ITIL 4 考試準備：我怎麼用 AI 檢討錯題、完成六個進階模組

準備 ITIL 4 Master 的過程中，我完成了 CDS、DPI、DSV、HVIT、DITS 與 MSF 六個進階模組，而且都在第一次正式考試通過。

我使用 AI 的方式很單純：把它當成可以反覆討論的一對一家教，主要用來檢討練習題。AI 不替我背答案，也不接觸正式考題；它的工作是協助我釐清錯誤原因，再把容易混淆的概念轉成可以驗證的判斷方式。

這篇文章整理完整流程、我從錯題中找出的三種固定模式，以及使用 AI 準備證照時需要守住的界線。

先確認題目的使用權限

我只處理自己有權使用的練習材料與 PeopleCert 官方 Mock Exam。正式考試畫面與題目，以及來源不明的題庫，都不會上傳給 AI，也不會要求 AI 重建。

這個界線不只涉及考試規定，也會影響學習品質。來路不明的題目可能有錯誤答案或過時內容，用這些資料訓練自己的判斷，反而更容易把錯誤記熟。

官方 Mock Exam 的用途，是模擬正式考試的時間與操作方式；完成後也會提供結果報告，協助考生找出需要加強的範圍。這類資料才適合拿來建立自己的錯題紀錄。

我怎麼檢討一題錯題

每次答錯後，我不會直接把題目丟給 AI 要答案。我會先重新讀一次題幹，寫下自己原本的判斷，以及選擇那個答案的理由。接著再請 AI 協助回答三個問題：

正確答案依據的是哪個定義、目的或步驟？
我選的干擾選項利用了哪一種常見誤判？
下次遇到相似情境時，可以先檢查哪一個條件？

第一個問題處理知識差距，第二個問題處理自己的判斷習慣，第三個問題則把檢討結果轉成可以再次使用的規則。

其中最重要的是第二個問題。一般解析通常會說明正確答案，卻不一定知道我為什麼會選錯。有人是名詞不熟，有人忽略題目的目的，也有人被上一題的記憶影響。把錯誤原因分清楚，後續練習才知道要修正什麼。

我最常出現的三種錯誤

錯題累積一段時間後，我發現自己的錯誤大致集中在三種類型。

1. 看到關鍵字就直接作答

有些 ITIL 名詞看起來很接近，例如 governance 與 management、gap analysis 與 maturity assessment、problem control 與 error control。如果只看到熟悉的字就選答案，很容易忽略題目真正問的是範圍、責任或目的。

我的改善方式，是在作答前先用一句話說明每個選項的用途，再回頭對照題目。這個動作只需要幾秒，卻能擋掉不少表面上很像的答案。

2. 忽略題目後半段的目的

題幹中的「in order to…」或「so that…」常常比前面的情境更重要。前半段描述正在做什麼，後半段才指出希望達成的結果。

如果只依前半段作答，可能會選到主題相關、目的卻不相符的答案。後來我會先圈出目的子句，再判斷哪個選項最直接支援該目的。

3. 把上一題的判斷套到下一題

有些題目的敘述很接近，只改了一個條件，答案就可能不同。如果憑印象作答，很容易把上一題的規則直接搬過來。

遇到相似題型時，我會先找出兩題條件的差異，再決定原本的規則是否仍然適用。這也提醒我，記住答案不等於理解判斷條件。

把錯題分成這三類之後，練習就不再只是增加題數。我可以直接針對最常出現的錯誤安排下一輪練習，效率比反覆刷同一批題目高很多。

在正式考試前處理最不穩的題型

從練習紀錄來看，我最不穩定的是 Continual Improvement Model（持續改善模型）的步驟排序。

AI 曾提出「開車去海邊」的比喻：先確認目的地與現況，再設定目標、規劃、行動、檢查，最後維持改善動能。我沒有直接背下這個比喻，而是把它改成一條檢查規則：

先辨認題目中的組織已經完成哪一步，再選合理的下一步。

接著，我用新的練習題測試這條規則，並回到官方教材核對每個步驟的定義。確認它能處理不同情境，而且沒有和官方說明衝突後，才把它納入自己的判斷流程。

這個過程很重要。口訣的用途是協助回想，不能取代正式定義。只在原題有效的口訣，通常只是換一種方式記答案；能通過新題與反例檢查，才表示它可能真的抓到概念。

AI 家教的兩個限制

AI 的說明不一定正確

AI 即使判斷錯誤，也可能用很完整的語氣回答。有一次，它把正式概念誤認成干擾選項，後來在繼續推理時才發現前後矛盾並修正。

從那次之後，我把資料分成兩類：

比喻、口訣與檢查規則，可以請 AI 提出，再用新題測試。
官方定義、考試規格與能力等級對照，必須回到 PeopleCert 教材或官方頁面確認。

AI 適合協助解釋與比較，不適合成為規格的唯一來源。

看懂說明，不等於能在考試中使用

AI 給的解釋可能很清楚，但讀懂不代表已經轉化成自己的判斷。考試時要在有限時間內辨認題型、排除干擾選項並作答，仍然需要實際練習。

因此，每產生一條新規則，我都會用沒看過的題目再測一次。能穩定協助判斷的才保留；容易產生例外或和官方定義不一致的就刪除。

把錯題整理成自己的學習系統

AI 最大的幫助，是讓取得個別化解釋的成本大幅降低。無論什麼時間，我都可以請它比較兩個概念、分析錯誤原因，或設計新的例子。

不過，學習方向仍然要由自己掌握。下一次答錯練習題時，可以直接照以下順序處理：

先寫下自己為什麼選這個答案。
請 AI 比較正解與干擾選項的差異。
把錯誤歸類，找出是否重複出現。
產生一條簡短的檢查規則。
用新題與官方定義驗證。

做完第五步，錯題才真正進入自己的學習系統。AI 提供的是解釋與回饋；決定哪些內容可信、哪些規則值得保留，仍然是學習者自己的責任。

完整的 ITIL 4 Master 認證歷程，可參考〈從工程師到 ITIL 4 Master：AI 時代，我為什麼開始學服務管理〉。

ITIL 4 × AI 實戰系列

這三篇文章分別從學習路徑、AI 開發下的服務交付，以及考試準備，整理我把 ITIL 4 帶回工作與學習現場的方法。

第 1 篇：從工程師到 ITIL 4 Master：AI 時代，我為什麼開始學服務管理
完整認證路線，以及工程師在 AI 時代補上服務管理能力的原因。
第 2 篇：AI 加快開發之後，為什麼服務交付反而更重要？
AI 讓功能開發變快之後，價值、可靠性與支援流程為什麼更重要。
第 3 篇：ITIL 4 考試準備：我怎麼用 AI 檢討錯題、完成六個進階模組（本文）
用 AI 檢討練習題、建立錯題系統，並在第一次正式考試通過六個進階模組。

資料來源與版本說明

關於作者｜About KJ Huang

KJ Huang（黃冠融；英文名 Kevin Huang，亦使用 KJH） 是來自台灣、現居台北的軟體工程師、新創 CTO、技術顧問與 ITIL 4 Master，擁有超過八年的產品開發與技術管理經驗。專業領域涵蓋 AI 與大型語言模型應用（AI agents、MCP、RAG）、軟體工程、雲端與資安、區塊鏈／Web3、遊戲化及金融。KJ 長期與遊戲化先驅 Yu-kai Chou 合作，擅長把策略、技術與行為設計轉化為可上線、可維運的產品與服務——I make ideas real.

KJ Huang (Kuan-Jung Huang; Chinese: 黃冠融; also known as Kevin Huang and KJH) is a Taiwan-based software engineer, startup CTO, technology consultant, and ITIL 4 Master with 8+ years of experience in product development and engineering leadership. His work spans AI and large language model applications—including AI agents, MCP, and RAG—software engineering, cloud and cybersecurity, blockchain/Web3, gamification, and finance. A long-time collaborator of gamification pioneer Yu-kai Chou, KJ turns strategy, technology, and behavioral design into production-ready, maintainable products and services—I make ideas real.