用AI做決策矩陣:把難以取捨的選項變成清楚的分數

你只要準備好「選項清單」與「在乎的準則」,就能在十分鐘內請 AI 把一個讓你猶豫不決的選擇，轉換成一張有分數、有權重、可以攤開來討論的決策矩陣，不再只靠「感覺」拍板。

為什麼決策矩陣比「憑感覺選一個」可靠

多數人做決策的方式，是在腦中把幾個選項來回比較，最後選一個「感覺比較好」的。這種做法有兩個問題。第一，人腦同時能穩定比較的準則通常不超過三、四個，一旦準則超過五個(價格、品質、交期、售後、風險⋯⋯),大腦會自動忽略一部分，而且往往是無意識地忽略，你自己不會發現漏了什麼。第二，「感覺」容易被最近發生的事、講話最大聲的人、或者當下的心情帶偏，同一組選項，心情好的時候跟心情差的時候，可能會選出不同答案。

決策矩陣的做法，是把「選項」跟「準則」攤開成一個表格，每個準則給一個權重(代表你有多在乎),每個選項在每個準則上給一個分數，最後用「權重 × 分數」加總，算出一個總分。這個方法本身不是新東西，企業管理、採購評選早就在用，叫做加權評分法(Weighted Scoring Model)。AI 能加值的地方，不是發明新方法，而是幫你做三件耗時的事:一是幫你想清楚「你可能漏掉的準則」,二是幫你把模糊的優缺點轉成一致的分數，三是幫你快速跑「如果某個準則的權重變了，結論會不會翻盤」的敏感度分析。

需要說清楚的是，決策矩陣不是要把「人」拿掉決策權，而是把「憑感覺」的部分，換成「憑清楚攤開的邏輯」,最後要不要照分數走，仍然是你自己的判斷，這點在文章最後會再強調。

決策矩陣的核心邏輯與事前準備

在丟給 AI 之前，你自己要先想清楚三件事，不然 AI 只能幫你做出一張「漂亮但空洞」的表格。

第一是選項要「同一層級」。例如你在選辦公室，選項應該都是具體地點(信義區A棟、內湖B棟、板橋C棟),而不是把「租辦公室」跟「用共享空間」這種不同層級的問題混在一起，否則後面的準則會很難套用。

第二是準則要「可觀察、可打分」。「感覺不錯」不是一個好準則，「初期建置成本」「三個月內可上線」「客服回覆時間」才是。準則最好控制在五到八個，太少會漏掉重要面向，太多則每個準則的權重都被稀釋，矩陣反而失焦。

第三是權重要「先想過再讓 AI 挑戰」。很多人一開始會把所有準則都設成一樣重要，這其實是逃避取捨。比較好的做法是先自己粗略排出「哪三個準則如果沒達標，這個選項直接出局」,這幾個準則的權重就該明顯高於其他專案。

下面這張表格是決策矩陣最基本的骨架，實際跑的時候把選項換成你的候選方案就好:

加權總分的演算法是:把每一列的「權重 × 得分」加總，再除以總權重，得到一個 0 到 10 之間、可以互相比較的分數。這一步用試算表就能算，但真正花時間的是「填分數」跟「想準則」這兩件事，這才是 AI 該幫你做的部分。

一段可複製的 Prompt:讓 AI 幫你建立決策矩陣

以下 Prompt 可以直接複製使用，把 {} 內的變數換成你的實際狀況即可。建議把你目前掌握的資訊(報價、規格、口碑等)一併貼給 AI,分數才會有根據，而不是憑空亂猜。

你是一位熟悉加權評分決策法的顧問。請幫我針對以下決策，建立一份決策矩陣。

【我要決定的事】
{例如:公司要匯入一套客戶關係管理系統(CRM),需要在三個方案中選一個}

【候選選項】
1. {選項A名稱與基本資訊}
2. {選項B名稱與基本資訊}
3. {選項C名稱與基本資訊}

【我已知的背景資訊，請根據這些資訊評分，不要憑空捏造】
{貼上你手上有的報價單、規格比較、使用心得、業界評價等原始資訊}

【我目前在乎的準則，以及我對每個準則的初步權重(1-5分，5分最重要)】
{例如:初期成本(5)、匯入時間(4)、長期維運難度(3)、供應商穩定度(4)、未來擴充彈性(2)}

請依照以下步驟輸出:
1. 檢查我列的準則是否有明顯遺漏(例如資安風險、合約繫結期、退場成本),如果有，列出來並說明為什麼重要，但先不要自己加進表格，讓我確認。
2. 用 markdown 表格呈現決策矩陣，欄位包含:準則、權重、各選項得分(1-10)、加權總分。
3. 針對每個選項在每個準則上的得分，用一句話說明評分依據，標明是根據我提供的資訊，還是你的一般推論。
4. 指出目前哪一到兩個準則的權重變化，最有可能讓排名結果翻盤(敏感度分析),並說明原因。
5. 最後用三到五句話，誠實列出這份矩陣沒有考慮到、但可能影響決策的因素。

請用台灣繁體中文回覆，語氣專業但不要浮誇。

這個 Prompt 的關鍵設計，是第一步「先問有沒有漏準則、但不要自己加」跟第三步「標明評分依據」。前者避免 AI 自作主張改變你的評估框架，後者避免你把 AI 憑空腦補的分數，誤當成有根據的判斷。

逐步解讀輸出:量化評分怎麼看

拿到 AI 產出的矩陣之後，不要看到總分最高就直接照做，建議依序檢查三件事。

第一，檢查評分依據是「有根據」還是「一般推論」。如果 AI 在某一格寫「根據我對這類系統的一般瞭解，估計整合難度中等」,這代表它其實沒有你提供的具體資訊可以參考，這一格的分數可信度就該打折扣，最好自己去查證或補資料再重跑一次。

第二，看總分差距是不是「有意義的差距」。如果三個選項加權總分分別是 7.8、7.6、7.5,這種差距在評分誤差範圍內，幾乎等於三個選項打平，這時候真正該看的不是總分，而是「哪個選項在你最在乎的一到兩個準則上明顯突出」。決策矩陣的價值不是硬要選出第一名，而是讓你看清楚「這其實是一場勢均力敵的比較，不是理所當然的選擇」。

第三，回頭檢查 AI 提醒你「可能遺漏的準則」那一段，這往往是整份輸出裡最有價值的部分。很多人自己列準則時，會不自覺地漏掉「退場成本」「合約繫結期」「資料搬遷難度」這類不緊急但很關鍵的專案，AI 因為沒有你的情感包袱，反而比較容易點出這些盲點。

敏感度分析:找出「差一點就翻盤」的準則

敏感度分析的白話說法是:「如果我對某個準則的重視程度稍微調整一下，結論還會一樣嗎?」這一步常被忽略，但其實是決策矩陣最實用的部分，因為它告訴你「這個決定有多脆弱」。

舉例來說，如果「初期成本」的權重從 5 降到 3,選項A(成本最低但擴充彈性差)的排名就從第一掉到第三，這代表整個決策高度取決於你對成本的重視程度。這種時候，與其糾結分數，不如回頭問自己一個更根本的問題:「我到底有多在乎初期成本比長期彈性重要?」把矩陣算出來的技術問題，轉回成一個價值取捨的問題，這才是決策矩陣真正該幫你做的事。

反過來，如果某個選項不管怎麼調整權重，排名都穩定領先，這代表這個選擇相對「穩健」,不容易因為你當初的權重設定稍有偏差就選錯，這種結論的可信度自然比較高。

台灣案例:手搖飲料店的第二家分店選址

台中一家五人團隊經營的手搖飲料店，老闆考慮開第二家分店，手上有三個候選地點:A是學區周邊店面、B是辦公商圈店面、C是社群型店面，三個地點的租金、坪數、周邊競爭者數量都不一樣，老闆自己看了兩週還是猶豫不決，原因是「每個地點都有一好一壞」,單靠感覺很難比較。

他用前述 Prompt,把三個地點的租金報價、坪數、他自己觀察到的人流描述、周邊已有的飲料店數量都貼給 AI,並先列出自己在乎的準則:租金負擔(5)、預估人流(5)、同業競爭密度(4)、契約年限彈性(3)、裝潢改造成本(2)。

AI 提醒他漏了「外送平台曝光機會」跟「未來若要退場的違約金條件」這兩項，他確認後補進矩陣重跑一次。最終加權總分顯示B(辦公商圈)略高於A(學區),但敏感度分析指出，只要「同業競爭密度」的權重從4提高到5,排名就會翻轉成A領先——因為學區周邊雖然人流穩定，但同業已經有三家在附近，辦公商圈目前只有一家。

老闆最後沒有直接選總分最高的B,而是重新思考「同業競爭密度」對他來說到底該有多重要，考量到自己過去經驗中，同業密集區的削價競爭壓力確實對利潤影響很大，他把這項權重上調，最終選了A。整個過程從猶豫兩週，縮短成用AI跑矩陣加上跟房東確認條件，大約三、四天就拍板，他自己的說法是「不是AI幫我選，是它讓我看清楚我自己到底在乎什麼」。

AI 的能力邊界與常見錯誤

決策矩陣看起來是量化、客觀的，但這種「看起來很科學」的外觀，反而容易讓人對 AI 的輸出過度信任，以下幾點必須誠實提醒。

AI 不知道你沒告訴它的事。如果你只給了報價單，沒提到某個廠商過去曾經延遲交貨，AI 在「供應商穩定度」這一格給的分數，就只能是憑空推論或直接留白，不會自動幫你查證廠商的真實風評，這部分你必須自己補資料，不能假設 AI 「應該知道」。

分數本身帶有主觀性，只是被包裝成數字。「匯入時間」打7分還是8分，中間的差異往往沒有嚴謹的量化依據，AI 給出的分數是一種合理估計，不是精確測量，把小數點後兩位的加權總分當成鐵律，是常見的誤用。

準則之間可能互相影響，矩陣沒有反映這一點。例如「初期成本低」跟「未來擴充彈性差」很可能是同一個選項的一體兩面，矩陣把它們當成獨立專案分開打分，但決策時其實應該一起考慮，這需要你自己在解讀總分時多想一層，不能只看加總數字。

AI 有時候會為了讓回答看起來完整，傾向給出中庸、不極端的分數，導致選項之間的差距被壓縮，看起來每個選項都差不多，這時候反而要多追問一句「哪一項的分數你最不確定，為什麼」,逼它講出真正的判斷依據，而不是接受一份看起來四平八穩、實際上沒什麼參考價值的表格。

最終還是人拍板:把 AI 矩陣變成決策紀錄

決策矩陣最大的價值，其實不在那個加權總分，而在於它逼你把「你在乎什麼、有多在乎、為什麼」寫成白紙黑字。這份紀錄的好處是，半年後如果結果不如預期，你可以回頭檢查，當初是準則列錯了、權重設錯了，還是資訊本身就不準確，而不是只留下一句「當初憑感覺選的」。

實務上建議的做法是:把 AI 產出的矩陣跟敏感度分析結果，整理成一頁決策備忘錄，包含選項、準則權重、最終選擇、以及「如果之後想改變心意，是因為哪個準則的重要性變了」。這份備忘錄比矩陣本身更值得留存，因為它把一次性的計算，變成一段可以追溯的決策脈絡。

如果這個決策矩陣的方法你想套用到更複雜的多人協作場景，例如需要多位主管分別打分再彙整，可以參考 /workflows 底下關於多步驟流程設計的做法;如果你想把這個 Prompt 固定成每次選型都能重複使用的工具，可以參考 /prompt 分類裡其他任務型提示詞的寫法;若想進一步串接成不需要每次手動貼資料的自動化流程，則可以參考 /automation 的相關介紹。

常見問題 FAQ

延伸閱讀

• 多步驟工作流程設計
• 任務型提示詞範例庫
• AI 任務食譜總覽
• 自動化流程串接指南