跟 AI 要缺點，不要安慰：我們的定期覆盤用法

先自我揭露：凱吳科技是一人公司。一人公司最大的風險不是忙不過來，是沒有人會告訴你哪裡做錯了——沒有同事提異議，沒有主管打考績，客戶不滿意通常直接消失，不會留評語。

我們的補法，是定期跟 AI 做一件反直覺的事：把近期的工作攤開給它，指令只有一個方向——只找缺點，不要優點。

為什麼要特別下這個指令

因為 AI 的預設行為是順著你。模型的訓練會獎勵「讓使用者滿意的回答」，這帶來一個對經營者不利的傾向：你丟一個計畫過去，它先誇結構完整；你丟一段文案，它先說方向很好。這類回應有個名字叫情緒價值——它讓你感覺變好，不讓你變好。這不是模型壞掉，是它的預設目標跟你的目標不同：它要這輪對話順利結束，你要的是下一次決策比這一次好。

對話式 AI 已經是很多人的預設思考夥伴，這件事就從個人習慣變成經營風險：如果你的「顧問」永遠先鼓掌，你等於花時間養了一個確認偏誤放大器。

我們的做法：三條規則

覆盤的指令我們固定成三條規則：

1. 只列問題，禁止讚美——優點不需要被複述，做對的事自己會留下。
2. 每條要附證據——指出問題時必須引用具體的紀錄、數字或原文，說不出證據的批評一律刪除。這條同時防了模型為湊數而編造的問題。
3. 按嚴重度排序——第一條必須是「最可能讓這件事失敗的原因」，不准把標點錯誤排在策略錯誤前面。

還有一個前提比指令更重要：餵進去的材料要包含失敗。我們把工作紀錄原樣給模型——包含斷更、包含延誤、包含官網滿月只有 257 次曝光、15 次點擊這種不好看的數字。只給亮點的人，再會下指令也只能收到奉承，因為模型手上沒有別的材料。

批評的品質取決於你交出去的證據。想被說真話，先把難看的部分交出去。

目標是自我認知，不是自我懲罰

要說清楚：這套做法的目標不是找罪受，是縮短「發現自己錯了」的時間。錯誤愈晚被指出，修正成本愈高——這在案例研究的每個除錯故事裡都成立。AI 覆盤的價值是它隨時可用、不留情面也不記仇，你可以每兩週做一次，而不是等年度檢討。固定節奏還有一個副作用：你會開始為了覆盤而留紀錄，而紀錄本身就是公司的資產。

同樣要說清楚邊界：模型指出的問題，仍然要自己驗證。它會漏看你沒給的脈絡，也可能把小事說成大事——所以規則二的「附證據」是雙向的：它給證據，你查證據。AI 負責提出，你負責裁決，這個分工不能反過來。

給經營者的三個自我檢查

1. 過去一個月，有任何人——或任何工具——具體指出過你的一個錯誤嗎？
2. 你上次把「失敗的紀錄」完整交給 AI 分析，是什麼時候？還是你只餵過成果？
3. 收到 AI 的讚美時，你有沒有意識到那是預設行為，不是評價？

覆盤要有材料，材料來自留紀錄的習慣。你描述現在的工作流程，我們告訴你哪一段最值得先留下紀錄、怎麼留。

預約 30 分鐘免費流程診斷 →