參與是必要條件，卻不是充分條件——引導不只設計「怎麼討論」，也要設計「拿什麼來討論」
把人找齊、氣氛熱絡，不等於會有好成果。共創要走得深，除了參與，還需要知識的支持——參與者手上有什麼素材可以想，決定了他們能想到多遠。這篇從「要準備什麼知識，先看活動目的與參與者」出發，用「活動目的 × 參與者類型」把共創工作坊拆成九種情境，每一格該準備什麼知識、用什麼工具、最容易在哪裡失敗，一次講完。最後回到引導者的工作：讓知識從資訊走向行動。
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。
引導學 × 會議溝通｜方法實踐筆記
簡報講得完整，不代表溝通完成。提案講完後，現場只剩「謝謝分享」、「我們再想想」——這是很多會議真正的結局。這篇結合《Facilitation 引導學》的傾聽、複誦、提問、觀察與回應，以及我自己在服務設計與跨部門專案裡累積的會議經驗，把方法放回一場會議的時間軸：報告前先釐清這場會是要收斂決策還是蒐集想法；簡報時看著對方而不是投影片，從表情與姿態讀懂現場；簡報後先傾聽再複誦，不急著解釋；接著用 5W1H 把模糊的話問具體，再用封閉式問題收斂；遇到沉默先辨認原因，遇到衝突往下拆出共同原則；最後用四個確認，把討論接到明確的下一步。
從 10 組高中生的《存在》展演，看見觀點、體驗、協作與迭代，如何在舞台上真正發生
一齣戲從 10 分鐘長到 60 分鐘，中間發生的事，其實跟服務設計的流程幾乎一樣。這篇從高中生的展演現場出發，拆出六種能力：選擇戲劇主軸，就是找到自己最想、也最值得傳遞的價值；思考觀眾需求，是讓想說的成為別人願意聽的；設計一齣戲，就是設計完整的體驗旅程；幕前與幕後，就是一張完整的服務藍圖；演一個角色，讓同理從 2D 進入真實互動；而從 10 分鐘到 60 分鐘，就是原型測試與迭代。
從將近 30 個人的交流，收斂出促進參與及團隊接納的 5 個關鍵引導心法
平等交流不是多鼓勵幾句發言就會發生。這篇先看懂參與式設計最常卡住的三個現場，再收斂出五個心法：先分清引導者與 Key Man 的角色；開場先講目的、規則與參與角色；釐清衝突背後的需求，把解法先放待辦；用視覺化，讓每個意見都被看見；再用三個小技巧，讓人放心交流。結語回到引導者的位置——好的引導，不是替大家說話。
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。
當合作從兩小時拉長到半年、兩年，引導者要設計的會從議程，擴大到參與者旅程、決策節點與治理機制
場域設計的尺度一旦從一場會議拉到專案與組織，要設計的東西就完全不同了。這篇談幾件事：目的給方向，目標要留下改變的證據；成員不必全程都在，但關鍵角色要在關鍵時刻進場；流程拉長後，要設計一整段參與者旅程；規範也要隨尺度改變。再用兩個實例落地——專案尺度的高齡健康餐食案，怎麼先安排決策與檢視節點；組織尺度的懷世代公益加速器，怎麼設計兩年的陪跑場域。專案管理看的是進度，場域設計還要看合作怎麼發生。
目的、目標、成員、流程與規範，一起決定了一群人能不能真正開始合作。
會議沒結論、跨部門合作卡住，常常被歸因於主持或統籌技巧不足；但更根本的問題，可能是那個讓人一起工作的「場」，在開始前沒有被設計好。這篇先講場域營造的五個要素，再把五要素直接放進一場產品設計工作坊，看它們在真實議程裡分別長成什麼樣子。最後回頭指出多數會議第一步就做反了的地方——先排議程、才想目的與角色，於是每個人帶著不同的期待進場，討論當然收不攏。
用目的、目標、成員、流程與規範，把一群人的集合，變成能一起工作的團隊
會議沒結論，往往不是主持技巧不夠，而是「場」沒設計好。本文以堀公俊《引導學》的場域營造五要素（目的、目標、成員、流程、規範），結合 OKR、利害關係人盤點與參與者旅程等服務設計工具，從組織、專案到單場會議，教你在開始前把合作的條件設計好。
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。
