那份分析報告你花了兩個小時做完。
平常這種報告需要半天，這次因為用了 AI 輔助，速度快了很多。你覺得品質也不差，就發給相關部門。
下午收到財務主管的回覆：「這個數字是怎麼算出來的？可以說明一下嗎？」
不是在質疑你的能力，但那個問題讓你意識到一件事：當你用 AI 做分析，你對每一個數字背後的邏輯，真的都清楚嗎？
這是 PM 在使用 AI 做數據分析時最容易遇到的困境：速度變快了，但如果被問到細節，你能不能站得住腳？
為什麼 PM 用 AI 做分析特別容易被質疑
PM 的角色在組織裡是一個特殊的位置。
你不是數據分析師，沒有人期待你用 Python 跑迴歸分析。但你也不是完全不需要看數字的人，跨部門協調的工作裡，你必須能夠理解數據、解讀趨勢、並且在討論裡捍衛你的判斷。
當你用 AI 輔助分析，快速產出一份看起來很完整的報告，你面對的問題不是報告品質，而是你和這份報告之間的距離。
財務主管問「這個數字怎麼算的」，其實在問的是：「你理解這份分析嗎，還是只是把 AI 的輸出轉發給我？」
這個問題的答案，決定了別人對你專業判斷力的評估。
人機協作的三個層次
建立人機協作的專業形象，不是假裝你自己做了所有的分析，而是確保你在整個分析過程裡的每一個環節，都有真實的判斷介入。
層次一：你定義問題，AI 幫你找答案
分析的起點是問題，不是數據。
在把任何東西丟給 AI 之前，你需要先想清楚：這個分析要回答什麼問題？這個問題對這個專案的決策有什麼影響？如果分析結果是 A，你會怎麼做？如果是 B 呢？
這個思考過程不需要很長，但它決定了你給 AI 的指令品質，也決定了你對分析結果的理解程度。
一個清楚的問題框架讓你在被問到「這個分析為什麼這樣做」的時候，可以回答的不只是「因為 AI 這樣說」，而是「因為我們需要回答這個問題，所以我用這個方法分析了這些數據」。
層次二：你驗證邏輯，AI 幫你處理計算
AI 在數學計算和資料整理上很可靠，但它對「這個計算在這個業務情境裡對不對」的判斷能力很有限。
這個驗證工作是你的責任。
操作方式：拿到 AI 的分析結果之後，不要直接使用，先做三個檢查。
第一，數字的量級對不對？如果分析顯示某個專案的成本是三千萬，但你的直覺告訴你應該是三百萬，這個差距不一定是 AI 算錯，可能是你給的資料有問題，也可能是計算方式不對。無論如何，這個差距需要你去找出原因。
第二，趨勢的方向符合你的業務理解嗎？數字可以是對的，但解讀可以是錯的。AI 說某個指標在下降，但你知道那個時期公司有特殊的情況，這個背景需要你在報告裡說明，不能讓數字自己說話。
第三，結論對決策有沒有實際的指導意義？AI 很容易給出一個正確但沒有用的結論，例如「成本上升了 15%」。你需要把它變成一個有行動意義的陳述：「成本上升了 15%，主要來源是 X，如果不處理，下一季會影響到 Y。」
層次三：你負責結論，AI 幫你表達
這是整個流程裡最關鍵的部分。
分析報告的結論，必須是你的判斷，不是 AI 的輸出。
這不只是形式上的要求，而是因為結論是整份報告最容易被記住的部分，也是最容易被拿來質疑的地方。如果有人在會議上挑戰你的結論，你需要能夠用自己的話解釋為什麼你做出這個判斷，而不是說「AI 這樣分析的」。
AI 可以幫你把結論表達得更清楚、格式更完整，但結論本身需要通過你的判斷才能出現在報告裡。
被質疑的時候怎麼回應
如果你已經做了上面三個層次的工作，被問到「這個數字怎麼算的」，你可以這樣回應：
「這個數字是根據 X 資料，用 Y 方法計算出來的。我在整理之後做了驗證，確認和我們上一季的基準相比是合理的。如果你對計算方式有疑問，我可以把原始資料和計算邏輯整理一份給你看。」
這個回應有三個部分：說明資料來源、說明你有驗證、提供可追溯的依據。
沒有一個字提到 AI，但也沒有在隱瞞什麼。這份分析是你做的，AI 是你使用的工具之一，就像你使用 Excel 一樣，不需要在報告裡特別說明你用了哪個軟體。
一個建立長期信任的習慣
每次用 AI 做完分析之後，在發出去之前問自己一個問題：
「如果有人把我關在一個沒有電腦的房間裡，只給我紙筆，要我解釋這份分析的邏輯，我做得到嗎？」
不是要你真的用紙筆重新算一遍，而是確認你對這份分析的理解程度，是否足以讓你在任何情況下都能捍衛它。
如果答案是不確定，那這份分析還沒有準備好發出去。
這個標準看起來嚴格，但它保護的不只是這份報告的品質，而是你在組織裡長期積累的專業信任。
信任一旦建立，別人不會再質疑你的分析是不是 AI 做的，因為他們相信你的判斷力，而判斷力是不管用什麼工具都帶得走的東西。