段最容易看起來很有效率。
你叫 AI 找資料，它可以很快列出一堆來源。
你叫 AI 整理競品，它可以很快做出表格。
你叫 AI 摘新聞、看文件、抓趨勢，它也能在幾分鐘內給你一份看似完整的結果。
但收集階段真正的問題不是「有沒有資料」。
而是「這些資料從哪裡來」。
來源可靠嗎？
是不是過期？
是不是只是別人的二手轉述？
是不是少了反方觀點？
這些問題如果沒有先問，後面整理得再漂亮也沒用。
因為你只是把不可靠的東西，排版成比較像真的。
整理：格式變漂亮，不代表問題變清楚
第二段是整理。
這是 AI 很擅長的地方。
把雜亂筆記整理成表格。
把會議紀錄拆成待辦。
把一堆文章摘要成重點。
把多個版本的資料合併成一份清單。
這些事很適合交給 AI。
但整理也有一個陷阱：
格式變整齊之後，人很容易誤以為問題也變清楚了。
其實未必。
欄位設錯，表格越乾淨越危險。
分類錯，摘要越順越像真的。
缺漏沒有標出來，讀者會以為沒有缺漏。
所以整理階段，我會多問一句：
這份整理有沒有把「不確定」也整理出來？
如果一份 AI 整理只剩結論，沒有標出資料缺口、假設、需要人工確認的地方，我會把它視為半成品。
分析：要 AI 給答案，也要它拆自己的答案
第三段是分析。
這一段很迷人，因為 AI 會講得很像懂。
它可以幫你歸納趨勢、比較選項、推論原因、寫出下一步。
但也正因為它講得很順，才要更小心。
我現在比較常做的不是只問：
「你覺得答案是什麼？」
而是接著問：
「你可能哪裡看錯？」
「如果反過來想，最強的反方觀點是什麼？」
「這個結論需要哪些前提才成立？」
「有沒有哪個資料點一改，整個判斷就會翻掉？」
這些問題看起來比較麻煩，但它們會把 AI 從「給我一個漂亮答案」拉回「幫我一起檢查判斷」。
對我來說，這才是分析段真正有價值的用法。
決策：最慢的那一段，通常不能直接自動化
最後一段是決策。
也是最容易被忽略的一段。
因為前面幾段越來越快，決策就會顯得很慢。
資料整理好了。
分析也寫好了。
選項也列好了。
那為什麼還不做？
很多人會以為這代表自己拖延，或是 AI 還不夠強。
但有時候不是。
有時候是因為你還沒有定義取捨。
如果做 A，就代表不做 B。
如果今天推出，就代表接受某些風險。
如果讓 AI 自動回覆，就代表你願意承擔它偶爾回錯的成本。
這些都不是單純的效率問題。
它們是責任問題。
AI 可以幫你把決策材料整理得更好，但它不能替你承擔後果。
越靠近這一段，我越不會只看速度。
下次叫 AI 開工前，先寫三句話
如果你想把這套拆法拿去用，不需要做得很複雜。
下次你準備叫 AI 幫你做一個新東西前，先寫三句話：
我現在卡在：收集 / 整理 / 分析 / 決策
這一段可以交給 AI 的部分是：
這一段必須由我判斷的部分是：這三句話會逼你先分清楚：你要 AI 補的是勞力、結構、反方觀點，還是只是想把不想面對的決策往後推。
如果你寫到「決策」那一段，卻發現自己講不清楚停損條件、責任歸屬、最壞後果，那就先不要急著自動化。
先把判斷補上，再讓 AI 加速。
我把這四段整理成一份盤點表
我把這篇的四段問題整理成一份「AI 原生瓶頸盤點表」。
它不是拿來證明你很會用 AI。
它比較像一張開工前的檢查表：先看自己卡在哪一段，再決定要把哪一段交出去。
表裡會帶你逐段問：
- 收集：資料從哪裡來？哪些來源需要人工確認？
- 整理：格式能不能用？缺漏要怎麼標出來？
- 分析：有沒有反例？這個結論靠哪些前提成立？
- 決策：誰負責取捨？最壞後果是什麼？
文章下方有下載卡片可以直接拿走。
結尾：先拆對，再交給 AI
我覺得 Anthropic 這份 Playbook 值得看，不是因為它給了一套完美的創業答案。
而是它提醒一件現在很容易被忽略的事：
AI 讓很多事情變快了，但取捨沒有自動變簡單。
你還是要決定哪件事值得做。
你還是要知道哪些資料可信。
你還是要看見分析裡的盲點。
你還是要承擔最後的選擇。
所以我現在會先問一句：
如果 AI 一分鐘就能幫我做完，那我還要不要做？
如果答案說不清楚，先別開工。
先拆對，再交給 AI。
