上週一個朋友跟我說，她在用 AI 做問卷分析，假設檢定、資料分群、交叉分析全跑了，分析的簡報也做了十幾頁。
我越聽越不對。
因為，她說的每一個「發現」，幾乎都是調查前就能猜到的事，沒有一條讓我意外。
我忍不住問她：「你在看這些數據的時候，有沒有什麼你調查之前沒想到的發現？」
就這一句話，整個局面改變了。
她從 AI 整理好的數據裡找到了反差的地方，分析的敘事全部重組，報告才真的有了洞察。
基礎的統計與整理交給 AI
AI 的數據整理能力跑得又快又好，但它卻有一個盲點：它習慣根據你一開始設定的框架，去找出可以支持該框架的數據，卻很少能主動發掘那些你「預期以外」的事情。
因此，我們應該學會分工，把處理數據的苦工讓 AI 做，他可以寫程式來跑分析。而你，要著重思維的訓練。
調查前：先寫下你的反面假設
在進入數據之前，心態的準備至關重要。在設計問卷或啟動調查前，請先寫下一個問題：「如 果結果顛覆我的直覺，最可能是哪一題？ 」
有了這個「反面假設」後，等調查一結束，就優先去檢視那個部分的數據。這個看似簡單的動作，能讓你擺脫先入為主的觀念，帶著強烈的好奇心與探索慾望進入數據的世界。
分析後：問自己，不要問 AI
當 AI 幫你把海量數據整理成精美的報告後，真正的挑戰才剛開始。這時候請你停下來「問自己，不要問 AI」。
帶著這個關鍵問題去翻閱 AI 整理好的報告：「這份數據裡，有沒有哪個數字和我調查前的直覺相反？」
AI 可以告訴你「是什麼（What）」，但只有當你敏銳地捕捉到那些違背直覺的數據，並持續往下追問「為什麼（Why）」時，你才能突破既有的框架，找到比 AI 更深入、更有價值的分析角度。
每一次贊助，都是一聲很實際的「加油」。如果你願意支持我和貓貓繼續創作，歡迎來贊助區打賞我們！
有任何想法也可以留言，或回信給我，我都會看。
延伸閱讀：
問AI「這樣好嗎」等於白問， 這個終極提示詞讓AI給出好建議
CLAUDE.md這樣寫才對！12條規則一次整理，讓Claude Code錯誤率從41%降至3%
