透過參與體驗，讓利害關係人一起推動ESG創新，邁向永續發展
聚焦全球商業創新的現況，解析如何透過服務設計與跨域協同，將創意轉化為實際成果。
先搞清楚問題、策略、細節這 3 層，AI 才幫得上忙（每層都附上可參考的 prompt）
「我們想請你幫忙設計一個共創工作坊，幫我們團隊釐清策略與找到共識。」這句需求直接丟給 AI，很快就會得到一整套流程，卻常常不能解決客戶或主管真正的問題。這篇整理我和兩位資深夥伴規劃企業工作坊時淬鍊出的三個步驟：先找出真正的問題、再提出對應的策略、最後才是落地細節。每一步附上實際使用的 prompt，以及 AI 產出後你仍然要自己檢視的地方：畫布怎麼引導參與者對位、流程時間合不合理。AI 可以把每一層都加速，但第一層判斷錯了，它只會更有效率地把錯的事情做完。
讀《哈佛商業評論》談 AI 與策略決策：Representation 不等於 Participation，用知識參與重新安排誰在什麼時候進場
如果 AI 已經可以模擬 100 個利害關係人，我們為什麼還需要找真人來共創？從《哈佛商業評論》一篇談 AI 與策略決策的文章出發，我發現 SWOT、BCG 矩陣、五力分析這些框架，其實有一部分是為「人腦的極限」而生；我們熟悉的共創工具也是。AI 在搜尋、表徵、整合這三件事上，能大幅擴張我們看得見的世界，但「AI 扮演過病人」，不等於「病人參與過」。這篇回到我這幾年談的知識參與：一般參與者、專業者、決策者各自握有不同的知識與責任，AI 則是新加入、負責擴張的第四種角色。共創的設計問題，因此從「這場工作坊要邀請誰來」，變成「這個決策需要哪些知識、哪些可以由 AI 擴張、哪些必須由真人提供、最後又是誰必須承擔」。
一個顧問案的資料閱讀現場：AI 分析得很順，我卻決定把它放到旁邊，自己重讀一遍
客戶給的資料很完整，AI 也很快就整理出趨勢、機會點與發展方向。每一句都合理，但我看完只有一個感覺：不對。後來我把 AI 放到旁邊，自己一份一份讀，才發現真正的問題不是「這批資料還能整理出什麼洞察」，而是資料本身就缺了幾塊：沒有顧客觀點，也沒有人說清楚什麼叫成功。AI 很會告訴你有什麼，洞察卻常常來自少了什麼。
當賣方沒說的事，AI 也不會知道：從一張升降桌，看銷售體驗要重新設計什麼
兩個孩子同時指定要升降桌，我查了三天，卻愈查愈不知道怎麼選。網路上翻來覆去只有單馬達雙馬達、承重、保固幾年；走進門市，聽到的還是同一份答案。直到一個做家具的朋友用兩句話推翻我的功課，我才發現：真正影響決策的資訊，從來沒有被寫到網路上，AI 自然也撈不到。更麻煩的是，賣方只要改寫商品描述，就能移動 AI 的推薦。這篇從一次家庭採購出發，談 AI 時代為什麼查證與理解真實反而變稀缺，以及從找資訊到走進門市，品牌現在還能幫客戶做的四件事。
AI 時代的服務設計研究筆記——當使用者從「操作者」變成「委託人」
KPMG 橫跨 47 國、48,000 人的調查顯示：66% 的人經常使用 AI，卻只有 46% 願意信任它，更有 66% 的人依賴 AI 產出而不評估其準確性，56% 的員工已因此在工作上犯過錯。方便與效率讓 AI 用量大增，但也造就了信任危機——AI 給的答案可不可以相信？出了問題誰負責？醫療現場已經真實上演：臨床醫師被要求為 AI 輔助的決策負責，卻對工具毫無控制權。這篇從 Job to be Done 出發，整理 AI 時代使用者研究不得不注意的六個議題：委託範圍、信任與驗證、人的邊界（問使用者）；可接受錯誤率、責任歸屬、工作流壓縮（問營運端），以及 Persona 與旅程圖該怎麼跟上。
從評審桌上的一句「有人用嗎」，談 AI 時代的採用與治理
擔任大型比賽評審時，常遇到一個有點尷尬的狀況：團隊很認真、服務看起來也不錯，願景更是動人；但一問到使用量或實際接觸人數，數字卻低得可憐。AI 把產出變得又快又便宜，但「好用」與「被接受」並沒有跟著變便宜。這篇從兩篇文章看 AI 導入的兩種誤區，回頭談 DesignOps 原本的野心其實不只是行政支援，並整理 AI 時代 DesignOps 該做的三件事——把重心從產出治理，移到採用治理。
顧問的價值不再只是給建議，而是要能真槍實彈地把事情推進市場
AI 把報告產得又快又好，「資深顧問」的價值好像受到挑戰了。如果你在企業內負責推動創新或新市場開拓，要不要找顧問，可能變成一個需要對老闆解釋的決定。這篇把它變成五個可以直接拿去問的問題：你能挖到真實世界的洞見嗎、要從哪裡取得？你知道創新過程會卡在哪、需不需要第三方協助？你知道去哪裡找到創新的合作夥伴嗎？進入市場前，顧問會怎麼做出 MVP 並帶著團隊測試？以及一個 Bonus：遇到專案範圍外的狀況，你們會怎麼處理？AI 拿走報告，反而讓顧問真正的價值浮出來。
AI 很快，但治理設計要走在自動化前面
目標和流程沒想清楚，AI 可能讓我們失敗得更快、錯得更多，也花得更多。這篇從顧問諮詢現場看到的企業擔憂與期待談起，整理自動化之前該先問清楚的五件事：先確認要改善一點，還是跳一個量級；先算清需求、對象與經濟規模；先分清楚標準化與客製化；需求找對了，還要確認修的是不是對的問題；最後，不要只要求同事配合，而要重新設計他的角色。
Andrej Karpathy 影片觀後感——不是工程師，也該懂的 AI 素養入門
當我們談永續，大多數人會直覺想到環境、能源與碳排放；但真正決定企業或個人能否永續發展的，還有一項關鍵因素——我們與科技的關係。這篇把生成式 AI 的底層邏輯，拆成幾件不是工程師也該懂的事：LLM 是什麼、我們每天用的模型長什麼樣子；AI 怎麼「看懂」我們說的話（Token 與 Context）；它為什麼會亂講話——不是在騙你，而是在猜，以及防幻覺的四個建議；還有思考型模型與進階工具該怎麼選。
從 Google I/O 看 AI 成為服務觸點之後，商業模式會怎麼變
今年 Google I/O 開發者大會上，AI 不再只是輔助工具，而是成為顧客完成任務的第一線夥伴——Gemini 助理更強大，Project Astra 更展示了 AI 如何結合語音與影像，以協作的方式參與。當顧客不再走你設計好的流程，服務設計的重心就會從「旅程」轉向「任務」。這篇整理四個變化：AI 成為服務觸點，而不只是工具；RaaS 用任務導向取代旅程導向；生態系整合成為核心競爭力；以及年輕世代把 AI 視為生活核心。