多數人以為，AI 分析報表靠的是模型夠不夠強，只要換上最新版的 ChatGPT 或 Claude，答案自然就更精準。麻省理工史隆管理學院（MIT Sloan）一項研究卻發現，換用更先進的模型後，效能提升只有一半來自模型本身，另一半其實來自使用者怎麼調整提示詞。換句話說，工具再強，指令下得模糊，AI 也只會給一句空泛的回應。
這種狀況在資料分析上特別明顯。把月營收表、業績表丟進 AI，只打一句「幫我分析這份報表」，換回來的常常是「整體表現不錯」「業績有成長」這類聽起來正確、卻沒有半點用處的回答。AI 提示詞（AI Prompt）指的是下給生成式 AI 的具體指令，它決定 AI 要看什麼、比什麼、怎麼回答；少了這道指令，再厲害的模型也只能自己亂猜。
解法是一套具體、可以直接套用的三段式提示詞公式：目標指標、基準、輸出格式。三段補齊，AI 給出的就不再是一句空話，而是一張能直接拿去開會討論的分析表。先從報表最常見的丟法講起，看看那句「幫我分析這份報表」通常換來什麼答案。
為什麼把報表丟給 AI，常換來一段空話？
月營收表、業績報表、網站流量報表，是台灣中小企業經營者最常丟給 AI 的三種資料。打開 ChatGPT、Claude 或 Gemini，貼上表格，接著問一句「幫我分析這份報表」或「這數據代表什麼意思」，是最常見的用法。
問題出在，這種丟法完全沒有告訴 AI 你在意的是哪個數字。回覆通常落在同一個模板，先重複表格裡幾個數字，接一句「整體表現不錯」或「業績有成長的趨勢」，讀完等於白讀，因為這種結論早在打開表格前就猜得到。
OpenAI 官方說明資料分析功能的文件裡也提到，ChatGPT 第一次嘗試分析時，常會選擇不符合使用者意圖的方法或圖表類型；真正需要特定做法時，得明確要求它使用哪種方法、哪種圖表、依什麼欄位分組。連 AI 廠商自己都講明白，沒講清楚，AI 就會用猜的。這正是問題的核心：不是 AI 看不懂數字，是它不知道要看哪個數字、跟什麼比、要用什麼形式給答案。
AI 給的答案空泛，真的是它不夠聰明嗎？
報表看不懂重點，很容易讓人直接把問題歸咎給 AI 不夠聰明，換一個更貴的模型、或多裝一個外掛，指望答案自動變好。但前面提到的 MIT Sloan 研究已經給出答案。換上更先進的模型後，使用者拿到的效能提升裡，只有一半來自模型本身的進步，另一半來自使用者自己怎麼調整提示詞，用進階模型的人，寫出來的提示詞平均變得更長、也更具體，這才是效能真正拉開差距的地方。
Claude 官方的提示詞撰寫文件裡有一條「黃金法則」，講得更直白。把提示詞拿給一位對這件事完全沒背景的同事看，如果他會看得一頭霧水，AI 也會一樣困惑。文件裡把 AI 比喻成一位很聰明、但剛到職還不熟悉公司規矩的新人，愈精確地講清楚要看什麼、要比什麼、要什麼格式的答案，新人才能做出對的事。AI 也是同一套邏輯，它不是不夠聰明，是沒人告訴它公司規矩長什麼樣子。
資料分析要問對，靠的不是找更貴的 AI，是把任務講清楚。不過在學怎麼把提示詞寫清楚之前，還有一個更基本的前提要先處理，就是報表本身的格式對不對。
報表要先整理成什麼樣子，AI 才看得懂？
三段式提示詞能不能生效，還有一個常被忽略的前提，就是資料本身乾不乾淨。提示詞寫得再精準，表格格式亂，AI 一樣分析不出東西。
好格式有三個條件。第一列要放清楚的欄位名稱，像「月份」「營業額」「客單價」，不要用「A 欄」「B 欄」這種不具意義的標籤；每一列只放一筆完整記錄，不要把兩三個月的資料橫向並排塞進同一列；同一張工作表裡也不要擠進好幾個不相關的小表，一張表只處理一件事。
最常見的地雷，是把報表存成圖片或掃描檔案再貼給 AI。OpenAI 官方說明資料分析功能的文件裡提到，ChatGPT 難以從以圖片為主的表格或掃描檔案裡可靠地讀出精確數值。圖片裡的數字，AI 頂多用猜的，不是真的讀懂。三種常見檔案格式裡，CSV 與 Excel 都能保留完整的欄位結構，是最穩妥的選擇；PDF 若是文字型還可以，但只要是掃描出來的圖片型 PDF，一樣會踩到剛才那個地雷。把表格準備好之後，才輪到提示詞本身要怎麼寫。
一段好提示詞，要交代目標指標、基準、輸出格式
格式打理好之後，提示詞要交代的東西，其實只有三件事：目標指標、基準、輸出格式。目標指標告訴 AI 要看哪個數字，基準告訴 AI 好壞怎麼判斷，輸出格式告訴 AI 答案要長什麼樣子。
這三段不是可有可無的細節，是撐起整段分析的骨架。少了目標指標，AI 不知道該從幾十個欄位裡挑哪幾個講；少了基準，任何數字聽起來都「還不錯」；少了輸出格式，AI 就會自己選擇要寫一大段散文，還是列幾點重點。OpenAI 官方的提示工程指南裡建議，給模型的指令要包含「該做什麼、不該做什麼」，與判斷所需的額外背景資訊，呼應的正是「講清楚任務、給判斷依據」這套邏輯。三段各自對應的問題，整理如下。
| 段落 | 解決的問題 | 範例語句 |
|---|---|---|
| 目標指標 | 要看哪個數字 | 針對「轉換率」分析 |
| 基準 | 跟什麼比較 | 跟上個月比、跟目標值比 |
| 輸出格式 | 答案要長什麼樣子 | 用表格列出指標、本期數字、差異、建議 |
目標指標：先告訴 AI，你想看懂哪個數字
最常見的提示詞只有一句「幫我分析這份報表」，這句話沒有告訴 AI 要看哪個指標，AI 只能自己挑幾個看起來重要的欄位講。把目標指標寫進提示詞，效果差很多。
模糊版：「幫我分析這份業績表。」具體版：「請針對本月營業額和客單價這兩個指標，分析它們的變化。」具體版指名了兩個要看的指標，AI 的注意力會集中在這兩件事上，不會發散去講一堆跟目標無關的觀察，像是庫存周轉或人力成本這些沒被問到的欄位。指標點得越明確，答案越不會失焦。
基準：沒有比較，數字就沒有意義
單獨一個「20 萬營業額」，本身沒有意義。20 萬是好是壞，要看跟什麼比：跟上個月比是成長還是衰退，跟去年同期比有沒有季節性因素，跟自己設定的目標值比又差多少。沒有比較對象，AI 只能講「聽起來還不錯」這種正確但空洞的話。
把基準寫進提示詞，是把數字變成洞察的關鍵一步。像是把提示詞寫成「請把本月營業額跟上個月比較，並說明成長或衰退的幅度」，AI 給出的就不再是一句評語，而是一個有對照組的判斷。基準可以是時間軸，像上個月、去年同期，也可以是目標值，像月初設定的營收目標，挑哪一種要看手上有什麼資料可以比。
輸出格式：直接指定表格，AI 才給得出能用的答案
提示詞的最後一段，是直接告訴 AI 要用什麼形式回答。不指定格式，AI 常常會寫成一大段散文，讀者得自己從文字裡挑出重點；直接要求用表格，答案會整齊很多。
具體做法是把提示詞寫成「請用表格呈現，欄位包含指標、本期數字、基準數字、差異、建議」。這樣的要求除了讓答案好讀，也逼著 AI 把每個指標都交代到，不會漏講其中一項。OpenAI 官方的說明文件裡也提到，ChatGPT 可以協助建立表格逐列檢閱、從上傳的資料建立圖表，只是這些功能通常要先明確開口要求，AI 不會自己猜你想要哪種呈現方式。三段公式聽起來簡單，實際套用起來差距有多大，直接拿一個例子比較最清楚。
同一份報表，換一種問法，AI 給的答案差多少？
用一個常見情境示範差距有多大：一家經營網路商店的中小企業，月底整理出一張業績表，裡面有營業額、客單價、轉換率、退貨率四個欄位。
模糊版提示詞只有一句：
幫我分析這份業績表，告訴我哪裡需要改善。Code language: plaintext (plaintext)換回來的答案，通常長這樣：「整體業績表現穩定，轉換率略有波動，建議持續觀察退貨率的變化並優化行銷策略。」讀完什麼都沒學到，因為這段話換到任何一家公司的任何一個月都成立。
三段式提示詞會寫成：
請針對「轉換率」這個指標，分析本月數字與上個月的差異；若下降超過 1 個百分點，請說明可能原因。最後請用表格呈現，欄位包含指標、本期數字、上期數字、差異、建議。Code language: plaintext (plaintext)這段提示詞交代了要看的指標，也就是轉換率、比較的基準，也就是上個月、還有觸發討論的門檻，下降超過 1 個百分點，最後指定了輸出格式。換回來的答案會是一張表格，清楚列出轉換率從多少掉到多少、掉了幾個百分點，還有針對這個具體數字給的建議，不再是一句放諸四海皆準的評語。
這種差距不是特例。哈佛商學院一項針對 758 位顧問的實驗發現，在 AI 能力範圍內的任務裡，使用 GPT-4 的顧問完成的任務量提升超過 12%，完成速度加快超過 25%，人工評估的產出品質，比沒有使用 AI 的對照組平均高出超過 40%。把任務交代清楚，對輸出品質的提升是可以量化的，不是憑感覺。而這還只是第一輪答案，拿到之後怎麼追問，才是把分析挖深的關鍵。
拿到 AI 的分析結果，該怎麼追問才能挖到更深的洞察？
第一個值得追問的方向，是請 AI 交代它用了什麼方法。問一句「請說明你用了什麼方法分析這組數字」，能看出 AI 是不是抓對了計算邏輯，還是漏看了某個欄位。第二個方向，是換一個角度重新切資料。例如原本是照月份看，可以追問「換成依地區分組，結果會不會不一樣」，同一份數字換個維度看，常常會冒出原本沒發現的規律。第三個方向，是要求 AI 標註不確定的地方，問「哪些結論是用比較少的資料推論出來的，請標註出來」，避免把樣本數不足的推論當成定論照單全收。
OpenAI 官方的說明文件也建議，當 ChatGPT 用 Python 進行分析時，使用者應該先檢閱它產生的程式碼、輸出結果和背後的假設，再依賴這個結果；如果答案取決於特定的計算方法，也可以直接要求 ChatGPT 顯示或調整那個方法。AI 給的第一輪答案終究只是草稿，追問幾句，才是把它變成能用的分析。追問能把分析挖深，但在動手問之前，還有一件事得先確認，就是報表裡有沒有不該讓 AI 看到的資料。
資料丟進 AI 前，這道防線不能省
業績表、營收表這類資料，常常混著不該外流的欄位。分析報表之前，值得花一點時間，先把不必要的個人與機密資訊篩掉，再把資料丟進 AI。
需要篩掉的欄位包括客戶姓名、聯絡電話、身分字號這類個人資料，也包括合約金額、特定專案代號這種內部機密。做法不難，把客戶姓名換成代號，像是「客戶 A」「客戶 B」，分析結果照樣看得懂，卻不會外流真實身分。真正需要保留的，只有分析要用到的數字欄位。
多篩這一道，分析起來才安心。OpenAI 官方文件也說明了上傳檔案的儲存、保留與刪除方式，想確認資料能留存多久、能不能主動刪除，可以直接查閱那份保留政策說明。
下次要把報表丟給 AI 之前，先花十秒鐘想清楚三件事：要看哪個指標、跟什麼比、要什麼格式的答案。這套資料分析的提示詞公式，不是要 AI 幫你做決定，是幫你把做決定需要的資訊，整理到一眼就看得懂的程度。
模型會一直進步，下一代版本一定比現在更聰明。但能不能把任務講清楚，始終是使用者自己的功課，不會因為換了更貴的工具就自動解決。