我最近有一個檢討：在這個 AI 時代，要做好一個產品經理（PM），第一步也許是先不要管 AI。
因為 AI 能做的事太多了，要生出一個功能也很快，快到很容易變成「feature push」——先做出一個功能，再看誰要用，最後常常就是沒人用。如果又是用 AI 做的，產出更快、更花俏，老闆看了會覺得公司真的在往前走、有在導入 AI，你自己也會覺得走在對的方向上。但最後使用者到底有沒有用？帶來了什麼價值？其實依然沒有。
問題就出在，把自己「想像中的需求」實現出來的速度太快、太容易了，我們反而不再扎實去做客戶訪談、走一遍使用者旅程，結果忘了那件最基本的事——什麼才是對的東西。
第一步，先拋開 AI，回到使用者
所以我才會想，第一步也許要先把 AI 放一邊，從扎實的使用者研究開始。不然你手上握著的是一把萬用大錘子，看到什麼都想敲一敲，最後好像什麼都做了，卻沒有一個真正打中需求。
當然，PM 不是要完全不用 AI，只是「第一步」先不要而已。那什麼時候不用、什麼時候用？我的順序是：先不管 AI，把最基本的問題想清楚——這個產品的目標是什麼？成功長什麼樣、要怎麼衡量？要解決誰的問題、解決的又是什麼問題？這幾個問題聽起來很基本，卻是最常被跳過的一步。把它們定義清楚了，AI 才真正上場，而且這時它幫的是「釐清問題、定義問題」，而不是急著生功能。
AI 讓「以前做不到的」，現在做得到了
之所以說 AI 該在這一步加入，是因為很多以前根本做不到的事，現在都做得到了：
- 讀不完的，現在讀得完：掃描數千個客戶、從以前到現在數十萬則客服對話、上百份合約、不同市場的法規要求、從頭到尾所有的評論。
- 以前服務不起的，現在服務得了：太小、太客製、太長尾的需求，過去只服務得起大客戶，長尾不划算；現在要做到「千人千面」變得容易許多。
- 無法量化的，現在能粗略量化：情緒、語意、偏好都算得進來。「客戶到底在不滿什麼」以前只能憑感覺，現在大致跑得出來，也就有更多「行為」資料可以被定義。
換句話說，那些以前太難、太貴，連客戶自己都預設放棄的需求，現在反而可能是新的機會。走到這一步，才輪到大家最熟的——用 AI 做 prototype，快速驗證、快速迭代。
產品 AI 化之後，PM 真正的工作
再往後看，未來的產品多少都會有 AI，但不會是「全部丟給 AI」，而是 rule 和 AI 混著用。像查訂單、算金額這種「每次都要對」的，用 rule 就好——確定性更高，也省 token 費用；要聽懂客戶的自然語言、做千人千面推薦，才交給 AI。至於客訴處理、有法律爭議、風險重大的決策，PM 還得設計「轉真人」的流程，以及 AI 與真人之間該怎麼協作。
所以當產品一步步 AI 化，PM 要思考的東西也跟著變了。我自己會盯這四件事：
- 邊界與護欄：哪些交給 AI、哪些「不用」、哪些「不能」（要一起考量安全性與 token 費用），中間又怎麼銜接。
- 治理隨機性：系統裡 AI 的部分帶有隨機性，要怎麼規範？怎麼測試？出錯了有沒有挽救機制？
- 養資料、建飛輪：怎麼累積各面向的行為資料？怎麼在產品規劃裡就設計好自我迭代的循環，讓洞察隨著使用越來越深、服務越來越貼近個人，一步步墊高轉換成本、建立產品護城河。
- 定義驗收條件：什麼結果才算「好」？定義清楚，AI 才知道要往哪裡優化（也就是所謂的 loop engineering）；相反地，方向訂錯，AI 就會長歪。
我覺得，這才是這個時代的 PM 真正該做的事，而且我覺得蠻有意思的。那你呢，看到這些，是覺得興奮，還是有點心累？
常見問題
AI 產品經理和一般 PM 差在哪？
核心一樣：都要先搞清楚要解決誰的、什麼問題。差別在 AI PM 多了一層工作——決定哪些交給 AI、哪些用規則、怎麼治理 AI 的隨機性，以及怎麼把使用資料變成越用越強的護城河。工具變多了，但「定義對的問題」這件事反而更重要。
一個功能，該用寫死的規則還是交給 AI？怎麼判斷？
看它需不需要「每次都對」。查訂單、算金額這種要求確定性的，用規則更穩、也省成本；要聽懂自然語言、做個人化推薦這種，才交給 AI。風險高或有法律爭議的，則要另外設計轉真人與人機協作的流程。
AI PM 需要會寫程式嗎？
不一定要會寫，但要懂它的邊界——知道 AI 什麼做得到、什麼做不到、哪裡會出錯、成本卡在哪。比起自己寫 code，更關鍵的是把問題定義清楚、設好驗收標準，讓 AI（或工程師）往對的方向做。
如果你正在幫公司培養 AI 時代的產品與專案能力，或想讓團隊補上這套從「定義問題」到「與 AI 協作」的思考，歡迎了解我的 企業內訓課程，我們一起把它變成團隊真正用得上的能力。