找出未知：四象限框架與反向面試、盲點掃描

AI 協作真正的瓶頸在「把未知釐清」：把未知分四象限，最貴的兩格——未知的已知、未知的未知——各用反向面試與盲點掃描主動挖出來。

定義：模型越強，成果品質的瓶頸就越不在模型本身，而在使用者「把未知釐清」的能力。把未知分成四個象限，針對最貴的兩種各有一套主動挖掘的方法。

過去會覺得「AI 做不好是因為模型不夠強」。但實際協作半年下來，真正的瓶頸其實在需求端——同一個模型，把未知講清楚就做得好，講不清楚就反覆重做。換句話說，該投資的不是等更強的模型，而是「幫 AI 把我腦中的隱性知識挖出來」的機制。這個框架借用 Anthropic 工程師 Thariq 的說法：先認得未知有哪幾種，才知道該用哪一招。

四種未知（四象限）

已知的已知：你清楚、也明確寫進需求的東西。這部分不會出問題。
已知的未知：你知道自己「還沒決定」的事——例如還沒想好報表要怎麼分類。你至少知道它存在，會記得去問。
未知的已知：你其實懂、但覺得「這麼理所當然還要講嗎」而沒說出口的事——現場慣例、操作習慣、行規。這是最容易漏的一格，因為它對你太自然。
未知的未知：你根本沒想到要想的事。等到實作完才撞上，重做最貴。

上面兩格（已知的已知、已知的未知）好處理；下面兩格才是真正的戰場——它們的共同點是「你不會主動講」，所以要靠機制逼出來，不能等它自己浮現。

反向面試——對付「未知的已知」

展開規格前，反過來讓 AI 訪談你：一次只問一題，並且按「這題的答案會不會改變整個做法」來排先後，重要的先問。為什麼要這樣？因為你滿手是 AI 猜不到的隱性知識（現場怎麼運作、同仁的習慣），你自己不覺得需要說，AI 也不知道要問——不主動挖，它就會變成「做完才發現不對」的重做。

驗收時該檢查的是：AI 有沒有在動工前先問夠問題，而不是拿到一句需求就埋頭做。

盲點掃描——對付「未知的未知」

碰到第一次接觸的領域，先請 AI 幫你掃一遍「有哪些我可能沒想到的未知」——例如樣本的多樣性、格式的變體、資料的量級、誰能看誰不能看的權限規則。這一步是刻意去找「你不知道自己不知道」的東西。

一個實際的教訓：某個從 PDF 自動讀資料的功能重做了兩輪，根本原因是一開始只拿「一種版型」的樣本來開發，第二輪才撞上——原來實際上有四種版型。如果一開始就做過盲點掃描，問一句「這類文件會不會有多種版型」，就能省下整整一輪重做。

另外兩招

多方向原型：視覺或版面講不清楚時，別急著描述，讓 AI 先做 3～4 個不同版本擺出來挑。用挑的比用講的準。
理解測驗：重大變更動工前，讓 AI 出一份小測驗考你（或反過來你考它），確認雙方對需求的理解一致、你全答對了才放行。避免「以為講清楚了、其實各自想像不同」。

對決策者的意義

遇到一種新的重做，先別急著怪 AI，先問自己：「這是四象限裡哪一格的未知漏掉了？」——是我有個現場慣例沒講（未知的已知，該用反向面試），還是這領域有個我根本沒想到的變數（未知的未知，該用盲點掃描）？認出是哪一格，就知道下次該補哪一招。整體來說，投資在「幫 AI 借你的眼睛、把未知逼出來」的機制上，回報最高。