Hey 大家，最近過得好嗎？我是 AAPD 的內容負責人 Ruby。

在產品圈子待久了，我常看到不論是設計師、產品經理或工程師卡在相似的困惑裡：覺得自己在盲目產出，卻看不見價值；或者在 AI 浪潮下，對未來的職涯感到一陣模糊的焦慮。

為了撥開這些迷霧，我找來了 AAPD 的好夥伴 Peter。他曾在 Meta（臉書）擔任產品經理。在充滿不確定性的環境裡，他總能把看似混亂的產品問題，拆解成一條條「可以行動、可以判斷、可以做決定」的思考路徑。這正是我認為，在 AI 時代每一位 product builder 都必須具備的核心能力。

在接下來這 10 週的系列文中，我會借用 Peter 的視角與他多年的實戰觀察，陪你一起面對那些在產品工作中「感覺不太對勁」的時刻。

這個系列不是一門教你操作工具的課程，而是一場關於「如何重新理解產品本質」的集體探索。有些觀點或許你現在用不上，但我希望它能成為你口袋裡的思維工具，在某個需要做決定的時刻，剛好派上用場。

當「把它修好」不再是答案：AI 時代，產品該如何面對不確定性？

在幾週前的文章中，我們分享了一份 「Product Builder 的 12 維度思維檢測表」。寄出之後，我收到幾封很誠實、也很有重量的回信。其中，有不少人提到，最讓他們感到心虛的，是維度三的那一題：

面對產品中的不確定性，我能從體驗設計的角度提供替代方案（Fallback），還是只會請工程師「把 Bug 修好」？

這個反應其實一點也不意外。因為把 Bug 修好，曾經是我們在軟體世界裡最安全、也最理直氣壯的答案。

為什麼我們習慣把它修好？

在傳統軟體的邏輯中，世界是穩定而可預期的。只要條件一樣，結果就應該一樣。1 + 1 永遠等於 2。所以，當輸出不符合預期時，我們自然會認定：這是一個 Bug。既然是 Bug，那就該被修好。

但當你開始接觸 AI 產品，特別是生成式模型 (Generative AI)，你會發現這套熟悉的確定感正在消失。同樣的輸入，有時得到 A，有時得到 B，甚至有時，模型會一本正經地胡說八道。

這時候，「把它修好」突然變成不可能。因為你其實知道，這不是哪一行程式寫錯了。為了幫大家更清楚地診斷這種不確定感的來源，我們再次請出 Peter，借用他在《AI 產品經理 101》中的視角，一起來看這個轉變。

當「修好 Bug」成為偽命題：為什麼傳統 PRD 在 AI 面前會失靈？

在傳統軟體開發中，PM 的工作，很像是在寫一本家電說明書。每一個 If–Then 都要被定義清楚，每一種情境都要有明確對應的行為，預期結果必須 100% 穩定。這也是為什麼，一旦結果不如預期，我們會直覺地說：「這個不對，請工程師把它修好。」

但這正好呼應了檢測表中另一個常被忽略的提醒：我們是否太習慣交付死板的規格，而不是清晰的問題架構？

在 AI 產品中，尤其是生成式模型 (Generative AI)，輸出本質上是基於機率的預測結果。

這代表幾件對 PM 來說非常不舒服的事：

沒有 100% 的正確答案：
在傳統軟體裡，非預期的產出通常是邏輯寫錯了；但在生成式 AI 中，同樣的輸入本來就可能產生不同的結果。那些看似錯誤的產出，其實是模型機率分佈的一部分。

規格無法窮舉：
面對這種不可預測性，我們無法再用一份 PRD 窮舉所有邊界情況（Edge cases），傳統的自動化測試也很難涵蓋所有發散的生成結果。

如果我們仍然堅持用舊時代的規格思維去框住 AI，結果往往不是品質提升，而是挫折感快速累積。團隊會越來越疲累，產品卻始終無法準時上線。

從邏輯編排到機率管理：AI 產品的典範轉移

Peter 在《AI 產品經理 101》文中反覆強調，AI 產品與傳統軟體最大的差異，在於它的非確定性（Non-deterministic）。這不只是技術細節，而是徹底改變了我們對「品質」的定義。

在他的觀點裡，PM 必須逐步接受幾個轉向：

• 從「改 Code」轉向成「調整機率」

  優化產品，不再只是修改邏輯判斷，而是透過提示設計（Prompting）或資料調整（Fine-tuning），影響模型的傾向。

  
  

• 從「自動化測試」轉向「人類評估」

  AI 的好壞，很少有標準答案，更依賴人類對情境的理解與評估（Human Evaluation）。

  
  

• 從「穩定性」轉向「相關性」

  我們追求的，不是每次輸出都一模一樣，而是在多數情況下，而是在統計學上，大部分的產出都能解決問題。

  
  

這也正好呼應了檢測表中的另一個問題：你是否具備足夠的資料判斷力，能從模型產出的細微變化中，看懂它的傾向與限制？

從上帝視角到教練思維：不確定性體驗該怎麼設計？

如果要把這些觀點轉化為 PM 的實際行動，我認為最核心的改變是：PM 必須從「上帝」變成「教練」。

在傳統軟體中，PM 很容易站在一個「上帝視角」：

我創造規則，世界必須照著規則運行。不照規則走的，就是錯誤，必須被修正。

但在 AI 時代，更適合的角色其實是「教練」。

我正在訓練一位有潛力、但不可完全控制的選手。 我無法保證他每一次都完美發揮，但我可以設計場邊的策略，確保失誤發生時，整體表現不會崩盤。

這正是檢測表中「Fallback 能力」的真正意義。當 AI 無法給出確定答案時，你是否已經想好下一步？是提供多個選項讓使用者選擇？還是清楚地告知限制，並引導到人工協助？所謂「管理機率」，不是追求零錯誤，而是學會優雅地出錯（Graceful Failure）。

你敢把產品的靈魂，交給一個會出錯的夥伴嗎？

這篇文章我們探討了 AI 的非確定性，AI 產品帶來的最大挑戰，往往不是技術，而是心理門檻。那是對控制欲的放手。

在文章結束前，我想邀請你回到自己正在負責的產品上，思考一個問題：

哪一個功能，最讓你害怕 AI 出錯？ 如果那個錯誤註定會發生，你會設計什麼樣的替代方案（Fallback），來挽救使用者體驗？

或許，真正成熟的 Product Builder，不是避免不確定性，而是學會與它共存。

歡迎將你的想法寄到 aapdgo@gmail.com 與我分享。