顧問的核心競爭力不是答案，而是「如何把問題問清楚、如何把複雜情況說得讓客戶點頭」。一個項目從賣單到結案，90% 的工夫都耗在結構化思考與溝通設計——議題樹、MECE 分解、SWOT 分析、SCQA 故事線、訪談大綱、Deck 簡報、結案報告。這些工作模式固定、框架成熟，但每次從頭刻需要耗費大量時間。
AI 進來之後，改變的不是框架，而是速度與覆蓋面。資深顧問可以把初稿生成時間壓到 20 分鐘，然後花 80% 的精力做真正的人工判斷：數字對不對、邏輯通不通、客戶接不接受。
這篇文章從資深顧問視角，帶你走一遍完整的 AI 輔助流程——從問題結構化到結案報告，附可直接複製的 AI 指令、範例輸出，以及最容易踩到的坑。
議題樹（Issue Tree） 是顧問工作的根基。你要先把「客戶的大問題」分解成可各自分析、互不重疊的子議題，再分頭攻克。MECE（Mutually Exclusive, Collectively Exhaustive）是這個分解的黃金標準：每個子議題之間不重疊（ME），所有子議題加總能完整涵蓋母議題（CE）。
AI 可以替你快速生成一棵初始議題樹，讓你在白板上不是從零開始，而是從「批改」開始——速度快了三倍不止。
你是麥肯錫顧問。客戶是一家台灣中型製造商，主要問題是「毛利率近三年持續下滑」。
請用 MECE 原則，列出三層議題樹：
- 第一層：2–3 個主議題
- 第二層：每個主議題下展開 2–3 個子議題
- 第三層：每個子議題下列出 1–2 個需要驗證的假設或資料點
用 markdown 格式輸出，每層縮排清楚。
主議題一：收入端惡化
子議題 1-1：主力產品售價被壓縮
假設：主要客戶議價能力提升，要求每年降 3%
資料點：各客戶年度合約價格歷史
子議題 1-2：產品組合向低毛利品移動
假設：高毛利品因交期拉長失單
資料點：各 SKU 銷售佔比 vs. 毛利率趨勢圖
主議題二：成本端上升
子議題 2-1：原物料成本上漲未能轉嫁
子議題 2-2：製造費用（折舊 + 人力）佔比攀升
主議題三：競爭環境惡化
子議題 3-1：主力市場市占率流失
子議題 3-2：替代品價格競爭加劇
AI 生成的第一版通常「方向對但顆粒度不夠」——子議題太泛、假設太通用。你的工作是用業界知識把它磨尖：加入台灣製造業特有的供應鏈結構、客戶集中度問題、匯率影響等真實脈絡。
| 層級 | 議題 | 分析方法 | 負責人 |
|---|---|---|---|
| L1 | 毛利率下滑 | 整體診斷 | PM |
| L2-A | 收入端：售價 / 組合 | 客戶訪談 + 財報分解 | A |
| L2-B | 成本端：料 / 工 / 費 | 作業基礎成本分析 | B |
| L2-C | 競爭環境：市占流失 | 競品調研 + 市場數據 | C |
| L3-A1 | 主力客戶議價能力 | 採購集中度指數分析 | A |
更多顧問提案寫作技巧，可參考 顧問提案 Deck 完全指南 與 問題診斷報告撰寫指南。
SWOT 是最被誤用的框架之一。多數人把它做成「四格填字遊戲」，每格塞五到十個條目，沒有輕重、沒有因果、沒有對策。有效的 SWOT 應該：每格聚焦 3–5 個關鍵項目、有數據支撐、S/W/O/T 之間要相互對話（用 TOWS 矩陣轉為具體策略方向）。
AI 在這裡的角色是資料整理與初稿框架——你把產業資訊、客戶財報、訪談摘要餵進去，讓 AI 先歸類，你再做判斷。
以下是這家公司的背景資訊：[貼入公開財報摘要、產業新聞、訪談重點]
請幫我做 SWOT 分析：
- Strengths：公司自身的相對優勢（競爭對手難以快速複製的）
- Weaknesses：公司自身的結構性弱點
- Opportunities：外部環境中可把握的機會
- Threats：外部環境中的重大威脅
每格限 4 點，每點一句話加一個佐證數據或現象。
最後加一段 TOWS 矩陣：SO / ST / WO / WT 各一條核心策略方向。
| 機會（O） | 威脅（T） | |
|---|---|---|
| 優勢（S） | SO：用技術優勢搶 AI 供應鏈新訂單 | ST：鎖住策略客戶、提高轉換成本防替代 |
| 劣勢（W） | WO：引進自動化補人力缺口後再擴產 | WT：收縮低毛利品線、聚焦核心能耐 |
我在做 SWOT 時，最常看到客戶誤把「市場大」列為機會，卻沒有回答「為什麼是你能拿」。AI 生成初稿時也有相同的問題——它寫的機會往往是泛行業敘述，不是你這家公司的機會。驗證方法很簡單：對每一條 Opportunity，問一句「這個機會，你比競爭對手更有能力拿嗎？為什麼？」答不出來就刪掉。如果 AI 給你五條機會，你能保留兩條就算成功了。
詳細的 SWOT 分析方法，請參考 顧問 SWOT 分析完全指南。
SCQA（Situation → Complication → Question → Answer）是金字塔原則的核心說服架構。它不是報告格式，而是邏輯序列。
多數顧問能背這四個字，但實際寫 Deck 時，Situation 講太久（客戶都知道了）、Complication 含糊（「競爭加劇」到底有多嚴重？）、Answer 太晚出現（翻到第 30 頁才看到建議）。AI 可以幫你快速生成第一版 SCQA，讓你判斷：Complication 夠不夠尖？Answer 真的對應 Question 嗎？
我是一名管理顧問，正在幫一家台灣製造商準備董事會提案簡報。
背景：客戶毛利率三年下滑 8 個百分點，主力市場在消費電子，客戶集中度高（前三大客戶佔 65% 收入）。
請幫我用 SCQA 框架寫出這份簡報的開場故事線：
- S：1–2 句，確認對話基礎
- C：2–3 句，點出核心矛盾或困境，要具體，帶數字
- Q：1 句，提出核心問題
- A：1–2 句，預告核心建議方向，不展開細節
語氣：直接、專業，不要廢話。
S： 貴公司過去五年持續增長，2023 年營收達 42 億，在消費電子組件領域建立了可觀市佔。
C： 然而，毛利率已從 2020 年的 18% 下滑至 2023 年的 10%，下滑幅度超過競爭同業平均。核心原因是前三大客戶合計佔收入 65%，年年要求 3–5% 降價，而貴公司缺乏有效的產品差異化支撐售價。
Q： 如何在不失去主力客戶的前提下，有效恢復並穩定毛利率？
A： 建議分兩個軌道：短期聚焦高毛利 SKU 配額管理，中期投入技術升級以建立客戶切換成本。
SCQA 在簡報中的位置通常是前三張投影片，但它決定了後面所有邏輯的走向。AI 生成後，你需要確認：Complication 裡的數字是否正確、Answer 是否真的對應 Question、以及 Situation 是否真的是「客戶已知」而非你需要先建立共識的事。
更多 SCQA 應用場景，請見 顧問 SCQA 簡報故事線指南。
顧問訪談的品質決定了後續分析的天花板。訪談前，AI 可以幫你根據議題樹快速生成對應的訪談問題清單，以及每個問題背後「想確認的假設」。
好的訪談問題有三個特性：開放式（讓受訪者自由展開）、假設導向（背後有你要驗證的主張）、有優先順序（60 分鐘訪談，前 20 分鐘問最關鍵的）。把這三個要求告訴 AI，請它根據你的議題樹生成問題清單，你再依受訪者身份調整措辭。
訪談後，AI 可以幫你整理逐字稿、歸類引述、找出跨訪談的共同主題或矛盾點。這個環節特別省時——原本一份訪談整理要 40 分鐘，現在 AI 可以在 5 分鐘內生成初稿，你花 10 分鐘驗證即可。
結案報告（Closing Report）不只是「把分析塞進 PPT」，它要回答三件事：① 我們回答了哪個核心問題？② 我們的建議是什麼，邏輯依據是什麼？③ 客戶接下來要做什麼——行動項目、負責人、時間線。
AI 在這裡的角色是架構師——你告訴它「我有這些分析結果，幫我組成一份結案報告的大綱與章節標題」，它生成骨架，你填內容。章節標題定好後，再請 AI 幫每個章節寫方向說明，你用來和客戶對齊報告架構，確認沒有遺漏。
詳細結案報告寫作方法，請參考 顧問結案報告撰寫指南。
客戶資料不能直接丟進公用 AI 工具。具體原則：
AI 生成的所有內容在進入客戶手上前，必須完成以下驗證：
| 驗證項目 | 具體動作 |
|---|---|
| 數字正確性 | 每個數字回溯原始來源 |
| 邏輯一致性 | 議題樹、SWOT、SCQA 三者前提必須一致 |
| 客戶特殊性 | 刪除通用行業敘述，換成客戶專屬洞察 |
| 語氣適切性 | 是否符合客戶組織文化（保守 vs. 激進） |
| 商業敏感度 | 有無不適合出現在書面報告中的表述 |
更多 AI 在職場工作的應用，請見 AI 職場工作指南 與 AI 角色應用場景一覽。
本文由 Prompts AI指令庫 編輯群撰寫，歡迎分享給身邊的顧問朋友。
AI 生成的是「結構與框架初稿」，不是最終答案。所有數字、市場數據、財務指標都必須回溯原始來源自行驗證。顧問的專業在於判斷，AI 只是加速起草——把每個 AI 輸出的數字當成「需要查對的假設」，而非「可以直接引用的事實」。
公用 AI 工具不建議直接輸入客戶機密資料。應先做匿名化處理，或使用有企業資料保護條款的版本（ChatGPT Enterprise、Claude for Enterprise）。使用前也應確認你所在的顧問公司或客戶公司的 AI 使用政策。
用本文指令 ③ 為起點，重點是在提示詞裡給 AI「具體數字背景」——AI 無法自行補上你沒給的數據。如果 Complication 仍然太泛，可以追加：「請讓 Complication 更具體，加入可量化的現象或與行業平均的對比」，逼 AI 產出更有衝擊力的版本。
驗證 MECE 有兩個測試：① ME 測試——每兩個子議題之間有沒有重疊？② CE 測試——把所有子議題加總，能不能完整解釋母議題？AI 生成的議題樹常見問題是第一層過於通用、第三層太早跳到解方，需要人工調整顆粒度。