Hey 大家，最近過得好嗎？我是 AAPD 的內容負責人 Ruby。

不曉得各位有沒有跟到前陣子 AAPD 舉辦的線上直播【爐邊對談】AI 時代的生存之路 — 探討 2026 產品人的核心競爭力，這場直播邀請了四位在不同職能深耕的產品人：設計師 Kat、產品主管 Peter、軟體工程師 Kyle、以及橫跨設計與前端的 Harry，在主持人 Simon 的帶領下，聊了聊他們面對 AI 浪潮的觀察與選擇。

整場直播下來，有好幾個討論讓我直接在心裡做了記號，筆記寫了好多頁。

這篇文章是我整理之後，覺得最值得帶走的幾個觀點。如果你沒有時間看完全程，希望這些文字可以幫你取得直播精華。

專才還是通才？也許這題問錯了

幾乎所有關於 AI 的討論，最後都會繞回這個問題：我應該對一個技能深掘，還是廣泛學習？

但這場對談讓我覺得，這個問題本身可能就問錯了。

Kat 的切入點很直接：想成為專才，前提是你必須先成為通才。以設計師為例，深化設計領域的同時，你會自然延伸去碰視覺層次、行為經濟學、不同文化的設計脈絡、商業思維、專案管理……這些東西列下來，其實每個人在不知不覺中都已經是通才了。但這不代表專才不需要，像她在半導體產業的工作，就還是需要非常深的領域知識。她的結論是：不管是專才還是通才，只要停止學習，就沒有可以活下去的資本。

Kyle 帶進了一個框架，來自 Lenny Podcast 裡的訪談：Anthropic 的 Claude 設計主管 Jenny Wen（前 Figma Design Director）提出三種在 AI 時代具有競爭力的人才原型：Block Shaped（積木型）、深 T 型、以及具備匠心的人。Kyle 說自己是積木型，不是因為策略規劃，而是因為太依賴單一系統這件事本身就會讓他感到不安。他引用查理蒙格的「多元心智模型」：用不同學科的思維交叉看同一個問題，避免視角過於單一，就像「手上只有錘子，看什麼都像釘子」。

這個討論最有意思的地方，其實不是「哪一種贏」，而是大家都在說同一件底層的事：Harry 補充，AI 會把你原有的技能放大十倍，但如果本身沒有基底，AI 一樣放大不了你，所以「經驗」這件事在 AI 時代反而變得更關鍵，不是更不重要。Simon 最後總結：

每次職能切換之間，有沒有能力把過去的經驗重新組合成新的能力，這才是 AI 時代真正稀缺的東西。不是你的標籤，而是你的重組能力。

消失的不是你，是你工作裡的某些部分

「被 AI 取代」是一個我們都聽膩了但又一直很怕的句子。但這場對談讓我重新想了這件事：消失的，到底是什麼？

Simon 說：任務會先消失，職位後消失，但角色會重組。以設計師來說，建立 component、對齊 spacing、改 token 這種執行型任務，確實正在快速消失。但「決定要為誰做什麼、以及怎麼判斷做得好不好」這件事，不只沒有消失，反而變得更重要了。

Kat 在這裡補了一個很有歷史縱深的視角：印刷術出現的時候，很多手抄書的任務消失了；工業革命的時候，很多家庭手工業的小鋪房慢慢不見了。但她說，很多任務背後的「目的」其實不太會變，比如「讓公司賺錢」這件事，不管你的頭銜是什麼，只要能為公司帶來價值，你就還是有立足的位置。

Kyle 從工程師的視角補充：他們是目前 AI 滲透程度最高的職能之一，早就脫離了五年前對工程師的定義。他說這件事的口吻不是悲觀的，反而是「所以我們更清楚怎麼在快速重新定義裡找到自己的位置」，過去工程師最怕的是「一人團隊詛咒」，但放到現在來看，這反而是更好的槓桿影響力的機會。

所以與其問「我會不會被取代」，更值得問的是：

你現在工作裡，有多少是任務，有多少是判斷？

Product Builder 是一種思維，不是一個職缺

這場對談的第二個大主題，是「Product Builder」。一個從問題到上線都能全程發揮影響力的角色。我整理這段的時候，腦袋裡一直有一個問題：這跟「什麼都會一點的雜工」到底差在哪裡？

先從定義說起。

Peter 說得很直接：Product Builder 是能把問題變成產品的人，不是負責某一段，而是能讓整件事真實發生、並且被驗證。他拿 LinkedIn 的例子說明，LinkedIn 把過去知名的 APM（Associate Product Manager）培訓計劃直接改名成 Product Builder Program，學員背景非常多元，設計出身、工程出身的都有，共同特點是都有跨領域的多元經歷。Simon 在這裡補了一個很關鍵的框架：這個角色跟傳統職能最大的差別，不是多會幾個工具，而是從「deliverable 思考」變成「outcome 思考」，傳統角色容易被自己的職能框住，PM 想 spec、設計師想畫面、工程師想架構，但 Builder 直接問的是「這個東西做出來，有沒有解決問題、有沒有人用」。Simon 說，以前的他，也曾經把 Figma 檔案交出去就覺得工作完成了，現在回頭看其實只做了一半。

但門檻降低之後，差異化在哪？

這是我覺得這段討論最有意思的地方。Kat 說，AI 讓人人都能做出東西，反而讓「能不能 Unlearn（歸零學習）」這件事變得更重要。工具變動得太快，已經沒有「一定要這樣做」的流程，你這週的工作方式，可能明天就又不同了。Harry 提到：現在連鄰居伯伯、麥當勞的姐姐都能是 Builder，正因為如此，原本的產品人反而更要想清楚自己跟其他 Builder 的差異在哪，那個差異才是你真正的護城河。Kyle 則給了一個很具體的做法：他和他的團隊現在習慣花更多時間把 Spec 寫好，不只給人讀，也給 AI 讀，這樣後續執行速度才能真正爆發。

那雜工跟 Builder 到底差在哪？

Simon 的收尾我覺得很到位：雜工是什麼都做，Builder 是什麼都想清楚再做。看起來都很忙，但方向完全不一樣。

AI 讓產出沒有門檻，但「判斷力」反而變得更稀缺

如果要我從這場對談選一個最值得帶走的詞，我會選判斷力。

被問到「2026 年如果只能投資一種能力」，Peter 的答案沒有說某個工具或技能，而是說：判斷力。他舉了一個很具體的例子：Anthropic 的 Claude 設計主管 Jenny Wen 在一個訪談裡提到，她每週一早上會自動收到 AI 給她的三個產品功能建議，她可以立刻判斷這三個 idea 有沒有發展機會。Peter 說，這不是因為 AI 給她特別好的建議，而是因為她在生產力工具和協作設計領域累積了多年的專業。所以她看到一個 idea 就能判斷它的商業價值。沒有這個判斷力的人，收到再多 idea 也沒有用。Simon 補充：AI 讓「產出」變成幾乎沒有門檻的事，但「知道什麼是好的、什麼值得留下來、什麼應該被丟掉」反而變得更稀缺。

判斷力沒辦法靠課程速成，只能透過大量看、大量做、大量被打槍才會有。

那「有判斷力的人用 AI」跟「沒有判斷力的人用 AI」，差距在哪？Kat 用了一個很生活的比喻：一個是去便利商店把微波食品加熱，一個是從頭規劃菜單、買食材、試做、一次次修正到自己想要的口味。兩個人的餐桌上都有食物，但一個人知道自己在做什麼，另一個人不知道。Simon 則說：「用 AI」是把 prompt 丟進去、把結果貼出來；「協作」是你心裡有一個明確的標準，知道什麼時候要 push back、什麼時候要重來、什麼時候要自己接手改。沒有判斷力的人用 AI，產出量會變多但品質會變平庸；有判斷力的人用 AI，每一次迭代都在收斂。

作品集，也在考驗同一件事：你有沒有判斷力。

2026 年的作品集，這幾位講者的共識是：

「結果」已經不是重點，「過程」才是。

Kat 說，面試官現在更想看的是你具體用 AI 解決了哪些問題、做了什麼小工具、判斷力呈現在哪裡；她甚至提到海外已有公司直接在職缺說明上寫「不要履歷不要 portfolio，直接給我一段 product demo 影片」，台灣還沒走到這一步，但方向是清楚的。Kyle 從工程師角度補充：以前看 code 寫得漂不漂亮，現在更看重的是你的 repo 有沒有讓 AI 可以讀懂、spec 跟 knowledge base 怎麼結構化管理。

Harry 說得直白：用 AI 無腦生一個看起來漂亮的作品集，跟有核心概念、讓 AI 幫你從 0 到 1 實現它，是完全不同的兩件事。前者大家都做得到，後者才是你的。

關於焦慮：學什麼才是對的？

最後一個話題，也是我覺得這場對談最暢快的部分。

先說「為什麼學」這個問題。

Kat 有一句話我覺得可以直接存進備忘錄：

"You can't compete with someone who is having fun."

她自己判斷要不要學一個新工具，是看有沒有真實的問題需要解決，而不是「這個最近很紅、怕自己跟不上」。Harry 說的更實際：當工作遇到問題，先去問 AI 有哪些工具可以幫忙解決，比什麼都學但最後用不上有效多了。Simon 的判斷方式也很類似，他問自己，想學這個，是因為它能解決手上某個具體的問題，還是只是怕被別人超車？如果是後者，先放著。焦慮驅動的學習，通常結局是 burnout，而且因為沒有真實場景可以打磨，學了也記不住。

那「學什麼」這個問題，各人的答案則很不一樣，但背後有一個共同的邏輯：

找到屬於自己的賽道。

Kat 引用了美國職涯諮詢學者 Savickas 提出的「生涯適應力（Career Adaptability）」，重點不是讓自己「不被淘汰」，而是就算被淘汰了，你都還是有信心跟能力可以面對未來。Kyle 則給了一個更具體的框架：「可攜式能力（Transferable Skills）」，不依賴特定公司、產業或職位，無論身處何處都能創造價值的技能，像是溝通、行銷、公開演講，這些跨越職能邊界，也比工具類技能更耐用。Simon 的建議最具操作性：與其找學習路徑，不如找一個你自己很有感的小問題，用 AI 從 0 到 1 把它做出來，Ship 給真實使用者，然後把整個過程寫成一篇 case study 或一段影片。一個 cycle 跑完，你會比讀十本書還清楚自己缺什麼。Peter 的切入點則跟所有人都不一樣，他說的是：做 AI 做不好的事。與其焦慮 AI 能做什麼，不如去找那些 AI 還沒辦法好好處理的地方，那裡才是人的價值真正存在的空間。

如果你想練出這些能力

說完這些，我有一個最真實的感受：這些能力，光靠讀文章是練不出來的。

判斷力、Product Sense、AI 協作、全流程思維……它們有一個共同的特性，就是必須在真實的情境裡做出來，輸入再多也沒用。

這也是 AAPD 2026 旗艦雙營在設計上的核心邏輯。實戰營讓你在真實的專案框架裡，練習從問題定義到最終產出的全流程；陪跑營則讓這個過程不是自己孤軍奮戰，而是有教練陪著你從作品到求職一條龍走完。

如果你看完這篇文章，有那種「我也想把這些東西真的做出來」的感覺，那個感覺值得被認真對待。

👉 前往看線上直播完整版：【爐邊對談】AI 時代的生存之路

👉 更了解 AAPD 2026 旗艦雙營，成為 AI 時代的產品人才