一.第一节：认识问题

1. 问题共识：问题在工作中和生活中普遍存在

2. 问题定义：目标与现状之间的差距

3. 问题分类：

3.1. 良构问题（结构化）、劣构问题（半结构化）、病构问题（非结构化）

4. 课程约定：本次课程主要聚焦病构问题（非结构化）

5. 练习：工作、生活中有哪些问题，分别属于哪一类问题

6. 成果输出：完成个人问题分类清单，建立问题类型识别能力

二.解决病构问题的痛点

1. 研讨：你在工作中、生活中是如何解决病构问题的

2. 共识：解决问题的通用方法论-PDCA，解决病构问题的常用方法-QCC十步法

3. 痛点：问题定义不聚焦、调查对象不清晰、目标设定没依据、分析原因不准确、制定对策不可靠等

4. 讨论：如何运用AI工具解决上述痛点

5. 成果输出：识别个人解决病构问题的核心痛点，明确AI应用方向

三.第三节：AI的基础认知

1. AI定义：像人一样能运用知识解决问题的智能体

2. 交互原则：结构化表达 + 作业分解 + 有效迭代 + 明确要求

3. 典型结构：RTGO（Role，Task，Goal，Objective）

4. 角色设定：

4.1. 专家模式：问题界定与策略共创型，解决病构问题（非结构化）

4.2. 工程师模式：需求解析与解决方案生成型，解决劣构问题（半结构化）

4.3. 助理模式：指令执行与结果交付型，解决良构问题（结构化）

5. 常用AI及延伸工具介绍：DEEPSEEK、豆包、Echarts、Xmind

6. 练习：RTGO提示词模型练习，完成一个复杂提示词撰写

7. 成果输出：掌握RTGO提示词模型，产出符合要求的复杂问题提示词

第一章：AI在现状调查中的应用

一.课题选择

1. 选题维度：基于价值导向，选择具有挑战性但可解决的病构问题

2. 选题痛点：维度识别不准确，权重设定不客观

3. 应对策略：

3.1. AI专家模式：梳理维度 → 全面挖掘评价标准

3.2. AI工程师模式：生成方案 → 构建并计算决策矩阵

3.3. AI助理模式：输出结果 → 整理最终对比报告

4. 练习：基于练习案例，老师代练；小组共创，学员自练

5. 成果输出：运用AI完成课题决策矩阵，选定符合价值导向的改善课题

二.AI驱动问题描述

1. 意义：清晰阐明问题的重要性

2. 工具：4W1H描述

3. 痛点：结构完整但重点不突出，系统性不足

4. 新方法：

4.1. AI专家模式：通过提问，从混沌信息中识别4W1H核心要素，明确缺失与模糊点

4.2. AI工程师模式：将零散描述系统化填充，优化成结构完整、重点突出的问题陈述

4.3. AI助理模式：将最终问题描述整理成清晰、精炼的正式文档或简报

5. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

6. 成果输出：产出结构完整、重点突出的4W1H问题描述文档

三.AI驱动现状调查

1. 意义：基于现有资料把握事实真相

2. 方法：检查表发散 + 层别法归类 + 柏拉图聚焦

3. 痛点：数据收集不全面、归类分析不准确、工具使用僵化

4. 新方法：

4.1. AI专家模式：基于问题预判关键领域，构建动态检查清单，确保调查方向前瞻性与完备性

4.2. AI工程师模式：运用分析模型对杂乱数据进行自动清洗、归类与计算，转化为有洞见的指标

4.3. AI助理模式：将分析结论自动转化为直观图表（如柏拉图），精准定位核心要因

5. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

6. 成果输出：生成现状调查分析报告，包含柏拉图等可视化图表

四.AI驱动目标设定

1. 意义：以终为始定方向、要事第一做执行

2. 设定原则：符合SMART原则

3. 痛点：目标过大或过小，导致资源浪费或效果不彰

4. 新方法：

4.1. AI专家模式：基于现状数据，精准锚定目标设定范围

4.2. AI工程师模式：基于范围制定符合SMART原则的具体指标

5. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

6. 成果输出：制定符合SMART原则的量化改善目标

第二章：AI驱动原因分析

一.原因分析的方法论

1. 分析工具链条：头脑风暴（先发散） → 亲和图（后分类） → 鱼骨图（再聚焦）

2. 痛点：分析逻辑不清晰，工具应用不准确（如头脑风暴边界不足、亲和关系逻辑错误）

3. 新方法：

3.1. AI专家模式：界定分析边界，通过智能提问引导思维发散，确保广度与逻辑性

3.2. AI工程师模式：将发散观点自动进行逻辑归类，生成结构清晰的亲和图与鱼骨图

3.3. AI助理模式：将分析结果转化为格式规范、重点突出的可视化图表

4. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

5. 成果输出：完成系统性的原因分析，产出亲和图与鱼骨图

二.确定主因

1. 工具链：决策矩阵初级筛选 + 过程验证识别主因（制定验证计划、实施验证过程、得出验证结论）

2. 痛点：决策矩阵评分不合理，验证计划设计不可靠

3. 新方法：

3.1. AI专家模式：介入决策矩阵构建，基于领域知识校准权重与评分标准

3.2. AI工程师模式：针对候选原因自动生成严谨、可操作的验证计划

4. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

5. 成果输出：确定根本原因并完成验证，产出主因验证报告

第三章：AI对策实施

一.制定对策

1. 工具链：5W1H描述对策 → 五点控制法分解对策 → 甘特图呈现计划

2. 痛点：对策描述不清晰、节点控制不准确、甘特图绘制效率低

3. 新方法：

3.1. AI专家模式：介入对策构思，通过结构化提问完善5W1H描述，确保目标明确

3.2. AI工程师模式：运用专业方法论（如五点控制法）将对策转化为可控节点与任务

3.3. AI助理模式：依据任务节点自动生成精准、直观的甘特图（如使用Mermaid或HTML格式）

4. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

5. 成果输出：制定完整的改善对策，产出包含甘特图的实施计划

二.验证结果

1. 工具链：统计数据（基于目标周期） → 数据对比（对比目标和改善前） → 改善结论（评估成功程度）

2. 痛点：数据统计困难、核算不准确、呈现不清晰

3. 新方法：

3.1. AI专家模式：校准数据统计维度与验证方法，确保评估逻辑严谨

3.2. AI工程师模式：自动完成数据清洗、统计计算与对比分析，精准核算改善效果

3.3. AI助理模式：将分析结果转化为专业图表（如Echarts）与简报，直观展示成果

4. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

5. 成果输出：完成改善效果验证，产出数据可视化的成果报告

第四章：AI驱动闭环

一.标准化

1. 意义：在制造业中，标准化确保过程一致性，影响成果一致性

2. 对象：被验证过的可复制改善对策

3. 行为：制定标准、培训、监督、考核、评价

4. 痛点：标准不可推广，推广过程阻力大

5. 新方法：

5.1. AI专家模式：评审标准并预判阻力，结合组织架构输出优化方案

5.2. AI工程师模式：基于标准构建完整实施路径（培训计划、监督机制、考核方案）

5.3. AI助理模式：自动生成培训课件、作业指导书等标准化文档

6. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

7. 成果输出：制定标准化推广方案，产出标准化文档体系

二.项目总结与计划

1. 复盘：回顾项目过程中的成功点与改进点

2. 计划：项目的未尽事项或下一步计划

3. 痛点：复盘不准确，呈现不清晰

4. 新方法：

4.1. AI专家模式：运用复盘框架，通过系统性提问挖掘关键得失

4.2. AI工程师模式：将洞见转化为结构清晰的总结报告，生成可执行行动计划

4.3. AI助理模式：将报告精炼为可视化简报，突出核心成果与未来重点

5. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

6. 成果输出：完成项目复盘，产出总结报告与后续行动计划

收尾

1. 讨论：什么场景下能用AI？

2. 结论：任何需要思考的场景都能用AI

3. 讨论：什么场景下建议用AI？

4. 结论：认知边界 + 重复工作 + 可被完全替代场景

5. 公约：不懂就问（提问难点，而非完整问题）

6. 回顾：AI是能运用知识解决问题的智能体，需像与人交互一样使用AI。

7. 练习：基于练习案例，老师代练；小组共创个人案例，学员自练

8. 成果输出：建立个人AI应用场景清单，形成持续应用的行动承诺