用 AI 做腦力激盪：突破思考盲點的 5 個框架

一句話說明

AI 做腦力激盪最有用的地方是幫你跳出「自己習慣的思考路徑」，透過結構化的框架產出你沒想過的方向，但哪些想法值得執行還是需要你自己判斷。

為什麼需要框架

直接對 AI 說「幫我想 10 個新點子」，你會拿到 10 個聽起來合理但都很安全的建議。AI 的訓練方式讓它傾向產出「最可能被接受」的回答，這在腦力激盪中是缺點——因為腦力激盪的目的是產出非常規的想法。

用框架的好處是強迫 AI 從特定角度思考，繞過它「給安全答案」的慣性。以下五個框架是飛飛在產品開發和內容策劃中實際用過的。

框架一：SCAMPER

SCAMPER 是七個操作動詞的縮寫：Substitute（替代）、Combine（結合）、Adapt（調整）、Modify（修改）、Put to other use（另作他用）、Eliminate（消除）、Reverse（反轉）。適合在已有產品或服務的基礎上想改良方向。

Prompt：

我有一個產品/服務：[一段描述]

請用 SCAMPER 七個面向各想一個改良方向：
- Substitute：如果替換掉某個核心元素會怎樣？
- Combine：如果和另一個服務結合會怎樣？
- Adapt：如果搬到另一個產業或場景會怎樣？
- Modify：如果把某個特性放大 10 倍會怎樣？
- Put to other use：現有功能還能用在什麼非預期的場景？
- Eliminate：如果拿掉某個「大家覺得必要」的功能會怎樣？
- Reverse：如果把使用流程反過來走會怎樣？

每個面向給一個具體的點子，不要抽象描述。

適用情境：產品改版、服務升級、功能規劃。

實際案例：飛飛用 SCAMPER 思考 AI 資安課程的改良。Eliminate 那項的產出是「如果拿掉投影片會怎樣」，後來真的試了一次純 Live Demo 的教學方式，學員回饋反而比有投影片的場次更好。這種「挑戰預設」的想法是自己想不太到的。

框架二：六頂思考帽（Six Thinking Hats）

Edward de Bono 的方法，讓 AI 分別從六個角度評估同一個想法：白帽（事實數據）、紅帽（直覺感受）、黑帽（風險問題）、黃帽（價值利益）、綠帽（創意替代）、藍帽（流程控制）。

Prompt：

我有一個構想：[描述構想]

請分別戴上六頂思考帽來評估：

白帽（事實）：這個構想需要哪些客觀數據來驗證？目前已知和未知的資訊分別是什麼？
紅帽（直覺）：如果你是目標使用者，第一反應的感受是什麼？會興奮還是懷疑？
黑帽（風險）：最可能失敗的 3 個原因是什麼？最壞的情況會怎樣？
黃帽（價值）：如果成功，最大的 3 個好處是什麼？
綠帽（創意）：有沒有完全不同的方式可以達成同樣的目標？
藍帽（流程）：如果要推進這個構想，建議的下一步是什麼？需要什麼資源？

適用情境：評估新專案是否值得投入、團隊決策前的多角度分析。

這個框架的價值在於黑帽和綠帽。人在評估自己的想法時容易忽略風險（黑帽），也容易陷入「已經想出一個方案了就不想再想別的」的慣性（綠帽）。AI 在這兩個帽子上的表現通常比人好。

框架三：第一原理思考（First Principles）

從最基本的事實出發，拆解問題到根本，不依賴既有的做法或假設。這是 Elon Musk 常提到的方法，適合想要打破既有框架的場景。

Prompt：

問題：[描述你想解決的問題]

請用第一原理思考法分析：

1. 這個問題最根本要解決的是什麼？（不要用產業術語，用最基本的描述）
2. 目前的解法有哪些預設假設？列出至少 5 個
3. 這些假設中，哪些其實可以被挑戰或移除？
4. 如果移除這些假設，有什麼新的解法方向？
5. 在新的解法中，哪一個最容易驗證（成本最低的 MVP）？

適用情境：覺得「所有人都這樣做但總覺得哪裡不對」的時候。

注意事項：第一原理思考法容易產出「理論上正確但實務上不可行」的想法。AI 會很認真地從物理定律或經濟學原理推導出一個結論，但忽略了法規限制、供應鏈現實、或人的習慣。產出之後要用「這在台灣的法規和市場環境下可行嗎」做一輪篩選。

框架四：反向腦力激盪（Reverse Brainstorming）

不想「怎麼做好」，改想「怎麼做爛」。先列出所有會讓產品或服務失敗的做法，再把每個「失敗做法」反轉成「改善方向」。

Prompt：

我的產品/服務：[描述]
目標：提升 [某個指標，例如使用者留存率]

請用反向腦力激盪法：

步驟一：列出 10 種「保證讓 [指標] 變差」的做法
步驟二：把每個做法反轉，變成改善建議
步驟三：從反轉後的建議中，挑出 3 個最反直覺（一般人不會想到）的方向

適用情境：改善現有產品的特定指標、找出被忽略的使用者痛點。

這個框架的好處是降低心理門檻。直接問「怎麼改善留存率」大家會給很保守的答案，但問「怎麼保證使用者流失」反而會想到更多可能性。AI 在這個框架裡表現很好，因為它可以很認真地「想壞的」，不會有人在會議中說出「讓 App 啟動慢 10 秒」的心理負擔。

框架五：隨機刺激法（Random Stimulus）

引入一個完全無關的元素，強迫你的思考和隨機元素產生連結。這是最能產出「意料之外」想法的方法。

Prompt：

我正在解決這個問題：[描述問題]

請隨機選一個和這個問題完全無關的領域（例如：海洋生物學、中世紀建築、日本料理、太空探索），然後：

1. 從那個領域中挑出 3 個有趣的原理或做法
2. 強迫連結：每個原理如何啟發我的問題的新解法？
3. 把最有潛力的連結發展成一個具體的構想（50 字以內）

適用情境：已經想了很多方向但都覺得不夠新的時候。

使用技巧：跑 3-5 次，每次讓 AI 選不同的隨機領域。因為每次的隨機元素不同，產出的方向差異很大。從多次結果中交叉比較，有時候不同領域的啟發會指向同一個方向，那通常就是值得深入的線索。

推動 AI 產出非常規想法的技巧

AI 產出保守想法的原因是訓練資料中「安全的回答」被標記為好的回答。要突破這個限制，有幾個方法：

在 Prompt 中明確要求。加上「請包含至少 2 個你覺得可能被拒絕的想法」或「請包含 1 個違反產業常識的方向」。AI 會因為你的允許而放寬自己的「安全邊界」。

設定角色。「你是一個以打破常規著稱的創新顧問」比「你是一個行銷顧問」會產出更激進的想法。角色設定會影響 AI 選擇回答的分布。

迭代而非一次到位。第一輪產出 10 個想法 → 你挑出最有趣的 2 個 → 請 AI 各自延伸出 5 個變體 → 再挑再延伸。每一輪都會比上一輪更具體、更非常規。

腦力激盪的限制

AI 腦力激盪產出的想法有幾個系統性的盲點。

缺乏領域專業知識。AI 不知道你的產業裡哪些做法已經被證明行不通、哪些法規限制了某些方向、哪些供應商根本做不到。產出之後一定要和有產業經驗的人討論可行性。

偏好「聽起來好」的想法。AI 會用正面的語言包裝每個想法，讓每個方向都聽起來很有潛力。你需要自己做可行性篩選，問自己：「這個想法在 3 個月內、用現有團隊和預算做得到嗎？」

無法判斷時機。有些想法在正確的時機推出會成功，太早或太晚就不行。AI 沒有即時的市場感知能力，無法判斷「現在是做這件事的好時機嗎」。

安全注意事項

用 AI 做腦力激盪時，容易在興奮中貼出不該貼的資訊。

未公開的產品計畫。腦力激盪時很自然地會描述「我們正在開發的新功能」或「下一季的產品方向」，這些是商業機密。使用免費版 AI 時，這些資訊可能被用於模型訓練。如果討論的是高度機密的產品計畫，使用 API（不訓練模型）或本地部署的模型。

競爭情報。「我們的競品 A 最近在做 X，我們要怎麼應對」——這句話本身就包含你的競爭情報（你在監控誰、你認為什麼是威脅），不適合放在公開的 AI 平台上。

智慧財產權。如果腦力激盪的結果未來要申請專利，在公開平台上討論細節可能影響專利申請的新穎性。這個情境下應該使用有保密協議的企業版 AI 或本地模型。

知識檢測

讀完文章後，測試一下你對這個主題的理解。

常見問題

相關文章

• AI 內容創作工作流
• AI 行銷工作流
• AI 社群經營工具箱

參考資料

• Edward de Bono, Six Thinking Hats
• SCAMPER method (Bob Eberle)