學習專案管理的基本思維
學習專案管理的基本思維

這些年來,許多學習專案管理的朋友,在初學專案管理時都一頭栽入專案管理工具與框架,卻未曾了解更源頭的問題,包含:

「為什麼需要學專案管理?」
「專案管理能解決什麼問題?」
「專案管理不能解決什麼問題?」
「為什麼案子總是做不好?」
「怎麼樣才能做好一個案子?」

在學習一門知識時,我建議大家必須先從問題開始思考,當你對這些問題有了基本的認知,接著開始去找幾個framework、methodology或best practice,然後看看它們用什麼樣的流程與工具來解決你所面對的那幾個問題,唯有經過這樣的過程,你對這門知識才會有更清晰的認知。

PMP或Scrum這類的framework或best practice的出現,都是累積了足夠多的實務案例,並將常見的問題以 框架、流程、方法、工具 來封裝,讓其他人更容易上手。但若你未試圖理解它背後要解決的問題,你就容易錯用。

不管工具有多好,若你運用的場合不對,它就不是個好工具。

CMMI與PMP真的不好嗎?

剛出社會時,我在一家ERP軟體公司從事研發工作,我在哪裡接觸到非常正規的軟體工程,也見識到當研發流程與業務特性匹配時的高效,以及不匹配時產生的諸多問題。在2000年初期,軟體發展大多仍依循瀑布式(Waterfall)方法,必然得先進行需求收集、分析、設計,使得進入開發與測試,經過一道道程式後將成品完整的交付。

我在ERP軟體公司的那些年,我也參與了CMMI Lv4(軟體成熟度模型)的導入與認證,過程中 我見識到CMMI的嚴謹之處,同時也體會到嚴謹背後帶來的低效與冗餘。 由於當時我所負責的產品處於需求不明確,市場性待驗證的狀態,若要依CMMI的規則產出完整需求清單與完整的分析檔,估計是不可能。

因此在過程中我試著提出用假設性需求,以及用雛型替代成品來進行市場驗證。出乎意意料的,這個提議獲得CMMI顧問團隊的認同,而這也是我對CMMI有所改觀的轉捩點,公司內推動小組的負責人告訴我:

「CMMI本來就是一個模型,每家公司得依自己最適合的方式建構流程,但最終須能達到CMMI要求的水準。」

2011年,我開始負責SaaS相關業務,也首次接觸了敏捷觀念以及Scrum,與此同時,互聯網開始進入火爆增長,所有的企業都在求新求快,技術團隊也被要求要具備更靈活、更彈性、更迅速,只是一兩年時光,大陸的公司都在討論敏捷開發,而少有人討論PMP、CMMI所談的瀑布式專案管理與研發流程管理方法 (註:PMI後來也提出ACP這套敏捷框架)

2013年,我開始在團隊中大量引用敏捷觀念,透過頻繁的交付來驗證用戶與市場需求,也在技術社區中與許多朋友交流專案管理與軟體發展方法,我看見愈來愈多人想擁抱敏捷,同時我也發現,許多人因崇尚敏捷,而對PMP及CMMI抱持著嚴重的偏見。

2015年,我進入互聯網公司後,人人口中所談的都是敏捷,若你在討論過程中提到CMMI或PMP,就會有人露出鄙視的眼神。他們誤以為過去專案做不好,是CMMI與PMP所造成的,卻未曾思考過,或許專案失敗的真正原因不在流程與工具,而是運用的那些人。

瀑布式與敏捷並存,可能嗎?

我曾在先前的文章中提過,我認為組織長大到一定規模後,必然會出現混合式的組織架構,當企業內外部狀況穩定,需求的變化性較少,可預測性高,功能型組織是相對適合的組織架構;而當需求變化性較大,不確定性高,變平化的產品型或戰鬥小組可能是更適合組織架構。

而相同的概念,其實也適用於專案管理方法,當你特別強調 分工程序、輸入(input)、輸出(output)與權責,這與功能性組織不謀而合,傳統的專案管理方法可能非常合用;反之,若你強調快速回應、迭代等敏捷特性,則與產品型組織或戰鬥小組更加匹配。

所以,瀑布式與敏捷方法並存在一家公司內,可能嗎?

我的答案是「肯定的」,當我們把重點放在解決問題,而非落入比較方法或工具的優劣時,我們便會理解,沒有必要硬要逼所有人套用相同的工作流程與方法,除非真有必要性。

經過這些年的實戰運用,我試著將這種混合式的專案管理方法整理成如下的框架,多數的專案都是介於完全不確定與完全確定之間,面對不確定性高專案,敏捷方法、分工模糊的戰鬥小組相對較佳,然而面對確定性極高的專案,Waterfall與分工明確的功能型或專案型團隊則相對適合。以目標導向來看,很多時候我們甚至該採用混編的方式同時進行專案。

瀑布式 vs 敏捷.png
圖/ 游舒帆

追求敏捷,但更要重視專案管理基本功

在帶領團隊時,我特別強調專案管理的基本功,因為 我認為多數的問題都是出在基本功不夠扎實。在專案開始前與進行中,一般我會對PM提出很多問題,以確保專案能如原先預期。

在專案啟動階段,一般會由團隊先就已知資訊先擬定draft plan,內容陳述專案要 做哪些事?打算如何進行?由誰來做?預計花費多少時間?以及得到什麼樣的結果?

draft plan.png
圖/ 游舒帆

「這個專案中有哪些不確定性,它們可能會導致你無法準時交付?」

而當團隊將計畫產出後,我會問PM這個問題。從這個問題的回答中,我便能有效檢視PM對這個專案的把握度有多少。

專案管理早期的主要問題大多是「要解決的問題不明確」、「需求不夠清晰」、「專案的deadline太趕」、「不確定人力資源能否配合」、「對工作的估時過長或過短」、「技術可行性待驗證」、「老闆可能還會改動需求」等。

而這些,就是導致專案行階段會頻繁發生變更(change)的重要原因。

這些不確定性,都可能是專案執行時期的風險,你可以選擇在規劃前期就想辦法處理這些不確定性,也可以選擇在執行時,透過變更管理來因應這些不確定而帶來的更動,而成熟的PM會將這些不確定性有效控管,並以面對風險的方式去處理。

敏捷雖強調擁抱不確定性,並歡迎隨時的更動,但不意味著我們要對那些不確定性置之不理,而是要儘快的讓不確定成為確定。

敏捷強調不斷進步與回饋,透過一個又一個專案的磨練,讓我們能把需求看得更清楚,對時程估算更準確,能更有效對齊老闆的期待,而要做到這些,團隊就需要逼著自己不斷進步,透過反覆的迭代,將不確定性一一消除。

若你對Scrum架構有所研究,你便會發現best practice裡頭強調的架構,其實正是針對上述幾個最常見的專案不確定性而來。

針對時程,Scrum強調固定的交付週期,以1–4周為佳;

針對團隊,強調最好是feature team,在過程中也盡可能避免團隊成員同時參與多個專案;

針對範疇,根據迭代週期與team的資源,由Product Backlog中挑選能完成的工作項目;

加上每個迭代的週期較短,工作總量較小,若過程中發生變更或插單,其實影響的範圍相對較小,等待時間也較短,對變更的因應能力自然較強,若你正確的引入Scrum,這將是你可期待的結果。

先思維,後框架、工具

在學習專案管理或其他知識時,我非常建議大家一定要先建立思維,先了解我們要解決的問題,也就是背後的「Why」,例如要確保工作能如期如質的交付。並圍繞著為什麼去找尋別人是用什麼樣的框架與方法去解決的,也是就「How-to」,例如PMP或Scrum,而在框架與方法之下,又分別選用了什麼樣的工具,這就是「What」,例如WBS、user story等等。

學習過程,一定要先搞懂要解決的問題,並進一步思考為何框架的設計與工具能解決我們遭遇到的問題,並思考它的適用範圍。

唯有如此,我們才能跳脫被框架與工具,而不為物所役。

思考金字塔.png
圖/ 游舒帆

本文由游舒帆授權轉載自其> Mediuam

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

關鍵字: #專案管理
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓