系統性思維與創新 + AI

1. 到「AI思維工具箱」分頁，選一個分析工具（SA／PA／DA／TRIZ…）。
2. 填入你的情境。先用人腦寫——這一步不能跳過。
3. 按「📋 複製提示詞」，系統會依 VIBE + TICOE 架構把提示詞組好。
4. 按下方任一個 AI 連結開新分頁，貼上、送出。

每個工具都可以匯出成一份 SKILL.md，內容就是簡報第 92 頁那張 VIBE × TICOE → skill 轉換對照表：角色設定、語氣風格、輸出格式、Task／Input／Constraint／Output／Evaluation 全部寫好。

• Claude（桌機／Code）：放進 ~/.claude/skills/<skill-name>/SKILL.md，用觸發詞啟動。
• Codex：放進 ~/.agents/skills/，格式相同。
• ChatGPT／Gemini／DeepSeek：不支援 skill 資料夾，直接把整份 .md 內容貼進對話當作系統提示，或存成自訂 GPT／Gem。

重點不是檔案，是理解：不先弄懂 VIBE + TICOE，就不知道哪些內容該固定在 skill 裡、哪些該保留給每次任務填入。Skill 不是捷徑取代理解，而是把已經理解的邏輯保存起來。

系統性思維是看見整體與部分關聯的能力，它要求我們同時運用左右腦。左腦進行收斂、邏輯性的思考，確保嚴謹；右腦進行發散、創造性的思考，尋找可能。這一切的基礎，來自於掌握兩種核心邏輯與一個清晰的思考層次。 系統性思維的終點，不是評論對錯，而是能做出更好的選擇，並產生影響力。

• 演繹法 (Deductive Logic) - 左腦的收斂思維 (PDCA): 從一般原則推導至特定結論（Top-down）。它確保計畫的嚴謹與行動的可行性，如同 PDCA (Plan-Do-Check-Act) 循環，一步步驗證與修正。這是「把事做對」的邏輯。
• 歸納法 (Inductive Logic) - 右腦的發散思維 (IDEA): 從特定觀察中總結出一般規律（Bottom-up）。它鼓勵我們從現象中發掘洞見、尋找新的可能性，如同 IDEA (Insight-Domain-Evolution-Action) 框架，是「做對的事」的創新起點。

任何一個論述，都可以拆解成三個層次來檢視其有效性：

• 議題層 (Issues Layer): 我們到底在討論什麼？核心議題是否清晰、精準且有討論的必要性？
• 論證邏輯層 (Logic Arguments Layer): 支持結論的理由是什麼？論點與數據是否真實、可靠，且能有效串連議題與結論？
• 結論行動層 (Conclusions & Actions Layer): 所以我們該怎麼辦？結論是否回應了議題，行動方案是否具體可行？

系統性思維的實踐，可以透過兩種循環流程來體現：左腦的 PDCA 用於邏輯問題的處理與持續改善；右腦的 IDEA 框架則用於創意的激發與創新機會的探索。兩者交互運用，形成完整的思考閉環。

在實務中，我們可以將系統思維應用於五大場景，並與 AI 協作以強化分析能力：

• 資源合理安排 (廣! 掌握大局): 面對複雜狀況，理清頭緒、分配資源 (對應 SA: 狀況評估)。
• 問題有效解決 (細! 問題解決): 追根究柢，找到問題真因 (對應 PA: 問題分析)。
• 風險超前管理 (遠! 超前部署): 預見未來風險，防範未然 (對應 PPA: 潛在問題分析)。
• 決策精準分析 (準! 正確決策): 權衡利弊，做出最佳選擇 (對應 DA: 決策分析)。
• 創意系統開創 (變! 突破框架): 突破框架，尋找創新機會 (對應 CA: 創意分析)。

左腦(PDCA)靠演繹推理往下收斂，右腦(IDEA)靠歸納聯想往外擴散。IDEA 的前兩步落在議題層與邏輯層：I 負責把混亂現象提煉成「洞見」，D 負責把洞見放進對的「場景」。創新不是憑空想像，而是把既有要素重新排列組合(熊彼得，創造性破壞)——真正的難處不在新觀念本身，而在如何擺脫舊觀念(凱因斯)。

這一步的核心是同理心 (Empathy)：走進使用者的世界去觀察、傾聽、感受。要問出三件事：

• 顧客任務 (Jobs)：他真正想完成什麼事？(不是他要什麼產品，而是他要把什麼事做完)
• 痛點 (Pains)：過程中有什麼阻礙、風險、成本、負面情緒？
• 爽點 (Gains)：他期待獲得什麼好處、驚喜、被滿足的渴望？

真正的洞見，藏在使用者說不出口、但你觀察得到的未滿足需求裡。洞見要能寫成一句話：「誰 (Who) + 在什麼情境下想完成什麼 (Need) + 但因為什麼而做不到 (Because)」。

高中一年級的大谷翔平把一個模糊的大目標「進職棒」，逼成 1 個核心 + 8 個支柱 + 64 個具體行動。九宮格之所以有效，是因為它強迫你把抽象目標拆到可以動手，而且不准留空格——空格會逼出你原本沒想到的面向(例如「運氣」與「人間性」竟然是投手成功的支柱)。

怎麼用在工作上：中心格寫下你的核心議題(例如「客訴半年內降 50%」)，八格寫下八個支柱(品質、流程、人員、供應商、資訊、客戶溝通、量測、文化)，再把每個支柱各展開 8 個行動。寫不滿的那一格，往往就是你真正的盲點。

把「產品及服務」當成矩陣的列，把「運用空間 / 運用時間 / 運用物件」當成矩陣的行，畫出來以後，矩陣中空白的格子就是創新的機會 (GAP)。創新往往不是發明新東西，而是把既有的東西放到一個沒人放過的格子裡。

同一個核心能力(纖維與吸收性)，靠著不斷換空間、換時間、換對象，長成一整條產品線：

1. 1872 Kimberly-Clark 成立：做書寫用紙、報章用紙
2. 1914 一次大戰：纖維棉當作戰地吸血敷料(換場域：文具 → 戰地醫療)
3. 1919 戰爭結束、產能過剩 → 1920 推出 Kotex 衛生棉(換對象：傷兵 → 女性)
4. 接著 吸油面紙 → 抽取式面紙 Kleenex 舒潔(換場景：醫療 → 日常家庭)
5. 再延伸 一次性手帕隨身包 → 圖案面紙 → 香水面紙(換情境／換情感價值)

課堂重點：他們從來沒有換過技術，只換了場景。請回頭看你自己部門的核心能力——它現在只被用在一個格子裡嗎？

數位轉型創新的五個動作：了解客戶場景 → 採用價值主張 → 建立平台(不只是產品) → 快速實驗 → 轉化數字成為資產。
場景範例：智慧醫院眼鏡(醫護免手持查病歷)、Micro LED(顯示技術換載體)、車載行動辦公(通勤時間變工作時間)。

找場景時，把這張表當成掃描器，逐項問「這個技術浪潮，會在我的產業裡打開哪個新格子？」

• A: AI / AR / VR　B: Big Data　C: Cloud　D: Digital Transformation
• E: Environment / ESG　FG: Five G　H: Human Resource　i: IoT

橫向再乘上八大民生領域：食・衣・住・行・育・樂・能源・醫療——例如「行 × IoT」= 胎壓運輸安全、智慧運輸派遣；「醫療 × AI」= 遠程問診、智慧就診導引。兩軸相乘，就是一張場景地圖。

• 先人腦 (5–10 分鐘)：手寫下你親眼看到的情境、使用者的原話、你認為的關鍵矛盾。不准先開 AI。
• 再 AI：請 AI 幫你「補缺口」與「找反例」——還有哪些人群／情境被忽略？有哪些證據可以推翻我的洞見？
• 最後人腦：把 AI 的發散收斂成 1 個洞見句 + 3 個可驗證假設，並寫下每個假設要怎麼驗(訪談幾人？看哪個數據？)

提示詞範例：「請以批判性思考協助我檢查這個洞見是否成立，列出可能反證、需要蒐集的證據，以及我可能落入的認知偏誤(錨定／可得性／確認偏誤)。」

警告(MIT 研究)：直接讓 AI 起草的組別，83% 事後無法引用自己寫過的句子(預印本、54 人、限寫作任務)；先用大腦寫初稿再用 AI 的組別，神經連結與記憶力都明顯較強。順序錯了，你付的是「認知債務」。

• 洞見陳述：一句話寫清楚未被滿足的需求(Who + Need + Because)。
• 顧客輪廓：Jobs / Pains / Gains，並圈出最關鍵的 1–2 個痛點與爽點。
• 場景轉移清單：Where / When / What 三方向各列 3 個候選格子，標出你認為最大的 GAP。

這三份文件會直接接到下一段的 SCAMPER / TRIZ 演化——讓創意不是腦力激盪碰運氣，而是有依據的推進。

好點子很少一次到位。E 這一步是在邏輯層對既有方案做「破壞式重組」，強迫跳出思維定勢。創意 = 原始要素的重新排列組合——這也正是專利三要素中「進步性 (Inventive Step)」的來源：實用性、新穎性容易達到，進步性只能靠連接演化。

SCAMPER 是一份「創意檢查表」，用七個動詞輪流折磨一個點子。它與工業工程 (IE) 的四大改善手法高度重疊——刪除 (E)、合併 (C)、重整 (R)、簡化 (E/M)，所以它不只能發想新產品，也能直接拿來改流程。

使用訣竅：七個字母不必全用。卡住的時候，優先試 R (反轉) 與 E (刪減)——這兩個最容易打破「本來就該這樣」的預設。

俄國人 Genrich Altshuller 審閱四十萬則以上專利後整理出 TRIZ——這是最原始的「專利 GPT」，只是當年用人工檢索。它的洞見是：不同產業的人，其實一再重複發明同一批解法。TRIZ 讓你跳過「個人知識 → 公司知識 → 產業知識」的階梯，直接調用全人類知識。

• 理想性觀念：Maximize 有用機能，Minimize 有害機能(理想解 IFR)
• 工程系統的進化趨勢：系統會朝可預測的方向演化(分割化、動態化、自動化…)
• 技術矛盾與物理矛盾：改善 A 就惡化 B(技術)；同一參數同時要大又要小(物理)
• 矛盾表 (矛盾矩陣)：39 項參數(想改善) × 39 項參數(會惡化)，格子裡給的是建議的發明原則編號(共 40 項)
• 創意演化挑戰：時間／空間／主體／作用力／材料形態／環境 六種轉換
• 物質場分析：把問題還原成「物質—場」的最小作用單元再重組

經典引子：「希望刷毛既短而硬，又長而軟」——這句話同時要求兩個相反屬性，就是典型的物理矛盾。

當同一個參數同時被要求「又要大又要小」時，先別急著查矛盾矩陣，先問這六句：

使用矛盾矩陣的第一步，是把你的問題翻譯成「我想改善第 X 項參數，但會惡化第 Y 項參數」。這 39 項參數依性質分成六大群組：

矛盾矩陣查出來的答案，就是下表的編號。把它當成「創意的元素週期表」——當 AI 給你一個原則編號時，你要看得懂它在說什麼。

這就是 TRIZ 的價值：它把「想不出來」變成「查得出來」。今天你可以直接請 AI 代查矛盾矩陣，但定義矛盾(第 2、3 步)必須由你的人腦完成——AI 無法替你決定什麼才是真正的兩難。

• 我想提升：＿＿＿＿(例如：可靠度／良率／強度／速度／顧客滿意度)
• 但會惡化：＿＿＿＿(例如：成本／重量／時程／風險／複雜度)
• 矛盾發生在：＿＿＿＿(產品／流程／組織／供應鏈 的哪一段？)
• 成功判準(可量化)：＿＿＿＿(例如：Cpk ≥ 1.33、交期 −20%、客訴 −30%)

提示詞：「我要提升 A 但會惡化 B。請對應 TRIZ 39 項發明參數找出編號，查矛盾矩陣推薦發明原則，並針對每個原則給我 1 個在我這個產業可落地的具體做法。」

• 三要素：實用性 (Useful)、新穎性 (Novelty)、進步性 (Inventive Step / non-obviousness)——連接演化正是進步性的來源。
• 發明專利：利用自然法則之技術思想的創作(新方法、新物品)，需實體審查，20 年。日本稱特許、德國稱大發明。
• 新型專利：對物品形狀、構造或裝置之創作(功能改良)，僅形式審查、速度快，但須取得新型專利技術報告後才能主張，10 年。美國無此類；日本稱實用新案。
• 設計專利：物品之形狀、花紋、色彩之視覺訴求創作，需實體審查，15 年(2019 年修法延長，自申請日起算)。日本稱意匠、中國大陸稱外觀設計。
• 不可專利：數學公式、節目主持、電腦程式本身、遊戲規則等非自然法則者。
• 關鍵區別：專利保護「概念」；著作權不保護概念，只保護文字、圖像、聲音的表達。所以概念的產生極為重要。

檢索入口：台灣 tipo.gov.tw｜美國 uspto.gov｜中國 sipo.gov.cn｜日本 jpo.go.jp｜歐盟 ep.espacenet.com
實例：先進光申請的「點膠針頭結構」與「遮光片送料機構」專利獲准後，大立光主張其圖面對照自家自動化生產機具不具進步性——進步性從來不是形式問題，是攻防重點。

專利範圍由獨立項(最基本、不可缺少的元件或步驟，只有一個句點)與附屬項(把各種可能變化包含進去)界定。要迴避，就從獨立項下手：

• 刪除：刪除某個元件及其功能，看系統是否仍成立
• 元件取代：找到不重要元件，以其他實體取代
• 手段取代：改變元件構成，用不同技術手段 (way) 達到相同結果
• 功能結構：設計不同的功能性手段 (means plus function)
• 功能均等：設計與其 Claims 界定之功能相同、但結構不同且非均等物者

反向使用：寫自己的專利時，把這五招都想過一遍，就知道獨立項該寫多寬、附屬項該補哪些變化。

六頂帽的價值在於全體同時戴同一頂帽子(平行思考)，而不是有人專門唱反調。這樣可以避免「以人廢言」的光環效應，也確保黑帽風險不會被樂觀氣氛蓋過去。

實務建議：先用 SCAMPER 量產選項 → 再用 TRIZ 解掉關鍵矛盾 → 最後用 六頂帽做共識與風險盤點，並以藍帽收尾定出行動與負責人。

能被執行、並且創造價值的，才叫創新。A 落在結論行動層：把演化過的成熟創意，用結構化方法落地，確保它可行、有人要、賺得到錢、且能持續。創新來自於對問題解決的渴望——不是來自於開會發想。

多數團隊一講創新就只想到「更好的功能」(第 5 項)，但那是最容易被抄、毛利最薄的一格。下表逼你檢查其他九個可能性：

課堂練習：把你手上的專案標到某一格，再問「如果我改往另外兩格移動，會長成什麼樣子？」

重點在第 6 步：沒有迭代的設計思維只是換個名字的瀑布式開發。迭代不是失敗，是機制。

VPC 把「你做的」與「客戶要的」並排檢查，中間追求的就是 FIT (適配)。右邊圓形是客戶，左邊方形是你：

• 客戶側：客戶關心的工作 (Jobs) ／ 痛點 (Pains) ／ 爽處 (Gains)
• 公司側：產品與服務 (Products) ／ 解痛劑 (Pain Relievers) ／ 搖頭丸 (Gain Creators)

檢查方式：你的每一個「解痛劑」，必須能指回客戶側的某一個具體痛點；指不回去的，就是你自己想做、但沒人要的功能。

提示詞：「請用 VPC 格式，把我這個想法整理成一頁，左右兩側必須一一對應；並指出其中最脆弱的 3 個假設，以及各要用什麼方式驗證。」

BMC 用九個格子系統性地回答「如何創造、傳遞、獲取價值」。關鍵是填寫順序：右 5 左 4——先從客戶端(右側)填起，再回頭談公司端(左側)。多數人失敗的原因，就是從左邊的「關鍵資源」開始想。

右側 5 步：① 客戶族群 → ② 價值主張 → ③ 通路 → ④ 顧客關係 → ⑤ 收益流｜左側 4 步：⑥ 關鍵活動 → ⑦ 關鍵資源 → ⑧ 關鍵夥伴 → ⑨ 成本結構。先確定「賣給誰、給他什麼價值」，再談怎麼交付與怎麼賺錢，最後才回頭算公司要付出什麼。（這是本課程採用的引導順序；BMC 本身不強制單一填寫順序。）

外部四大變數要一起看：關鍵技術趨勢、產業因素、新市場因素、總體經濟因素——BMC 不是靜態表格，環境一變就要重畫。

• 設計思維 (Design Thinking)：解決「該做什麼」——找到對的問題與對的價值主張。
• 精實創業 (Lean Startup)：解決「值不值得做」——用 MVP 與 Build-Measure-Learn 驗證最脆弱的假設。
• 敏捷開發 (Agile)：解決「怎麼做出來」——短週期交付、持續整合、依回饋調整。

常見錯誤：用敏捷的速度，去做一個設計思維階段就已經選錯的題目——跑得快，只是更快撞牆。

• 定義價值：用 VPC 釐清「誰的痛點」與「你解決什麼」，避免做出沒人要的方案。
• 設計實驗：用 MVP 與小規模測試，優先驗證三種關鍵假設——有需求嗎？做得出來嗎？有人願意付錢嗎？
• 建立模式：用 BMC 把價值變現，釐清通路、關鍵活動、成本結構與收益流。
• 形成治理：把指標、風險(SOD／RPN)、責任分工寫清楚，才能規模化與可持續。

創新不是「想得很美」，而是「用最小成本，最快驗證最關鍵的假設」。

• 1 頁 VPC：Jobs / Pains / Gains 與 Pain Relievers / Gain Creators 一一對應，無孤兒項目。
• 1 頁 BMC：九宮格填完整，並標出最不確定的 3 個假設(要先驗證的)。
• MVP 測試計畫：目標族群、測試方式、成功門檻(量化)、資料蒐集方法、風險與備案 (Plan A / Plan B)。
• 10 大創新定位圖：標出目前落點與下一步想移動的方向。

提醒：AI 輔助系統思維時，會傾向由議題層直接跳到結論層，中間的論證邏輯層被壓縮，思辨力因此下降。務必以人腦智慧為主、人工智能為輔——你負責定義議題與檢查邏輯，AI 負責產量與補盲點。

兩個案例，同一套骨架

這就是「貫穿」要示範的事 —— 換題目，方法不變。

• 【背景】（產線/產品/流程/組織情境，1–3 句）
• 【問題/目標】（一句話定義，最好可量化）
• 【現況數據】（有就填：良率、交期、成本、客訴…）
• 【限制】（人力/時間/預算/設備/法規/客戶要求…）
• 【你已嘗試】（避免 AI 重複給你已做過的建議）
• 【你想要的輸出】（表格/清單/流程/風險矩陣/報告草案…）

可輸入最後再加一句：『請用議題層→邏輯層→行動層三層結構輸出。』

• 先寫清楚『議題層』：你要解的是什麼？範圍、對象、時間、影響是什麼？
• 提供『事實』與『限制』：已知數據、現場限制、不可碰的紅線、成功定義。
• 要求 AI 『先問再答』：請它先提出 5 個釐清問題與需要的證據，再產出分析。
• 最後做『反證檢查』：請 AI 列出可能錯誤假設與反例，避免掉入確認偏誤。

這套流程能把 AI 變成「思考加速器」，而不是「結論跳躍器」。

順應感覺（也就是所謂的氛圍），擁抱 AI 指數級成長，甚至忘記程式碼本身的存在（Andrej Karpathy, 2025）。VIBE Coding 就是玩積木：把「議題層 (P)」與「邏輯層 (D/C)」兩塊積木組合成 prompt 丟給 AI，由 AI 產出「結論層」，再往返迭代。

• 議題層積木 (P): 例：「我是集團公司運動主辦人，考慮今年 6 月在高雄的活動風險有火災、風雨等。」
• 邏輯層積木 (D/C): 例：「請幫我識別所有風險，列出 SOD 風險矩陣，找出可能原因並給予對策，最後報告用 HTML 格式。」
• AI 結論層 → 往返迭代: AI 產出完整風險評估報告後，人腦審視、修正、再迭代。

• V (Viewpoint 觀點): AI 應扮演何種專家角色。
• I (Intention 意圖): 應呈現何種專業風格。
• B (Behavior 行為): 執行的核心行為模式。
• E (Expectation 期望): 期望達成的商業成果。
• T (Task 任務): 任務描述清晰明確。
• I (Input 輸入): 資訊輸入完整充分。
• C (Constraint 約束): 範疇邊界清楚界定。
• O (Output 產出): 產出格式明確可用。
• E (Evaluation 評估): 具備可衡量評估標準。

• 1. PSDM 人腦判斷應用: 抓議題 SA、辨真因 PA、選方案 DA、控風險 PPA、搞創意 CA。
• 2. VIBE + TICOE AI 協作: 把 WHY 與 HOW 寫成可執行 prompt。
• 3. Skill 能力資產 + AI: 把成熟 prompt 封裝成可複用 skill（把固定邏輯封裝、把變動輸入保留）。

不先理解 VIBE + TICOE，就不知道哪些內容應該固定在 skill、哪些應該保留給每次任務執行時填入。skill 不是捷徑替代理解，而是把已經理解的邏輯保存起來。

• 1. 挑選高品質 Prompt: 選最成熟、最常重複使用的案例。
• 2. 抽出固定的 VIBE: 把角色、語氣、行為方式與期待成果固定下來。
• 3. 抽出高頻 workflow: 把 AI 先問什麼、先做什麼、最後交什麼固定成流程。
• 4. 保留變動 Runtime TICOE: 把這次任務、輸入資料、限制條件與格式要求保留給使用者填。
• 5. 加入 guardrails / evaluation: 明確寫出不能亂猜的地方，以及回答前的自我檢查清單。
• 6. 落地到 skill: Claude / Gemini / GPT / DeepSeek 核心邏輯一致，可攜式 skill 跨平台使用。

核心精神：把不變的固定下來，把變動的留給使用者，讓 skill 能跨平台、可重複、可擴展。skill 常為含 YAML frontmatter 的 .md 檔：Claude Code/Cowork 放在 ~/.claude/skills/、Codex 放在 ~/.agents/skills/、Antigravity 放入 agent 的 skill folder；純文字貼上亦可跨平台。

• 單一 Skill 的極限: 一個 prompt 只能做一件事；完成專案需要 Skill A 市場分析 + Skill B 競品比較 + Skill C 提案撰寫，人工串接、每次複貼輸入。
• Agentic Workflow: 讓 AI 自動決定要呼叫哪個 Skill、要呼幾次、依什麼順序、用哪個結果繼續 — 一句指令，自動化流程。
• 比喻: Skill = 單一專家；Agentic Workflow = 將多個專家組成團隊自動協作。

AI Co-Intelligence 三層：第一層 VIBE/TICOE → 可控；第二層 Skill → 可複用；第三層 Agentic Workflow → 可編排。不是寫程式，而是把 AI 變成可控、可複用、可編排的工作夥伴。