用「事前驗屍法」預防問題發生
在「組織內老問題一再發生？不憑直覺解題：用AI 教練幫你落實豐田「五個為什麼」思考法，找出問題根因一次解決」 文中介紹了找出問題根本原因加以防止的「五個為什麼」，但畢竟已經發生了。如果總是事後才開始分析，你永遠是在追著問題跑。有沒有可能在問題發生前，就看見它？
答案是可以的。而且這個方法比事後檢討更有價值，因為它能幫你避免災難，而不只是分析災難。用「事前驗屍」預防問題發生
這個概念叫做「事前驗屍」（pre-mortem）。是一種在專案或計畫開始前，先「假設已經失敗」，再回頭推演失敗原因的團隊決策技巧。它的精神是：把事後檢討搬到事前，讓風險提早浮現、及早修正。
心理學家 Gary Klein 在 2007 年提出這個方法：其理論基礎是「預期中的後見之明」（prospective hindsight）：先想像任務已經失敗，再請成員說明「為什麼會失敗」，這種想像可以讓人更具體、且比問「可能會出什麼錯？」更能挖出被忽略的風險。聽起來有點詭異對吧？但這個方法非常有效，因為人在想像失敗時，往往比想像成功時更能看見盲點。
Klein 的研究發現，當團隊被告知「專案已經失敗」時，防禦機制會轉化為分析本能，開始尋找具體的失敗因果鏈條。這種心理切換，讓我們能突破「計畫謬誤」，讓想法從「樂觀偏誤」切換為「解釋因果」。
你可能也有經驗：專案一開始覺得三個月綽綽有餘，結果常常延誤到四個月甚至更久。這是因為人在規劃時存在著根深蒂固的「樂觀偏差」（Optimism Bias）。我們傾向於高估自己的能力，低估外部環境的變數。當大腦處於「搜尋成功路徑」的模式時，它會自動過濾掉那些不符合美好預期的警示訊號，將潛在的障礙視為微不足道的小石子。
但藉由「先想像專案已經失敗」，反而利用了人類的另一種心理機制——「後見之明偏誤」（Hindsight Bias），讓大家名正言順去挑毛病、從最悲觀的角度設想，讓潛在風險在危機發生之前被看見。
而「五個為什麼」也可以在進行「事前驗屍」時運用，雖然它們分別是兩個獨立的工具：
- 事前驗屍是框架，幫你發散出各種可能的失敗路徑
- 五個為什麼是探究，用來深挖某一條路徑的根本原因。
你可以把事前驗屍想成是地圖，五個為什麼是挖掘機。先用地圖定位危險區域，再用挖掘機深挖每個區域底下埋了什麼地雷。
什麼時候該做事前驗屍？
不是每件工作都需要做深度推演，但以下四種情況，強烈建議你投入時間進行事前驗屍：
- 專案金額或影響範圍大：預算超過部門年度預算的 15%，或者涉及核心客戶與品牌形象。這類案子如果搞砸，你的問題就大了。
- 跨部門協作複雜：需要三個以上部門配合，光是開會協調就很累。這種專案最容易卡在溝通與責任歸屬。
- 技術或工具不熟悉：你用的技術、平台或 AI 工具，團隊沒人真正精通。創新有價值，但風險也高。
- 時程緊迫且彈性低：客戶給的 deadline 很緊，而且幾乎沒有延期空間。這種情況最容易省略必要步驟。
如果專案符合上述任一條件，接下來這一小時的事前驗屍，可能是你最值得投資的時間。
案例：電商平台產品專案
軟體開發公司PM David 由業務部接到一個電商平台的開發專案。客戶預算 300 萬，要求三個月交付，團隊五人。專案規劃會議上，技術架構討論了、人力分配討論了、時程也排好了。
但David 心裡隱約覺得哪裡怪怪的，於是他藉助AI開始進行事前驗屍，進行以下對話：我下個月要啟動一個新專案，幫客戶建立電商平台。團隊五人，三個月交付，預算 300 萬。現在假設三個月後專案完全失敗了，客戶拒絕驗收，我們血本無歸。請用五個為什麼幫我反向推導，可能的失敗路徑有哪些？
第一條失敗路徑：技術整合風險
AI 開始第一條路徑「讓我們假設失敗情境：上線時核心功能無法使用。為什麼功能無法使用？」
David：「可能是金流串接失敗。」
AI 繼續：「為什麼金流串接會失敗？」
「可能是因為第三方金流供應商的 API 有問題。」
AI 再問：「為什麼會有問題？是技術規格改變了、還是原本就沒有測試過整合的可行性？」
David 突然意識到：「我們沒有在專案開始前先跟金流供應商確認整合細節。我們只是看了他們網站上的文件，假設應該沒問題。」
AI 繼續追問：「為什麼沒有先確認？」
「因為我們假設客戶那邊會處理金流相關的事。」
AI 問：「為什麼會有這個假設？」
「因為合約裡沒有明確寫金流整合是我們的責任範圍。簽約時我們都急著成交，很多技術細節沒有討論透徹，就用模糊的語言帶過了。」
這一輪對話讓David 發現第一個重大風險：合約範圍不清楚，第三方服務整合的責任歸屬模糊。如果三個月後才發現客戶以為金流是他們要處理的，到時候就來不及了。
第二條失敗路徑：溝通與期待落差
AI 繼續提供第二條失敗路徑：「另一個失敗情境：專案準時上線了，但客戶不滿意，認為功能不符需求。為什麼不符需求？」
David回答：「可能是客戶的期待跟我們理解的不一樣。」
AI 問：「為什麼會不一樣？」
「可能是我們沒有做原型讓客戶確認。我們只有口頭討論需求，沒有視覺化的東西讓客戶看。」
AI 繼續：「為什麼沒做原型？」
「因為時程很趕，我們想直接進開發階段，節省時間。」
AI 再問：「為什麼時程會這麼趕？」
「因為客戶希望趕在週年慶前上線，給了我們很緊的 deadline。」
AI 問最後一次：「為什麼接受了這個緊迫的時程？」
「因為業務已經答應客戶了，我們不好意思說做不到。」
這條路徑讓David 看見第二個風險：時程太緊迫，導致必要的確認步驟被省略。而且業務跟技術團隊之間缺乏時程評估的溝通機制，業務常常先答應客戶，技術團隊只能硬著頭皮接。
第三條失敗路徑：資源配置的系統性風險
AI 繼續推演：「第三個失敗情境：專案進行到一半，團隊成員離職或被調走。為什麼會這樣？」
David：「可能是因為公司突然有更緊急的案子，把人抽走了。」
AI 問：「為什麼公司會這樣做？」
「因為我們是按案計酬的專案制，哪個案子利潤高、哪個客戶大聲，就優先投入資源。」
AI 再問：「為什麼會採用這種資源調度方式？」
「因為公司缺乏整體規劃，都是見招拆招。」
這條路徑指出第三個風險：人力資源不穩定。即使現在團隊到位，三個月內隨時可能被抽走。
把風險轉化成行動清單
這一小時的事前驗屍，讓David在專案開始前就看見了三個重大風險。他需要把這些風險轉化成具體的預防措施。
他繼續跟 AI 對話：「根據剛才推演的三條失敗路徑，我應該在專案開始前做什麼準備？」
AI 幫他整理出行動清單：
針對技術整合風險（作業韌性層面）
• 本週約客戶開技術確認會議，把所有第三方服務整合的責任歸屬列清楚
• 下週補簽技術附件，把金流、物流、簡訊通知等整合項目的負責方都寫進合約
• 專案開始前，先做一次金流 API 的測試串接，確認技術可行性
針對期待落差風險（溝通韌性層面）
• 重新調整時程，硬是擠出兩週做低保真原型
• 要求客戶在原型階段就確認主要功能的互動方式
• 建立變更管理流程，任何需求改變都要評估對時程的影響
針對資源配置風險（系統性韌性層面）
• 跟公司主管申請「人力鎖定」，專案期間不調動核心成員
• 如果無法保證，至少要有備案：誰可以接手、交接需要多久
• 建立每週風險回報機制，一旦發現人力可能異動，立刻跟客戶溝通調整時程
這些行動都是具體可執行的。David 建立了一份風險清單，並在行事曆裡設提醒，每週五下午花 15 分鐘檢視這些項目的狀態。這樣當風險開始發生時，他能立刻察覺並反應。
事前驗屍的三個操作技巧
經過實際操作，發現事前驗屍要做得好，有三個關鍵技巧。
第一，要真的假設專案會失敗
不是問「可能有什麼風險」，而是問「假設專案已經慘敗了，為什麼會這樣」。這個語氣的差異很重要。前者讓你保持樂觀，後者逼你認真面對可能性。
你可以跟 AI 說：「假設三個月後，這個專案完全失敗，客戶拒絕驗收，公司損失慘重，老闆要我寫檢討報告。我在報告裡必須解釋到底哪裡出錯了。請幫我用五個為什麼推演，最可能的失敗原因是什麼？」
這個具體的情境設定，會逼你進入「失敗已經發生」的心態。
第二，要允許多條失敗路徑並存
一個專案不會只有一種失敗方式。技術可能失敗、溝通可能失敗、時程可能失敗、預算可能失敗、人員可能失敗。你要讓 AI 幫你推演至少三到五條不同的失敗路徑。
前面提到的三個維度，可以幫你建立全面的風險地圖：
- 作業韌性：技術整合、資源調度、系統連線的穩定性
- 溝通韌性：客戶需求理解、跨部門協作、決策流程的順暢度
- 系統性韌性：外部環境、法規政策、供應商穩定性的變化
你可以這樣跟 AI 說：「請幫我推演三條不同的失敗路徑，每條路徑用五個為什麼分析。第一條從技術風險開始、第二條從客戶期待開始、第三條從外部環境變化開始。」
第三，要把發現轉化成檢查點
事前驗屍的目的不是嚇自己，而是提前建立防護機制。每條失敗路徑分析完，你要問 AI：「根據這條失敗路徑，我在專案進行中應該設什麼檢查點？多久檢查一次？檢查什麼指標？」
例如，如果你擔心需求變更失控，檢查點可能是：每週五下午檢視需求變更清單，超過三項小改或一項大改就啟動時程重新評估。
這些檢查點就像你的雷達系統，當風險開始發生時，你能立刻察覺並反應。
有個常見的陷阱要避免：很多人做完事前驗屍後，列出了一長串風險清單，結果反而更焦慮，因為太多項目追不過來。記住，不是列越多越好，而是挑出三到五個最致命的風險，為這些風險建立清楚的檢查機制，其他小風險可以記錄在案就好了。
進階技巧：分階段深化對話
如果你想讓 AI 的推演更深入，我建議把對話分成三個階段，而不是一次問完。這樣可以讓 AI 更專注在每個環節，推演也會更細緻。
第一階段：設定失敗場景
你可以這樣開場：
「請你扮演一位經驗豐富、眼光嚴苛的專案顧問。我要啟動一個 [簡述專案內容：預算、時程、團隊規模、核心目標]。現在假設三個月後這個專案徹底失敗了：預算超支、核心功能無法運作、客戶揚言提告。請根據你的經驗，直接列出最可能導致慘敗的三條路徑，分別從技術面、溝通面、外部環境來分析。」
關鍵在於讓 AI 扮演對立角色。如果你只是問「有什麼風險」，AI 可能給你客套的答案。但當你要求它扮演嚴苛的審計者，它會更直接地指出問題。
第二階段：深挖根因
選定一條路徑後，進入深度追問：
「針對你提出的『技術整合風險』這條路徑，請用五個為什麼幫我深挖。每一次追問都要基於前一個答案的邏輯漏洞。在推演過程中，請問我兩個關於目前專案計畫的具體問題，確認你的推演符合實際情況。」
這裡有個關鍵技巧：讓 AI 反問你。這樣 AI 才不會憑空猜測，而是根據你的實際狀況來推演。
例如在前面的電商平台案例中，如果 AI 問：「你們目前有跟金流供應商簽服務等級協議嗎？」他才發現「我們連這件事都沒想到」。這種互動比單向輸出更有價值。
第三階段：轉化成行動清單
最後，把推演結果變成可執行的檢查清單：
「根據剛才的推演，請幫我整理一份風險檢查表，包括：
風險警訊：什麼現象出現時，代表風險已經啟動？預防動作：專案開始前兩週，我該完成哪三件事？檢查文件：哪份文件應該列為每週必看？備案：如果這個風險真的發生，最快的止損方式是什麼？」
這樣你就有了一份可以在行事曆裡設提醒、每週檢視的具體清單。不是紙上談兵，而是真正可執行的防護網。
不只適用於專案，任何重要的工作都能用
事前驗屍不只能用在專案上，你要辦一場重要的工作坊？假設工作坊辦砸了，學員覺得浪費時間，為什麼？可能是內容太理論、互動太少、時間掌控不佳、案例不夠貼近。這些推演可以幫你調整工作坊設計。
你要向老闆提一個重要提案？假設提案被打回票，為什麼？可能是數據不夠有說服力、沒有考慮到執行成本、忽略了其他部門的立場。這些推演可以幫你補強提案內容。
我自己也常用這個方法。在設計「人生轉型」工作坊 2.0 改版時，我問 AI:「假設這場工作坊辦完，學員在回饋表上打很低分，覺得沒有收穫，為什麼會這樣？」
AI 推演出失敗路徑:內容太抽象、時間太短難以吸收。這讓我重新調整:增加學員自我盤點環節、調整全程時間配比。結果 2.0 版推出後，有學員在回饋中寫道:「上完課就能具體執行，是坊間少見的工作坊，極推薦!」另一位則說:「大力推薦想為第二人生預做準備的夥伴參與。」
從滅火到防火的能力躍升
之前「五個為什麼」的文章我們談了如何從「滅火」變成「改善系統」，這篇我們更進一步：從「改善系統」變成「預防問題」。
這是管理者能力的三個層次。第一層是快速滅火，問題來了立刻解決。第二層是找到根因，改善系統讓問題不再重複。第三層是在問題發生前就看見它，建立防護網。
多數人停在第一層，少數人做到第二層，極少數人能做到第三層。
AI 可以幫你做到第三層。它可以陪你想像各種失敗的可能，推演每種失敗的路徑，協助你建立預防機制。花一小時想像失敗，可能幫你避免三個月的災難。
但要注意，AI 的強項是快速發散與追問，它不保證你提供的前提正確。關鍵假設仍要回到合約、歷史資料、供應商訪談去驗證。如果你跟 AI 說「我假設客戶會處理金流」，AI 會基於這個假設繼續推演，但它不會知道這個假設本身就是錯的。
因此用 AI 做事前驗屍後，務必拿著推演結果去找相關人員確認：「這件事是不是真的這樣？」把 AI 當成思考夥伴，但不要把判斷責任外包給它。
更重要的是，當你習慣在事前就用五個為什麼思考，你會養成一種「系統性思考」的習慣：不只是做事，而是思考「什麼會讓這件事失敗」，然後提前把那些因素移除或降低。這就是為什麼豐田的工廠可以做到幾乎零缺陷。
如果你讀了上一篇關於事後用「五個為什麼」找根因的文章，會發現事前驗屍與事後分析形成一個完整循環。事前用它預防問題，事後用它改善系統，然後把教訓帶到下一次的事前驗屍裡。這樣你的風險預測會越來越準確。
三個具體行動，讓事前驗屍真正落地
下次當你準備啟動一個重要專案、辦一場重要活動、做一個重要決策時，在專案開始前把三件事做完：
第一，用事前驗屍發散出三到五條最可能的失敗路徑。
不要只想一條，因為風險通常不會單獨出現。技術問題可能伴隨溝通問題，資源問題可能導致品質問題。用前面提到的三個維度去思考：作業韌性、溝通韌性、系統性韌性，每個維度至少找出一條路徑。
第二，為每條路徑用五個為什麼深挖到可控的根本原因。
不要停在表面症狀。「金流串接失敗」不是根本原因，「合約範圍不清楚」才是。只有挖到可控的根本原因，你才知道該在哪裡建立防護機制。
第三，把每條路徑轉成檢查點，並接到你的例會或專案管理工具裡。
這是最關鍵的一步。如果風險清單只是寫在筆記本裡，三天後你就會忘記。但如果你在行事曆裡設了每週五下午的風險檢視時間，在專案管理工具裡設了警示指標，這些檢查點就會真正運作。
事前驗屍所花費的時間可能是你最值得投資的時間。因為它幫你避免的，不只是失敗，還有失敗後的懊悔：「我早該想到的。」
現在，你可以真的早就想到了。
--------------
隨著AI的普及，執行力不再是稀缺資源，管理者的價值因而面對巨大的轉型機會。
「 #當管理學遇上AI 」不只是給管理者的 AI 操作指南，從深厚的經典管理智慧出發，拆解 AI 時代的真實挑戰，協助管理者跨越「工具操作」的表層，進入「組織協作」的深層核心。
除了幫你的「管理工具箱」增添配備之外，AI 將成爲管理的力量放大器，而你則是負責校準方向的引導師。我們在追求效率的同時，更要練習在複雜中找到平衡，讓你在 AI 時代，當個更從容、也更有溫度的領導者。
