AI Product Management · Career Storytelling
AI PM 履歷的四個改寫原則
「我把履歷改了三版，每版都加更多 AI 關鍵字，但投了 20 家還是沒下文。」
很多想轉 AI PM 的朋友來找我看履歷時，都有同一個問題：他們很努力塞 AI 名詞，但讀起來像「我用過 ChatGPT」的長版。
AI 團隊的招募主管在意的不是你會多少術語，而是：這個人對「不確定性」「資料品質」「人機協作」有沒有手感？
下面用一個我親自帶過的 AI 客服機器人專案做範本，把同一段經歷怎麼從「平庸版」改寫到「AI PM 版」，攤開給你看。
今天想聊的，是 AI PM 履歷的改寫方向：
① 同一段 AI 客服經歷，怎麼寫才不像「我用過 ChatGPT」？
② 資料動作 vs 人機協作 vs 信任 KPI，哪些該放進履歷？
③ 履歷寫太滿反而沒重點，怎麼留白？
從一個 AI 客服機器人專案看四個改寫
場景：某 PM 履歷上寫著「主導 AI 客服機器人上線」。看起來不錯，但讀完三秒就忘了。我會用這同一個專案，演示四個改寫原則。
改寫前 vs 改寫後
| 改寫前 | 改寫後 | 為什麼這樣寫更好 |
|---|---|---|
| 主導 AI 客服機器人上線 | 設計 AI 客服的失敗 fallback 流程，將「答非所問」案例從 18% 降到 6% | 展現你管理的是不確定性，不是功能 |
| 使用 ChatGPT 加速團隊文件產出 | 建立團隊 Prompt 規範與紅旗清單，文件初稿時間下降 40% | 展現你會「系統化」AI 使用 |
| 與資料團隊合作改善推薦系統 | 主導壞案例資料蒐集流程，每週篩 30 筆高優先順序樣本送 fine-tune | 展現你懂「資料才是 AI 護城河」 |
| 提升 AI 模型準確率 5% | 將 AI 功能採納率從 22% 拉到 41%（透過信心度分層 UX） | 展現你看的是使用者信任 |
| 導入 AI 工具提升效率 | 評估 12 個 AI 工具、導入 3 個並設計部門 SOP，平均每人每週節省 4 小時 | 展現你會做選擇、做制度 |
| 設計 AI 自動審核功能 | 設計信心度分層審核：高自動通過、中抽審、低強制覆核，誤判損失下降 80% | 展現你懂 Human in the Loop |
下面四個原則，剛好把同一個 AI 客服機器人專案的故事，從「PM 在旁邊敲邊鼓」改寫到「PM 在主導工作」。
原則一：把「我做了 X」改成「我管了 X 的不確定性」
AI 團隊知道功能會上線、會優化。他們缺的是有人能說「上線後 5% 的錯誤該怎麼接」。
動詞替換清單
| 弱動詞 | 強動詞 |
|---|---|
| 實作 | 設計失敗策略 |
| 優化 | 校準閾值、設計回饋機制 |
| 提升 | 校正信任度、提高採納率 |
| 導入 | 建立評估流程、設計 SOP |
| 使用 | 系統化、規範化、流程化 |
| 改善 | 篩選壞案例、設計反饋迴圈 |
一個具體改寫
原文：「主導 AI 客服機器人上線。」
改寫：
主導 AI 客服機器人從 PoC 到 GA 的部署設計，包含信心度分層回應、失敗自動轉真人、與每週壞案例 review 流程。上線六個月，使用者誤信錯誤答案率從 9% 降到 2%，採納率達 41%。
差別在哪？原文聽起來像 PM 在旁邊敲邊鼓；改寫聽起來像 PM 在主導工作。
原則二：用「資料」當動詞，不要用「資料」當形容詞
弱：「資料驅動的產品決策」（人人都這樣寫）
強：「主導建置壞案例資料集，累積 1,200 筆，作為下一輪 fine-tune 訓練樣本」
資料思維的展現不是名詞，是動作：蒐集、標註、清洗、抽樣、評估、回饋。每一個動詞背後都是 AI PM 的日常。
履歷可量化的「資料動作」
| 動作類別 | 履歷怎麼寫 |
|---|---|
| 蒐集 | 每週從 X 個管道篩選 Y 筆樣本 |
| 標註 | 設計 Z 類標籤體系，人工標註 N 筆做為 training set |
| 清洗 | 去除重複/低品質樣本 M 筆，提升 dataset 純度從 X% 到 Y% |
| 評估 | 設計 evaluation rubric，定期抽 100 筆覆核模型輸出 |
| 回饋 | 設計使用者反饋機制，收集 X 筆 negative case 進入 retrain |
挑 2 至 3 個你真的做過的動作放進履歷，就會非常立體。
原則三：強調「人機協作」的設計選擇
AI 產品幾乎沒有「全自動」這回事，都是 Human in the Loop。你的價值在於你怎麼設計人介入的那一刻。
一個讓我印象深刻的履歷句
我看過一份履歷這樣寫：
設計 AI 合約審核的三層信任機制：高信心（>0.9）自動通過、中信心（0.6 至 0.9）標記建議覆核、低信心（<0.6）強制人類審核並回饋訓練。導入後平均審核時間從 47 分鐘降至 11 分鐘，誤判率下降 64%。
這份履歷主人後來面了三家 AI 新創都拿到 offer。為什麼？
因為這個 bullet 同時展示了：產品判斷、量化思維、人機協作設計、商業價值。一句話就是一張名片。
對照組
| 弱 | 強 |
|---|---|
| 導入 AI 自動審核功能 | 設計信心度分層審核：高自動通過、中抽審、低強制覆核 |
| 提升審核效率 | 整體審核時間下降 55%、誤判率下降 64% |
原則四：用「採納率」而不是「準確率」
技術指標（準確率、F1、Recall）是工程師關心的。
產品指標（採納率、留存、信任度）才是 PM 該扛的。
履歷上若只寫得出技術指標，會被當成「想轉 AI 但還沒轉成」的訊號。
該換的指標對照
| 工程指標（少用） | 產品指標（多用） |
|---|---|
| 準確率 92% | 採納率 41% |
| F1 score 0.87 | 使用者重複使用率 68% |
| 推論時間 1.2s | 使用者滿意度 4.3/5 |
| 模型版本 v2.3 上線 | AI 建議的轉換率比手動 +27% |
工程指標不是不能寫，是要搭配產品指標。技術成果加上使用者結果，兩者都有，才是 AI PM 的 sweet spot。
履歷段落實戰：兩個版本對照
弱版本
`
ABC 公司 / 產品經理 / 2023-2025
- 負責公司 AI 客服產品
- 使用 ChatGPT 提升回應品質
- 與工程團隊合作優化模型準確率
- 推動 AI 工具在團隊中的使用
`
讀完三秒就忘了。沒有畫面、沒有判斷力的痕跡。
強版本
`
ABC 公司 / 產品經理（AI 客服）/ 2023-2025
- 設計 AI 客服失敗 fallback 機制（信心度分層 + 主動轉真人），
「答非所問」案例從 18% 降到 6%
- 建立壞案例蒐集 SOP，每週篩 30 筆高優先順序樣本送 retrain，
6 個月內模型迭代 8 次、月均改善 1.4%
- 主導 AI 採納率優化專案：透過「答案附引用＋一鍵修正」UX 改版，
使用者主動採納率從 22% 升至 41%
- 跨部門推動 AI 工具導入：評估 12 個工具、選定 3 個、寫 SOP，
每人每週節省 4 小時
`
四個 bullet、每個都有量化、每個都展示一種 AI PM 的能力。讀完三十秒，對方腦中已經有你的形象。
反過來看：履歷寫太滿也有要留意的地方
到這裡你大概看到一個方向：動詞要強、數字要有、動作要具體。
但我看過一些 PM 把履歷塞到滿出來，每個 bullet 都有三個數字、五個術語、兩條箭頭。看似厲害，但讀起來疲勞，反而沒有重點。
| 該被放大的 | 該被收斂的 |
|---|---|
| 你最會講、最有故事可講的兩個 bullet | 不會被追問的瑣碎成就 |
| 跟目標職位最相關的經歷 | 跟 AI 沒關係的「通用 PM 成就」 |
| 能引發面試官追問的關鍵字 | 看起來厲害但你不敢深入講的數據 |
履歷不是『我會多少』的展示櫃，是『面試時想被問什麼』的引導器。
每個 bullet 寫之前，問自己：「如果面試官就這一句追問我，我有沒有 5 分鐘的故事可以講？」沒有的話，就先別寫進去。
寫在最後
不用塞滿 buzzword。一份好的 AI PM 履歷，讀起來應該讓對方覺得：
「啊，這個人懂機率、懂資料、懂使用者信任，他知道 AI 產品不是寫完規格就結束。」
如果這三件事在你的履歷上看得到，AI 名詞少一個沒關係。看不到，再多名詞都救不回來。
打開你現在的履歷，挑一個 bullet 試著用上面的四個原則改改看。改不出來？很正常，這就是你下一個 OKR 的起點。
履歷不是寫出來的，是做出來的。 接下來三個月，去做出一件值得寫進履歷的事。
你最近半年的工作裡，有哪一件事最值得用今天這四個原則改寫？歡迎留言分享。
如果這篇對你有幫助，歡迎追蹤這份 Newsletter。每兩週一篇 AI PM 實戰筆記，主題涵蓋產品策略、跨職能合作、與 AI 導入的真實節奏。
#AIPM #ProductManagement #職涯轉型 #履歷 #ResumeWriting #AIcareer #ProductStrategy