與 AI 協作分析 · 1/7
假設 AI 十分鐘就完成了一份留存分析。報告看起來已經可以交付，直到會議上有人問：「為什麼用這個分母？」
理由可能藏在前幾輪討論、被放棄的查詢，或分析做到一半才調整的決定裡。負責這個數字的人，仍然得重新把脈絡拼起來。
與 AI 協作分析一年多後，我越來越在意這件事：AI 做得越快，人對分析的理解，不一定跟著長得一樣快。
流暢的答案，可能掩蓋沒有說清楚的假設
語言模型可以交出結構漂亮、語氣肯定的結論，但流暢的答案未必充分揭露假設與不確定性。讀完結論，不代表我知道它測試過什麼、為何選擇這個定義，以及哪些事情根本沒有被考慮。
與新人分析師協作時，通常能透過提問逐漸發現他的知識邊界。審閱 AI 分析時，我也需要追問：它為什麼這樣判斷？使用了哪些假設？哪些選擇還沒驗證？不能只看文字是否通順。
產出變快了，理解與責任仍要有人接住
過去自己跑分析時，即使沒有完整記錄過程，很多 context 仍然留在腦中：
- 為什麼選擇這個分母？
- 哪些方向已經測試過，但最後被放棄？
- PM 追問某個異常時，下一步可以往哪裡下鑽？
交給 AI 後，結果可能比這些理解更早到達。準備交付的人除了審閱，還多了一份工作：從聊天紀錄中考古。
被放棄的路徑、變更中的假設，以及多輪調整的計畫，如果沒有清楚留下，輕則返工，重則再次使用已被否決的定義，或錯失一條重要線索。
AI 不會代替我出席會議，也不會替分析結果承擔決策責任。執行時間縮短，不代表從問題到可信交付的總時間一定縮短。
我的做法：讓決策與證據成為交付物的一部分
我開始思考的問題不再只是「怎麼讓 AI 給出更好的答案？」，而是「怎麼讓人與 Agent 共享同一個分析脈絡？」
對開頭的留存分析，我希望至少留下三件事：
- Plan 留下決策： 採用哪個分母、有哪些替代定義，以及為什麼放棄它們。
- 執行紀錄留下證據： 實際跑過的查詢、結果與驗證，能連回那個決策。
- Report 留下交付： 最後採用的結論、支持證據與限制，讓接手的人知道目前主張什麼。
如果 PM 挑戰分母，我想看得到當時考慮過哪些定義、為何選這一個，以及換個定義可能改變什麼，而不是再讀一次同樣有自信的答案。
Agent state 則把探索、規劃、執行與交付分開。探索時可以嘗試方法，正式執行前先產出可審閱的 Plan，交付時再收斂至 Report。文字整理得漂亮，並不代表結果已經被驗證或核准。
這也是我建立 Lantide Data 的出發點：讓 AI 加速工作，同時把人理解、質疑與接手分析所需的決策與證據，留在工作區裡。不是每個思考片段都要記錄，但負責分析的人，不應在開會前重新逆向工程整份分析。
延伸閱讀
在 Lantide Data 中試用這套分析工作方式：下載 Lantide Data。