要用 AI 進行情境分析，先界定一個決策問題和期限，建立與證據相連的假設登記，再把少數關鍵不確定性組合成二至四個內部一致的情境。所有數值影響在受控模型中計算，而不是由語言模型心算。記錄領先指標和覆核觸發條件，讓人們能挑戰假設，而不把任何情境當作預測。

情境分析探索合理條件，不自動預測或選擇方案。單一的滾動預算屬於預測流程，價值比較則屬於成本效益分析。較大的管治界線見通用的如何使用 AI。

關鍵要點

由決策問題、期限、範圍和負責人開始。

分清事實、假設、不確定性和決策。

使用二至四個定義和單位一致的情境。

檢驗依賴關係和邊界條件，不只寫戲劇化的故事。

在 AI 以外的確定性模型中計算定量影響。

不捏造概率，也不把情境說成預測。

追蹤領先指標、觸發條件、負責人和覆核時間表。

情境分析要為哪個決策提供依據？

寫下分析要支援的決策，但不讓模型替你決定。寫明負責人、期限、範圍、排除的決策、限制和有用的證據。

欄位	紀錄
Analysis ID／版本	穩定編號及修訂號
決策問題	具體的選擇或準備問題
決策負責人	獲授權的個人或小組
期限	開始、結束及覆核周期
範圍	納入的實體、市場、產品和流程
排除項	本次分析不回答的問題
共同衡量	單位、貨幣、期間和定義
限制	政策、產能、安全或合約界線

OECD 把策略前瞻描述為探索可能未來、挑戰假設、令政策更能應對不確定性的結構化方法。［1］它不是宣稱確定性的方法。問題要闊到能呈現不同選項，又窄到團隊能界定變數和指標。

情境假設登記應包含哪些資料？

把已核實的事實和工作假設分開。假設登記應寫明相信甚麼、為何相信、適用於哪裏、依賴甚麼、誰負責、何時必須覆核。

欄位	用途
Assumption ID	穩定參照
變數／基線	變化對象及現時規劃值
範圍／單位	合理邊界及維度
證據	原始來源及核對日期
依賴	約束它的其他變數
邊界條件	超出後不應再使用的條件
不確定性	數值或關係可能改變的原因
負責人	負責驗證的人
領先指標	可觀察的訊號
覆核觸發條件	需要重新評估的門檻或事件

使用合成或去識別的例子。不要把機密的客戶、帳戶、財務或審批資料貼到未獲批模型。處理來源時，依循安全使用 AI 研究的做法。

怎樣識別關鍵不確定性？

並非每個變數都值得成為一條情境軸。先列出實質影響決策的因素，再評估不確定性和可控性，分清既定因素、趨勢、關鍵不確定性和管理層可控的決定。

優先考慮在期限內既重要又真正不確定的因素。不要只因能起個醒目名稱就選某條軸。記錄每個因素入選的理由和排除項。

因素	影響	不確定性	依賴	角色
合成的需求時點	高	高	產能及交付周期	情境驅動因素
已簽約的產能下限	高	低	合約	邊界條件
團隊的應對選擇	高	可控	管治	決策，而非情境事實

OECD 的《前瞻工具包》介紹了掃描、情境、壓力測試，以及把前瞻與決策連繫的實用方法。［2］可借用作結構，同時按實際機構調整證據和管治。

定義一致的變數範圍

為每個情境驅動因素記錄基線、上下限或類別狀態、單位、證據、依賴和負責人。範圍不是概率分佈，而是供探索的受控輸入邊界。

拒絕違反物理定律、合約、會計恆等式、產能或其他既定限制的組合。兩個變數互相關聯時，寫明關係，而不是各自獨立變動。

合成數值例子：

變數	狀態 1	狀態 2	單位	依賴
需求時點	4	8	距高峰週數	必須在規劃期限內
供應交付周期	3	7	週	不得低於合約最低值
可用產能	90	110	單位／週	受獲批人手編配約束

這些數字只用來示範表格，不是概率、預測或建議。

建立二至四張情境卡

兩個情境可揭示一個關鍵對比；三至四個能呈現組合，又不至於變成難讀的目錄。情境多不等於分析好。每個情境都用同樣的決策問題、期限、單位和共同事實。

情境卡：

欄位	紀錄
Scenario ID／名稱	中性識別，不用「最好」或「最壞」
敘述	對條件的簡潔解釋
變數組合	Assumption ID 及狀態
依賴	必須成立的關係
邊界條件	限制及排除項
定量輸入	傳給受控模型的數值
模型位置	工作簿版本、查詢或程式運行
影響	鎖定輸出及定性後果
領先指標	可觀察的訊號
覆核觸發條件	門檻或事件
反證	會削弱該情境的證據
負責人	覆核責任

使用 S1-earlier-demand 這類中性名稱，而不是暗示好壞的標籤。情境是一組一致的條件，不是圍繞任意數字編出來的故事。

用 AI 進行情境分析時，讓它挑戰結構而不是決定真相

受約束的提示可以讓模型找出欠缺的依賴和矛盾：

審閱所提供的決策框架、假設登記和變數狀態。
只使用列出的假設，提出 2–4 張內部一致的情境卡。
不得加入事實、概率、預測、成本、效益或建議。
每句陳述都引用 Assumption ID。把不相容的組合、欠缺的依賴、
越界情況和沒有依據的敘述標示為 [VERIFY]。
傳回給人類負責人的問題；不要選擇情境或方案。

把輸出當作挑戰清單。模型可能重複熟悉模式、誇大因果或製造虛假對稱；甚麼合理、有依據，由假設負責人決定。

怎樣檢查情境的內部一致性？

逐個情境、逐行審閱，也要跨情境比較。問：

所有輸入的單位和期間是否一致？
互相關聯的變數是否按站得住腳的關係變動？
有沒有狀態突破了產能、政策、合約或物理限制？
敘述有否引入登記中沒有的原因？
共同事實是否保持不變？
有沒有把決策錯寫成外部條件？
拿走標籤後，這個情境是否仍然說得通？

記錄每個衝突、負責人、決定和由此產生的版本變更。不要用文字掩飾矛盾。

在語言模型外計算影響

把獲批的情境輸入表交給受保護的試算表、模擬、數據庫查詢或經審查的程式碼。界定公式、空值處理、四捨五入、貨幣、時間步長和依賴關係。以已知合成個案測試，並保留運行 ID。

AI 可以草擬程式碼或公式供人審查，但執行過並通過測試的模型才是計算來源。獨立核對輸入和輸出。語言模型不得推斷欠缺的數值、在文字中估算總額，或覆蓋鎖定結果。

用 AI 分析試算表只能作為輔助模式；確定性公式和負責人仍是權威。

比較影響但不選擇方案

以相同的衡量和定義建立跨情境視圖：

衡量	S1	S2	S3	來源/模型	解讀負責人
期限末合成積壓	20	45	10	模型運行 R-12	營運
產能突破的週次	無	6	無	模型運行 R-12	營運
所需覆核觸發條件	T-02	T-01	T-03	觸發條件登記冊	決策負責人

描述敏感度、樽頸、可逆性和對準備工作的影響，不要把表格變成成本效益結論或建議。決策者可能還需要模型以外的證據、職責和準則。

《綠皮書》討論英國公共決策中的不確定性、樂觀偏差、情境、敏感度和透明評估。［3］它是地區框架，不是通用的法律或財務意見。適用方法由當地財務和決策負責人訂定。

不分配未獲支持的概率

情境沒有概率也可以有用。機構有經驗證的統計證據和獲批方法時，合資格分析人員可在受控模型中維護概率。語言模型不應因情境聽來合理，就捏造「30% 可能性」。

把以下概念分開：

合理性： 條件前後一致，而且未被已知證據否定；
概率： 由明確方法和數據支持的量化可能性；
偏好： 決策者的價值判斷；
準備程度： 能在多種條件下提升抗逆力的行動。

絕不能讓文字由合理性滑向概率，或由影響滑向建議。

哪些情境領先指標與觸發條件需要啟動覆核？

領先指標是與某項假設相關的可觀察訊號。觸發條件是預先議定、需要啟動覆核的門檻或事件；除非管治明確規定，否則它不是自動決定。

Indicator ID	假設	衡量／來源	頻率	觸發條件	負責人	回應
I-01	A-03 交付周期	獲批的供應商報告	每月	連續兩期超出上限	採購	重新評估所有情境

檢查指標能否夠早被觀察到、來源是否一致、會否只是最終結果本身。記錄誤報和滯後風險，並指定負責人和上報途徑。

開展跨職能挑戰

邀請營運、財務、商務、風險、法律、保安或其他相關職能，在各自權限內挑戰假設。請每位審閱人找出欠缺的依賴、越界情況、反證，以及他們會信任的訊號。

可以用 AI 項目規劃安排負責人和覆核日期，但不要把計劃變成自動審批程序。記錄少數意見和未解決問題，而不是強求共識。

NIST 的生成式 AI 設定檔強調虛構內容、私隱和管治風險。［4］受約束的輸入、可追溯的假設 ID、外部計算和人手挑戰能降低這些風險，但不能證明未來狀態。

安排覆核並歸檔版本

按固定周期覆核，並在觸發條件出現、證據改變、邊界失效或決策問題改變時覆核。淘汰不再符合現時期限或定義的情境；不要悄悄改寫它們的歷史。

歸檔決策框架、假設登記、證據參照、情境卡、受控模型和運行 ID、檢查報告、指標登記、挑戰紀錄、決定和審批。不包括機密和不必要的個人資料。

最終檢查清單

決策問題、負責人、期限、範圍、排除項和衡量都已寫明。
事實、假設、不確定性和可控決定互相分開。
每項假設都有證據、邊界、依賴、負責人和覆核日期。
二至四個情境使用一致的單位、期間、定義和事實。
每個情境都記錄了變數、依賴、邊界、影響、指標和觸發條件。
內部矛盾和反證已有紀錄。
定量影響來自 AI 以外經測試的受控模型。
沒有加入無依據的概率、預測、建議或成本效益結論。
跨職能負責人已對情境提出挑戰。
覆核觸發條件和版本歸檔已經就位。

常見問題

應建立多少個情境？

通常二至四個已足以揭示有意義的組合，同時仍方便審閱。選擇能挑戰關鍵假設的最小集合。

情境等於預測嗎？

不等於。預測是在既定假設下對預期路徑的估計；情境探索一組一致的可能條件，但不聲稱必然發生。

如何選擇假設？

由決策和證據出發，優先考慮既重要又不確定的因素。記錄排除項和依賴關係。

每個情境都需要概率嗎？

不需要。沒有經驗證的數據、明確方法和合資格負責人時，不得分配概率；AI 亦不得捏造概率。

如何檢查內部一致性？

檢查單位、期間、依賴、邊界、共同事實和因果陳述，以及有否把可控決定誤當成外部條件。

甚麼是有用的領先指標？

它可觀察、來源一致、及時到足以支援覆核，並與某項已登記的假設有實質關係。

觸發器是自動決定嗎？

通常不是。它是需要按既定管治程序重新評估和升級的門檻或事件。

何時覆核情境？

按固定周期覆核，並在指標越過觸發器、證據改變、邊界失效，或決策問題、期限改變時覆核。

來源

OECD, “Strategic Foresight” — https://www.oecd.org/en/about/programmes/strategic-foresight.html
OECD, “Foresight Toolkit for Resilient Public Policy” — https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/01/foresight-toolkit-for-resilient-public-policy_9ad1cd60/bcdd9304-en.pdf
UK Government, “The Green Book 2026” — https://www.gov.uk/government/publications/the-green-book-appraisal-and-evaluation-in-central-government/the-green-book-2026
National Institute of Standards and Technology, “Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile” — https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

Sources checked 2026 年 8 月 31 日。

如何用 AI 進行情境分析並檢驗假設，而不把情境當成預測