▍如果公司要你負責 AI 產品，你覺得自己準備好了嗎？

我們熟悉產品邏輯、懂用戶、理解商業目標，但 AI 落地的部分，不確定是否夠格......。這其實值得被討論，因為問題的關鍵不是「我們懂不懂 AI」，而是我們努力多年的技能樹，哪些在 AI 產品場景裡還成立？哪些需要重新長出來？

傳統 PM 技能樹長什麼樣？

經典 PM 技能樹簡單分為三個層次：基礎層（基本能力） ➜ 中間層（協作） ➜ 頂層（策略），而每個層次分別該長出來的果實，我簡單條列於下方，相信 PM 應該有共鳴。

而這棵樹本質上沒問題，整體結構嚴謹而且長了幾十年，已經有非常成熟的培訓路徑、實作框架以及學習資源。問題是這棵樹是為了「功能型產品」長出來的，而 AI 世代的產品，是一種不同型態的物種，部分技能樹上的果實可能不適用。

📍基礎層：需求定義、Roadmap 規劃、競品分析、數據分析、PRD 撰寫...

📍中間層：跨職能溝通與協作、Stakeholder 管理、Scrum Team 領導...

📍頂層：產品策略定義、商業模式理解、市場判斷、優先級取捨、Profit & Loss...

▍為什麼不是努力追求更高的技能樹？

傳統技能樹的邏輯是「垂直深耕」，產品做得越久，對某一類用戶、某一個市場、某一種場景的掌握越深，產品經理也愈有優勢，薪水與頭銜也有機會直線上升。但 AI 產品的複雜性，來自「多個領域的交叉點」，經過多次的嘗試，我發現幾乎不可能只靠垂直深度就覆蓋。

AI PM 需要 π 型技能

經過將近半年的研究、實作，並且廣泛閱讀來自各領域前輩的文章，同時還搭配我在 AI 應用管理師證照中所學習到的東西，整理出 AI PM 需具備的技能圖，也歡迎各方高手互相交流

第一隻腳：產品判斷力

• 用戶洞察：理解「用戶要的結果」vs.「模型能給的結果」之間的落差

• 優先級判斷：Impact × Effort × 模型可行性 三維矩陣

• 失敗情境設計：PRD 不只寫「能做什麼」，要寫「不該回答什麼」

• 信任架構設計：漸進式展示 AI 能力、設計人工審核節點

第二隻腳：AI 技術理解（全新的深度，不能只停在「懂名詞」）

• 選型判斷：API / Fine-tuning / RAG，在什麼業務條件下選哪個，trade-off 是什麼

• 指標解讀：Precision/Recall 的含義、「準確率從 91% 掉到 87%」對這個產品意味著什麼

• 數據策略：訓練數據從哪來、用什麼機制持續獲取、Data Drift 怎麼監控

• 成本直覺：Token 用量如何影響定價策略、什麼時候規模化會讓單位成本爆掉

我覺得最危險的狀態不是「完全不懂」，而是以為自己懂了 AI 技術層面的知識，其實只是停在名詞解釋。尤其是我自己考取 iPAS AI 應用規劃師的證照後，我發現這更是一個陷阱，使得很多 PM 容易表現出一種脆弱的自信。

π 型的橫軸呢？

橫軸不是裝飾，是讓兩隻腳的技能可以互相連結的橋樑，比如說你能把技術判斷翻譯成產品決策語言，或者是你不單單從產品本身去判斷商業邏輯，還能深入了解背後的模型能覆蓋到什麼程度。

哪些可以遷移？哪些需要重建？

▍可直接遷移

• 用戶洞察 ➜ 傳統做法是量化搭配質化分析；而 AI 場景這個能力完全有效，甚至更重要。因為 AI 產品的失敗，很多時候是 PM 沒有真正理解「用戶要的結果」和「模型能給的結果」之間的落差。

• 跨職能溝通能力 ➜ 傳統做法是和工程師、設計師對齊需求。而 AI 場景也是，溝通的核心邏輯不變，就是找到共同語言，管理期待，讓不同背景的人朝同一個目標走。

• 商業敏感度 ➜ 傳統做法是理解 CAC、LTV、轉換率；而 AI 場景底下這些指標依然有效，只是需要多加一層「AI 效能對業務結果的影響路徑」思考。

• 優先級判斷力 ➜ 傳統做法偏向 Impact vs Effort 矩陣；而 AI 場景多了一個變數是「模型可行性」。這不是全新的框架，是原本框架的擴維。

▍需要升級

• 需求定義 ➜ 傳統 PRD 寫的是「用戶可以做什麼」。 AI PRD 還要寫「模型在什麼情況下不應該回答」、「失敗情境下的產品行為是什麼」，整體定義的範疇明顯更寬。很多 PM 無法定義這塊不是因為不懂產品，而是因為沒有經驗去想「失敗情境」。

• 數據分析 ➜ 原本分析的是用戶行為數據，現在還要能判讀模型的輸出品質、識別 Data Drift（用戶行為改變導致模型效能下降），以及理解「準確率從 91% 降到 87%」對這個產品意味著什麼。我覺得這沒有一些 AI know-how，應該一時半刻很難理解數據背後的真實含義。

▍需要從零建立

• 模型選型判斷力 ➜ 買 API 用 Foundation Model？自建？還是在開源模型上做 Fine-tuning？這個決策矩陣在傳統 PM 訓練裡幾乎不存在，但在 AI 產品的每一個關鍵決策點都會出現。

• 數據策略思維 ➜ 傳統產品想「做什麼功能來獲取用戶」，AI 產品還要想「用什麼機制來獲取訓練數據」。數據不是工程師的事，是 PM 從策略層就要設計的資源。

• AI 信任設計能力 ➜ 用戶不信任 AI 輸出怎麼辦？這是 PM 要在產品架構層就解決的問題。漸進式展示 AI 能力、設計人工審核節點、讓用戶可以「否決」AI 建議——這些都是新的設計語言，傳統產品設計裡沒有對應的訓練。

給正在補學分的 PM 一句真心話

我最近時常反問自己「我在矩陣的哪個位置？哪個方向是我最容易延伸的？」如果你的縱軸夠深（產品邏輯扎實、用戶洞察敏銳、商業判斷清晰......）那你需要的，其實只是橫軸的定向延伸，而不是整棵技能樹的重建。

所以別只停在「我知道 _____ 是什麼」，要提升到「我能在實際情境裡做 ____ 的決策」。π 型像是一個產品經理地圖，因為你已經有了最難培養的東西，也就是理解「什麼是好產品」的本能。AI 只是讓你的工具箱，需要拼幾樣新工具而已，一起加油👍

#1 AI PM 學習路徑系列｜產品生命週期：職涯延伸與下一代