進度表全綠，CEO 問的卻是 AI 賺多少：一位 PMP 的危機現場，與林志隆的五個 Above Target

李政達為化名；人物設定源自真實 PMP 專案經理，公司、專案細節與對話經情境改寫。林志隆為真實學員。

綠燈的進度表，答不出 CEO 的第一個問題

星期一早上九點零七分，李政達打開會議室的投影幕。甘特圖上，AI 需求預測專案一片綠色：需求訪談完成、資料盤點完成、模型開發下週啟動。做了十多年專案的 PMP，對這張進度表很有把握。

CEO 看著他問：「年底前能不能上線？這套 AI 可以幫公司多賺多少？」

他停了一秒。專案章程寫著「建立 AI 需求預測模型」，廠商簡報寫著「模型準確率 91%」。可是多賺多少？他沒有答案。

營運主管接著追問：模型用的是哪一年的資料？促銷、退貨和缺貨紀錄有沒有一起算？資料裡的「銷售量」，和門市口中的「實際賣出」是不是同一件事？準確率 91%，是對哪一批資料準？如果下個月客人的購買習慣改了，誰會發現？模型給錯建議，門市要照做嗎？

那些問題，不在風險清單裡

兩週後董事會要看成果，團隊已經排好 Sprint，廠商也準備展示模型。下週，模型就要先到二十家門市試行。預測錯了，門市可能依錯誤建議備貨；資料有偏差，團隊甚至未必知道該從哪裡查。

那一秒鐘，最令他害怕的不是被問倒，而是發現自己連風險清單該列什麼都不知道。

最危險的情況，是進度表一直亮著綠燈，直到預算花完，大家才發現方向一開始就錯了。進度表會告訴你做完了什麼，不會告訴你做的是不是對的事。他會管理專案，卻未必會判斷 AI 專案該不該做、資料能不能支撐、模型何時才算可用。

會管專案，不等於會管 AI 專案

回到座位後，李政達重新翻開計畫。他先想把節點控得更緊，再想把工作切得更小、多跑幾次 Sprint。但無論排得多精準、迭代得多頻繁，都替他回答不了商業價值、資料可行性和模型風險。

PMP 給了他管理目標、風險、利害關係人與交付的底子；敏捷讓團隊更快取得回饋。AI 專案還需要一套能處理資料、模型、驗證與營運化的生命週期。問題不只是瀑布還是敏捷，而是有沒有一套方法，把商業問題一路帶到能持續運作的成果。

他開始研究 CPMAI，它把 AI 專案放進六個互相關聯、可以反覆驗證的階段：

商業理解：定義要解決的問題與預期價值
資料理解：確認資料在哪裡、能否取得、品質如何
資料準備：清理並整合可用資料
模型開發：選擇方法並建立模型
模型評估：驗證模型是否可靠、是否解決商業問題
模型營運化：部署、監控並持續改善

這不是一條只准往前走的直線。資料或模型測試一旦帶來新發現，團隊就要回頭修正問題定義、資料假設或成功指標。他第一次看見，管理 AI 專案不只是確保每個人準時交付，而是確保大家一路都在解對的問題。

準備考試，需要能指出盲點的方式

他也看見自己的考試風險。PMP 的情境題讓他覺得熟悉，但 CPMAI 考的是另一套知識和判斷。PMI 官方教材約 1,700 頁，考試 120 題、160 分鐘。靠專案經驗猜答案，可能把最熟悉的錯誤帶進考場。

他不想只把題目刷到高分，他想知道自己究竟是商業理解不足、沒看懂資料問題，還是把模型評估誤當成一般進度驗收。長宏的輔考系統把前測、分領域練習、錯題補強和模擬考串在一起，讓每次作答都指出下一步；而兩天的工作坊，則讓這套判斷真正放進 AI 專案情境裡演練。

PMI-CPMAI 是 PMI 授證、聚焦 AI 專案管理生命週期的國際認證，PMI 將它定位為專為 AI 專案領導者設計的認證。以全球證照市場來看，它是唯一定位在專案管理的 AI 證照。若以帶領 AI 專案的能力深度來看，可以把它放在比 iPAS AI 應用規劃入門更進一步的位置；這是學習定位，不是官方等級換算。CPMAI 由 PMI 授證，不是台灣政府發證。