豐田式改善與策略顧問，是否只是名稱不同？一起比較現況分析、柏拉圖、邏輯樹、原因檢驗與AI工具的角色。
結論是：兩者解決問題的基本架構非常接近。 先訂目標、量化落差、拆分資料、找出重要且能改變的因素，再檢驗原因、採取措施並測量結果。
本來想學傳說中的顧問祕技，結果翻開一看，竟然是以前工作時用過的柏拉圖。這位老朋友，怎麼到哪裡都看得到？
現況數字比漂亮的推測重要
豐田體系的問題解決教育強調，用事實與數據呈現理想狀態和現況的差距。麥肯錫介紹的七步問題解決法，也要求將問題拆解、選定重點、分析證據，再提出結論。共同邏輯是「目標—落差—分類—優先順序—原因驗證—執行—效果確認」。
「網站好像沒人看」是感受。「搜尋曝光太少，還是曝光後點擊率太低？」則是能用數據調查的問題。
柏拉圖最高的柱子，不一定最值得改善
假設某個虛構網站每月有6,000次頁面瀏覽，目標是50,000次，還差44,000次。現在的瀏覽量有80%來自本地，20%來自海外，是否應把所有資源投入本地？未必。目前占比與未來增加的空間是不同概念。 本地可能接近飽和，海外可能還有大量未滿足的搜尋需求；反過來也可能成立。
柏拉圖能按發生次數或成本排列項目，讓問題集中在哪裡變得清楚，但不會直接證明因果關係。決定改善順序時，還要比較當前貢獻、可提升幅度和實施成本。柱子最高，可不代表它願意認罪。
邏輯樹與「為什麼」可以一起用
如果某頁面在搜尋結果中出現40,000次，點擊率2%，估計有800次搜尋點擊；提升到3%就是約1,200次，多了400次。搜尋點擊與頁面瀏覽屬於不同指標。
先分成「曝光不足」與「曝光後沒人點」，再針對後者追問：標題符合讀者搜尋的問題嗎？文章開頭有清楚回答嗎？先橫向拆解問題，再縱向追究原因。品質改善與策略分析都能這樣做。
不同的常常是決策範圍
品質改善特別適合反覆出現的缺陷、等待、重工，以及讓有效做法維持下去。策略顧問也會協助選擇市場、配置投資、決定事業方向。這不代表誰比較高級，而是要做的決定不同。工廠也有策略問題，顧問也必須看現場資料。
AI讓改善更快，也讓驗證更重要
ChatGPT能協助整理假設，Claude Code可協助修改與檢查程式；Claude Opus 5.5也針對複雜的程式和知識工作設計。但如果同時更動標題、內部連結與內文，流量上升後就很難知道是哪個改動有效。
AI能瞬間列出五十名可疑的「嫌犯」，可是證據不能只靠它語氣篤定。記錄改動、設定比較方式、依實際數字判斷成效才是完整的改善。
能帶走的真正本事
在職場學會的問題解決方式，可以搬到網站、教育或經營工作。以為打開了顧問的神祕工具箱，結果發現這套工具早就在自己手上。如今，裡面還多了一把AI電鑽。
Toyota-style problem solving · McKinsey seven-step problem solving · ASQ Pareto chart · ASQ: Pareto pitfalls · Anthropic: Claude Opus 5.5
