做產品的人，心裡得留著一點憤怒

使用者可能只有十分不舒服，你卻要把那份感受放大到一百分。只有真的覺得「事情不該是這個樣子」，才會願意一路追問，把產品做到位。

這聽起來很情緒化，卻是我理解的策略起點。

策略從來不只是冷靜分析。你得先知道自己想抵達哪裡，才能看見理想與現況的差距；看見差距之後，才會開始尋找選項，決定要做什麼，又願意為此放棄什麼。

策略是不斷問「所以呢？」

大學念數學系時，老師曾講過數學家歐拉的故事。歐拉失明後，仍能在腦中推演問題，再把想法口述給學生記錄。

受到這個故事影響，我也開始嘗試在腦中思考，不急著把所有東西寫下來。久而久之，我養成了一個習慣：每當自己提出一個主張，就立刻站到另一邊攻擊它。

這個說法哪裡有漏洞？還有沒有別的解釋？就算它是對的，所以呢？

我在數學系的成績並不好，但幸好帶走了這種思考方式。後來創業，從產品、行銷到廣告都得自己處理；再後來，有朋友找我協助產品問題，類似的邀請越來越多，我才慢慢成為顧問。

做顧問時，這個習慣非常有用。別人提出一個方案，我不會只看它合不合理，而會繼續問：為什麼是這個方案？做完會改變什麼？還有其他選擇嗎？

這些問題，也把我帶到策略最重要的一件事：取捨。

選擇不會痛，就還稱不上策略

有人說，從台北到高雄選擇搭高鐵，就是一種策略。但如果高鐵更快、更舒服，預算也不是問題，那只是在眾多交通工具中挑一個最好用的，還談不上策略。

真正的策略，出現在你無法兩全其美的時候。

假設週末臨時南下，高鐵只要兩小時，卻可能得一路站到高雄；台鐵要多花一個半小時，但有座位，也比較舒服。你要速度，就得犧牲舒適；你要舒適，就得接受比較慢。

策略之所以困難，是因為每一個選擇都有代價。你不是單純挑一個喜歡的答案，而是在決定自己願意忍受哪一種痛。

因此，策略也不能只用最後的成敗來判斷。現實裡，做十次嘗試，失敗八、九次並不罕見。

結果不好，不代表當初的策略一定錯。關鍵是做決定時，有沒有看過足夠的選項，理解每個選項的代價。

我擔任顧問時，最常問產品經理或主管：「除了這個做法，你還有什麼選擇？」

常見的回答是：「沒有，因為客戶想要這個功能。」「這是使用者客訴。」「老闆說要做。」

但如果桌面上只有一個選項，就沒有真正的選擇；沒有選擇，也不可能有取捨。那比較像是接到一張訂單，而不是在做策略。

一個比較完整的思考過程，是先把第二、第三，甚至第四種可能放上桌，再結合公司的資源、文化與過去經驗做判斷。

外部顧問可以提出新選項，但只有內部團隊知道哪些選項曾經失敗，哪些會碰到現實限制。

所以，策略不是找到一個看起來最聰明的答案，而是在充分理解情境後，清楚選擇什麼，也清楚捨棄什麼。

AI 擅長生成，人要負責選擇與刪除

到了 AI 時代，增加選項變得比以前容易。只要把問題交給 AI，它很快就能產生十幾種方向，也能在短時間內做出一個看似完整的原型。

但選項變多，不代表策略自然會變好。

以前使用 Axure 製作線框稿時，我們會一邊拉畫面，一邊想像使用者如何操作。每一次移動元件、調整流程，都是一次思考與判斷。

現在，AI 可以直接生成一個看似合理的介面。問題是，看起來合理，不等於真的好用。它產出的往往是某種平均值，而做產品追求的不是平均，是精準解決特定使用者的問題。

如果產品經理把 AI 生成的原型直接交出去，卻沒有進入使用情境，沒有說明自己的判斷，那只是把思考一起外包了。

反過來說，完全不用 AI 也不是好方法。當自己的經驗限制了想像，AI 可以幫忙補出原本沒想到的選項，也能協助檢查盲點。

比較理想的分工，是讓 AI 負責展開可能性，由人負責判斷。AI 擅長生成，人則必須決定哪些該留下，哪些要刪除。

而刪除，正是策略最核心的能力。

因為策略最難的從來不是「取」，而是「捨」。不是能不能想出更多功能，而是敢不敢放棄那些看似不錯，卻無法服務核心目標的選項。

產品的起點，是把小小的不滿放大

有了選項之後，下一個問題是：我們究竟想解決什麼？

許多團隊把使用者的話直接當成答案。客戶想要一個功能，就把功能加進去；有人抱怨流程不好用，就把那段流程改掉。事情做完了，卻很少繼續追問：這個改動究竟會讓什麼變得更好？

使用者說出口的只是線索，不是規格。

一方面，提出意見的人未必代表所有使用者；另一方面，他提出的解法也未必能處理真正的問題。產品經理需要做的，是進入對方的情境，找到那些連使用者自己都沒有察覺的不便。

我曾經參與一款音響產品的設計。研究過程中，我觀察到一個很小的生活場景：幾個人在家裡聽音樂，其中一個人常會請另一個人幫忙播放某首歌。

接著，麻煩就來了。歌手是誰？是哪個版本？一個人習慣用 YouTube，另一個人卻用 Spotify，最後可能還得換人連接藍牙。

沒有人把這件事說成一項重要需求，大家甚至早已習慣。但當我把這個小小的不便放大，就看見了一個值得解決的問題。

最後，我們在音響的觸控螢幕上放入 QR Code。任何人都能拿起手機掃描，直接選擇想播的歌曲，不必再經過原本控制音響的人。

好的洞察，常常不是來自使用者大聲說出的願望，而是他沒有說出口，甚至沒有意識到的小麻煩。

這也是為什麼，做產品需要一點憤怒。使用者已經覺得「這樣也可以」，產品團隊卻不能停在這裡，要對現狀感到憤怒，這樣才有機會前進。

光有洞察不夠，還要回答它會改變什麼

不滿可以讓我們看見問題，但光靠感受，還不能形成策略。我們仍然要回答一句：「所以呢？」

如果改掉這個流程，會影響多少人？如果加入這項功能，會提升使用率、留存率，還是營收？如果什麼都不做，代價又是什麼？

為了讓這些關係更清楚，我會把企業原本就在追蹤的指標，整理成一張「數據地圖」。

以電商為例，營收可以拆成流量、轉換率與客單價。流量還能繼續拆成自然搜尋、廣告和社群導流；轉換率則可以往下拆成瀏覽、點擊、加入購物車與完成結帳。

接著，把產品待辦清單上的每件事放進這張地圖，看看它可能影響哪個環節。

例如，把手機版商品頁的「立即購買」按鈕固定在畫面底部，主要影響轉換率。專屬折扣碼則可能讓更多合作夥伴願意導流，同時提高使用者下單的意願。

當一件事能同時影響多個關鍵指標，通常代表它值得優先評估。當某個指標旁邊堆了大量待辦事項，也可能表示這個環節正是產品的弱點。

數據地圖的目的，不是讓團隊假裝能精準預測每個功能會提升多少。很多估算在執行前都只是猜測。它真正的用途，是把產品工作和商業結果連起來，幫助團隊判斷有限的資源應該放在哪裡。

換句話說，洞察告訴我們哪裡令人不滿；數據則幫助我們判斷，哪一個不滿最值得先處理。

策略要落地，團隊就不能只收到任務

就算方向清楚，如果團隊只收到一張張零碎的工作單，策略還是很難落地。

主管心中通常有一幅完整的產品藍圖，但任務一層層往下拆，到了執行者手上，可能只剩「把這個按鈕改掉」或「把這項功能做出來」。

他不知道這件事為什麼重要，也看不見自己的工作會改變什麼。

久而久之，人就會變成只負責完成任務的螺絲釘。

真正的投入感，來自知道目標，也擁有一定的決策空間。當一個人理解自己要改善哪個問題，知道成功的樣子，並且能選擇怎麼做到，他才會真的把產品當成自己的責任。

所以，好的團隊通常願意授權。但授權不是把問題丟出去，而是讓有能力的人在清楚的目標下做決定，同時承擔結果。

這也代表，團隊不能只追求每個人都開心。如果一個人長期無法承擔職責，就需要調整角色，必要時也得請他離開。

真正對團隊有幫助的，不是讓所有人一直待在舒適區，而是讓合適的人有機會完成有意義的挑戰。

面對測不準的未來，不要談策略，而要談價值

當時間一旦拉長，變數多到無法掌握，再精密的規劃也很容易變成假裝準確的預測。

我常被問：「該不該換工作？」「要不要離職休息？」「從設計師轉成產品經理，會不會走錯？」

即使累積了很多經驗，我仍然無法準確回答這些問題。我認為，既然未來測不準，就不要假裝能靠策略可以幫助你。這時真正該談的，不是哪條路是正確的，而是自己要去思考，自己想用什麼方式創造價值。

價值決定方向，策略只處理眼前可以驗證的那一小段路。

如果還不知道答案，就先設計一個能快速得到回饋的小嘗試。試過後發現不適合，再回頭調整；確定自己能創造更高的價值，再繼續投入。

當人生沒有一條可以照表操課的路，接下來要做的就不是預測，而是持續校準自己。

用正念，來幫助策略

我在人生前半段很少接觸正念，也不認為這類知識和策略有什麼關係。真正開始閱讀後，才發現它對我的幫助很實際。

它不會直接給我答案，而是提醒我分清楚：哪些事情可以控制，哪些事情不能。

例如，很多人在工作上渴望獲得老闆肯定。努力完成一件事，老闆卻沒有稱讚，便開始懷疑是不是自己做得不夠好。

但老闆怎麼反應，不是自己能控制的事。與其反覆猜測，不如換一個問題：「如果我是老闆，我會希望這份工作產生什麼價值？」

這個問題會把注意力從別人的反應，拉回自己能改善的行動。你無法控制老闆是否稱讚，卻可以控制自己理解目標的深度，以及最後交付的價值。

正念不會替我做出選擇，也不會給我一套必勝策略。它更像是一個提醒：不要把力氣耗在測不準、控制不了的結果上。

別讓成熟，把你的不滿和憤怒磨平

說到底，無論使用什麼框架或工具，最重要的仍然是目標感。

你得知道自己想完成什麼，也要理解主管的目標，以及公司的目標。只有目標夠清楚，才看得見理想與現況之間的差距，知道自己為什麼不滿，又該往哪裡用力。

AI 可以依照指令完成任務，卻不會替你決定什麼值得追求，也不會替你承擔取捨的代價。這仍然是人的責任。

工作久了，人很容易變得圓滑。被現實磨過幾次之後，許多事情都會覺得「算了，差不多就好」。這能讓日子過得輕鬆，卻可能是產品工作者最危險的狀態。

一旦失去不滿，就很難再看見那些值得改善的地方。

我的方法，是在需要做產品、研究使用者或解決問題時，主動打開心中的開關，重新喚起好奇與憤怒。這很耗能，卻也是做出好產品不可缺少的一部分。

結語：策略始於不滿，成於捨棄

回頭看，我理解的策略其實是一條很完整的路徑。

它從不滿開始，因為你相信事情可以更好；接著用追問打開選項，用洞察與數據理解現況；最後做出取捨，承擔自己選擇的代價。

AI 可以加快中間許多步驟，卻無法取代這條路的起點與終點：什麼事情值得你不滿，以及為了改變它，你願意放棄什麼。

所以下一次面對產品問題時，別急著問：「我還能做什麼？」先問自己：「我真正想改變的是什麼？為了做到它，我願意不做什麼？」

當你能把這兩個問題回答清楚，也願意承擔答案帶來的代價，策略才真正開始。

關於作者：Mr.PM 下午先生

• 資深產品顧問、數據化營運專家：詳細的個人簡介
• 我的 FB粉絲頁、IG
• 過往演講 投影片整理
• 數位時代訪談：打造產品飛輪。
• 數位時代訪談：做好產品經理三法則。

先前寫了一個 one shot 的短影音剪輯 skill，跑完五支影片，大概要花 1.2 小時，透過用馬斯克五步驟 (Elon Musk’s 5-Step Algorithm)，把時間壓縮到大概 30~40 分鐘。

想寫篇心得來分享一下。

1. 質疑每一項需求

這比較是人類的事情，AI 可以角色扮演和你討論。

2. 刪除零件或流程

在迭代 skill 的過程中，常常會有許多步驟是重複的、多餘的，所以刪除這個步驟做起來會很有感。
​
但要小心的是，AI 擅長生成，但不擅長刪除，他不擅長區分「沒用到」還是「用不到」，所以人類還是要介入看一下他會刪什麼東西。刪不夠或刪過頭，都很常發生。
​
不知道該不該刪的話，「馬斯克五步驟」的精髓就是，刪掉後出事再加回來就好。若你發現事後都不用加回來，那都代表你刪得不夠，可以繼續刪 XD。

這邊還可以補充一點，刪掉某項零件或流程，最常漏的就是相依性議題，刪一個東西，會牽動一串相依的改動，所以「刪東西」這個動作，實際上是三件事綁在一起：找出所有相依點、評估連鎖影響、動手改。

改的不好，很容易會造成改 A 壞 B，這很吃推理深度。所以在刪東西的時候，我一定會把 thinking levle 拉到 MAX。

3. 簡化 + 最佳化

刪除後做簡化和最佳化的意義，就是你可以不用花時間把不必要的步驟做最佳化。
​
在可以達到同樣效果下，把元件或流程簡化。可以請 AI 自我檢視一下，他是不是「用大砲打小鳥」，用很複雜的方法，來解簡單的問題。
​
另外，因為 skill 中的判斷包含「 程式判斷」和「AI 判斷」這兩種，你可以盤一下 skill 中的任務分派是否恰當，有沒有把適當的任務，派給適當的角色。
​
一般而言「 程式判斷」適合能寫成規則，有明確對錯的事。可以 程式判斷的事就不要給 AI，因為 AI 常會腦補放水。
​
而「AI 判斷」適合寫不出規則，要看畫面、懂語意的任務。
​
還有一個陷阱是， 程式和 AI 判斷之間的交界處，若是兩者交接的不好，AI 得自己翻資料、自己猜，這就是最常出問題的地方。
​
AI 就是不穩定，不是在 skill 裡面叫 AI 「切記」「必跑」「不要忘記」，而是「用設計取代紀律」，讓程式和 AI 各自扮演好角色 AI，好好的 hand over。

4. 加速

加速很少是把某一步跑快一點，而要做白工的時間移除，重點是四個「不要」：

• 不要白做：錯誤在產出當下就攔，拖到成品才發現就整輪白做了。
• 不要乾等：慢的檢查丟背景跑，可以一起跑的就並行。
• 不要重算：算過的東西留著。同一集共用的數值記進快取。
• 不要多步：可以合併就合併。

5. 自動化

skill 本身就是一個自動化，那自動化這件事還可以做什麼？
​
這裡通常是來 review，有哪些步驟 AI 做不好，人類介入會更好的步驟是什麼，出一個「不自動化清單」給你。

有點反直覺對吧！

小結與補充

最後的最後，我還想補充一點，就是 AI 提的優化清單，你一定要 AI 拿證據自我覆核一輪。

AI 產清單很快，但常常在這種優化的過程中，把「黃金」和「看起來像黃金」的東西混在一起，你要避免這種事，就要「AI 拿證據自我覆核」。

超有效，推薦一定要試試～

關於作者：Mr.PM 下午先生

• 資深產品顧問、數據化營運專家：詳細的個人簡介
• 我的 FB粉絲頁、IG
• 過往演講 投影片整理
• 數位時代訪談：打造產品飛輪。
• 數位時代訪談：做好產品經理三法則。

要回答「怎麼翻譯」這件事，得先搞清楚產品在公司裡到底扮演什麼角色。

產品定位的四個層次

展開來看，產品定位可以分成四個層次：市場定位、溝通定位、核心定位、商業定位。

市場定位和溝通定位最容易搞混。市場定位比較抽象，談的是「什麼類型的用戶、能得到什麼利益」；溝通定位比較具體，談的是「在哪個場景下、用戶得到什麼價值」。拿奶昔來說，市場定位是「針對嘴巴饞的人，提供好喝且不無聊的飲料」；溝通定位換到開車的場景，就變成「提供一個簡單的小娛樂，不會一下子喝完，而且有飽足感」。

一個市場定位可以對應到很多場景，展開成很多條溝通定位，讓行銷公關部門去推廣。

核心定位談的是產品的長期發展方向，跟 product roadmap（產品路線圖）有關。商業定位談的是產品在商業上要怎麼發展：是要擴市佔率，還是要提升毛利率，才能促成公司的利益最大化。

商業定位就是承接公司目標、成為產品商業目標的那個橋樑，也是本文要談的核心。

不是每個產品的 KPI 都是「賺多少錢」

理解商業定位的第一步，是接受一件事：產品的商業目標，不一定是產品本身的利潤最大化。

以 PS5 為例。有一種說法是，PS5 對 Sony 來說其實不賺錢，PS5 真正做的是軟體生意，靠用戶購買或訂閱軟體來獲利。PS5 對 Sony 來說是引流款，先把客戶拉進生態系，再從軟體端賺錢。

類似的邏輯在日常生活裡更常見。大賣場常常推出一顆 5 元的高麗菜，你可能會納悶：扣掉物流和採購成本，到底還有沒有賺？答案是大賣場根本不在乎高麗菜賺不賺錢。大賣場要的是用超低價高麗菜把人吸進賣場，消費者除了買高麗菜，還會順手帶零食、雞鴨魚肉。大賣場賺的是其他商品的利潤。高麗菜是引流商品，零食和肉品才是利潤商品。

引流款只是其中一種商業定位。紅利積點的產品，真正的重點是有多少用戶願意努力集點兌換，進而黏住客戶，提升忠誠度。積點產品本身能賺多少錢，反而是其次。還有一種產品的定位是爆款，砸行銷預算提供超高 CP 值，目的是吸引通路主動上門合作，帶動其他商品一起上架新通路，提升整體銷售。

這些不同的商業定位，決定了產品的目標該怎麼定、KPI 該怎麼設。用「賺多少錢」來評價一個引流款產品的績效，方向一開始就錯了。

從產品生命週期看商業定位

判斷產品該承接什麼商業定位，有一張很實用的矩陣工具。X 軸是市場佔有率，Y 軸是新用戶留存率（指新用戶進來之後有多少比例會繼續使用），交叉出四個象限：

嬰兒（低留存、低市佔）：產品還沒找到對的定位，還在摸索 Product Market Fit（產品與市場的契合點）。這個階段不該急著擴人力、砸行銷預算，第一要務是想辦法把留存率拉起來。拉不起來，就該考慮轉型。具體的目標可能長這樣「找到 PMF，控制虧損在 1000 萬以內」。

明日之星（高留存、低市佔）：留存率站穩了，代表產品已經找到 Product Market Fit，接下來要找到成長引擎，想辦法提高市佔率。這時候該多找行銷和成長駭客型的人才，安排市場擴張。利潤暫時不是第一考量。用安索夫矩陣來看，明日之星沒有必要分心開發新產品，應該專注在市場滲透搶市佔，或者直接打閃電戰做市場開發。具體的目標可能長這樣「降低獲客成本，營收提升 30%，虧損金額維持和去年一樣」。

金牛（高留存、高市佔）：市佔和留存都不錯，產品重點轉向維持競爭力、開始擠出利潤。可以做的事情很多：關注競爭者不讓競爭力下滑、提升毛利率壓低獲客成本、複製到更多國家成為新市場的明日之星、或者瞄準金牛的既有客群開發互補品和搭售商品。具體的目標可能長這樣「；開拓馬來西亞、新加坡、印尼市場，兩年內當地損益兩平」。

夕陽產品（低留存、高市佔）：市佔率還不錯，但新用戶留存越來越差，代表產品的吸引力正在衰退。這時候要想辦法擠出剩餘價值、延續現有優勢，同時尋找成長的第二曲線。

有了產品目標之後，下一步是把產品目標分解成可追蹤的指標。

「除法思考」就是失敗的開始

模擬一個情境：老闆交代你一個利潤型產品，希望一年內創造 1200 萬業績。你心裡第一個念頭大概是：一個月做 100 萬，一年就 1200 萬了，好像不會太難。

這種直覺反應非常普遍。減重也一樣：我要減 10 公斤，一個月一公斤，一個禮拜 250 公克，10 個月就完成了，應該不難。

老實說，把成果除以時間，就是失敗的開始。不管是「一年 1200 萬所以一個月 100 萬」，還是「一年減 10 公斤所以一個月一公斤」，這種計畫通常都做不成。因為除法只是把大數字切成小數字，完全沒有回答「怎麼做到」這個問題。

用 Top Down 思考法分解目標

要讓事情做成，要從除法切換到 Top Down 思考法（由上而下的思考方式），也就是：先定義目標，然後找一個框架來描述因果關係，從框架裡展開可追蹤的指標，最後設計改善指標的具體套路。

用減重來說明這套邏輯。健身教練會跟你說：要減重很簡單，每天熱量不要超過 2000 大卡，增加肌肉量來拉高基礎代謝率，每週來健身房三次，每次跟著我做十組胸推、硬舉、蹲舉，每個月加重 10%。

把教練這段話展開來看，背後有清楚的結構。目標是減重。框架（因果關係）是：減重取決於三個輸入變數，分別是吃進去的熱量、肌肉量、和運動消耗的熱量。要改善減重這個輸出，就要改善這三個輸入。其中「肌肉量」又是另一層函式，取決於胸推、蹲舉、硬舉的組數和重量。所以指標就是：每天攝取熱量、每週訓練次數、三大動作的組數和重量。

有了指標之後，還需要改善指標的套路。健身教練最常見的做法是：一對一指導、一次刷一年課程、每次主動約時間，讓你在人情壓力下不得不來訓練。套路的目的是確保指標能持續被推動。

值得注意的是，同樣是減重，框架不只一種。健身教練的框架是熱量派，強調控制攝取並增加肌肉量；生酮派的框架強調吃好油不必挨餓、避開澱粉和糖類。不同的框架代表不同的因果關係假設，展開出來的指標和套路也完全不同。選哪個框架，本身就是一個需要判斷的決策。

整套 Top Down 思考法的結構是：目標 → 框架（描述因果關係）→ 指標 → 套路（改善指標的具體方法）。把這套邏輯搬到產品上，就是：為了實現產品目標，要採用什麼框架、訂什麼指標、又有什麼套路來持續改善指標。

小結

回到最初的問題：產品目標怎麼從公司目標翻譯過來？

出發點是你的產品在公司裡扮演什麼角色。引流款、利潤款、留客款、爆款，每種商業定位對應的目標方向完全不同，不能一律用「賺多少錢」來衡量。

確認了角色之後，再用市佔率和新用戶留存率判斷產品正處於哪個階段，嬰兒、明日之星、金牛、夕陽，不同階段的策略重點也截然不同。

當你要把產品目標轉換成可追蹤的指標時，別用除法把大數字切成小數字就以為有了計畫。找到描述因果關係的框架，從框架展開指標，再設計持續改善指標的具體方法，這才是真正能把事情做成的路徑。

第一：拿 Agent 來做什麼很重要

過程中能不能被檢查，是關鍵。你要怎麼把一個大目標，拆成一個個「可以獨立驗證、或可以互動確認」的小步驟，這才是設計的核心。

我自己的經驗是:與其追求「一個指令搞定一切」，不如養成「分段交付、逐段確認」的習慣。這跟帶人做事其實一樣，你不會把一個大專案丟給新人然後三個月後才看結果，你會切成幾個里程碑，一段一段對。

第二：把 Agent 步驟數減少

把 50 步砍成 10 步，整體成功率會從 60% 直接跳到 90%。代價只是你要多花一點時間在前面設計流程。

所以我在設計複雜任務時，會先去找：有哪些步驟可以合併成一次 tool call？找得到我就用，因為這樣能大幅拉高 Agent 的成功率。

也因為這個原因，我最近買了不少軟體。現成的軟體常常已經把好幾個步驟封裝成一個成熟的 API，等於別人幫你把「50 步」先壓成「1 步」了，那你何必自己重做一次。

第三：幫每一步加上「檢查點」，比追求每一步都對更實際

你不可能讓每一步都 100% 正確，但可以做到「錯了會被攔下來」。

這跟工廠的品管很像。產線不是假設每個環節都不會出錯,而是在關鍵環節擺檢查站,壞的東西流不到下一關。Agent 也是一樣,與其期待它五十步都不出錯,不如在中間放幾個驗證點,讓它每跑幾步就停下來對一次答案。

差別在哪?沒有檢查點的時候，一個小錯會一路滾到最後，等你發現，整串都白做了。有檢查點的時候，錯誤在第三步就被抓出來，你只要修那一段。

我自己設計流程時，會刻意去想哪幾個點是「一旦錯了、後面全錯」，那幾個點就一定要放檢查站。

第四：把「人要驗證的東西」和「AI 自己能驗證的東西」分開

不是所有驗證都需要你親自上。

有些步驟，AI 跑完可以自己驗，比如算出來的數字對不對、程式跑不跑得起來、格式符不符合規定，這種有明確對錯的，讓它自己檢查就好，你不用插手。

真正需要你出手的，是那種「對錯沒辦法用規則判定、要靠經驗和判斷」的步驟。把你的注意力省下來，集中在那些只有人能判斷的關卡上。你的時間很貴，不要花在 AI 自己就能檢查的地方。

第五：不確定的時候，寧可多拆幾步讓自己看得到

「能砍步驟就砍」那是針對你已經很有把握、每一步都很穩的任務。但如果是你還不熟、或風險很高的任務，反而要反過來多拆幾步，讓過程攤開來給你看。

第六：長任務就用更強的模型，不要不捨得

考你一個數字：當模型正確率是 95%，20 個步驟的任務，成功率剩下多少？

答案是 36%。

所以結論很簡單。越長、步驟越多的任務，就要用正確率越高的模型，而正確率高的通常也是比較貴的那個。這種時候別省，因為模型正確率每高一點，你那串長任務的成功率就會被放大很多。

第七：跳出「追求正確率」這個框架

前面講的都是「有標準答案、可以算成功率」的任務。但有一類事情完全不一樣。

發散思考、找出藏在底下的思考維度，這種事情本來就沒有「正確答案」，自然也不會有「成功率」這個議題。

在這類任務上，你要做的不是逼 Agent 答對，而是讓它幫你把所有可能性窮盡，因為 AI 跑這件事比你快太多了。這也是我當初設計 Product Planning skill 的初衷。

第八:「把任務設計好」本身就是一種能力

同樣一個 AI，同樣一個模型，有人用它做出 90% 成功率的流程，有人做出 36%。

差別不在模型，在那個設計流程的人。他懂不懂拆步驟、懂不懂放檢查點、懂不懂哪裡該合併哪裡該攤開、懂不懂什麼時候該換更強的模型。

所以與其擔心「AI 會不會取代我」，我更在意的是：我有沒有把「設計任務」這件事練成自己的本事。模型大家都能用，但會不會用，是另一回事。

關於作者：Mr.PM 下午先生

• 資深產品顧問、數據化營運專家：詳細的個人簡介
• 我的 FB粉絲頁、IG
• 過往演講 投影片整理
• 數位時代訪談：打造產品飛輪。
• 數位時代訪談：做好產品經理三法則。

演講的逐字稿在：真希望我20歲懂的事：理財、設定目標、長線思考

如果未來無法規劃，該依據什麼選擇？

我自己的答案是：先觀察自己做什麼會開心、做什麼會有成就感。

有些人會問：「我到底適合什麼專業？我的天賦在哪裡？」但我覺得，有時候你喜歡的不是某個領域本身，而是在那件事上你做得比別人好，所以得到成就感。

開不開心不是唯一標準，但它是一個很快的回饋。你學一個專業，可能三年後才知道自己適不適合；但你做一件事舒不舒服、有沒有成就感，通常一兩個月內就會有感覺。

所以不用一開始就想清楚一輩子的職涯規劃。先找那些能快速給你回饋的嘗試，再慢慢校準方向。

如果開心只是待在舒適圈，怎麼辦？

這當然有可能。

我自己在軟體產業做得很開心，也算熟悉這個領域，但現在 AI 帶來巨大變化，我也會問自己：我是不是只是待在舒適圈？我接下來應該怎麼轉變？

我的做法不是只問「哪裡最賺錢」，而是問「我在哪裡可以創造最大的貢獻」。我有過創業經驗，也有做顧問和帶團隊的經驗，所以我會試著理解 AI，思考這些經驗可以如何幫助正在面對變動的團隊。

這就是為什麼我一直強調理財。因為錢是英雄膽。你有財務底氣，才比較有空間面對變化、承受轉型期的不確定。

什麼是理財？

理財可以簡單分成兩件事：把錢花掉（減項），以及讓資產變多（加項）。

花錢，是把錢用在對你有意義、需要解決問題的地方。讓資產變多，則可能是投資股票、買房、學技能、建立人脈，或任何能增加未來選項的事情。

投資股票是理財，買房是理財，投資自己也是理財。重點不是哪一種一定最好，而是它是否適合你的個性、目標與風險承受度。

對有些人來說，定期定額、長期持有，是比較能持續的方式。但對另一些人來說，頻繁進出市場反而會讓他更有投入的動力。理財沒有標準答案，但它很值得你長期學習，因為它是人生很重要的托底能力。

如何驗證自己喜歡的事有沒有市場價值？

最好的方式，是把它拿到真實世界試試看。

實習就是一種好方法。你可以透過實習觀察：這件事在職場上有沒有價值？別人覺得你做得好不好？你以為自己做得很漂亮，但如果一直被主管指出問題，那就要思考自己是不是需要修正，或這個能力在市場上沒有你想像中受歡迎。

創業也是一樣。產品做出來後，要拿到市場上讓使用者反應。大家覺得好，你就繼續做；大家覺得不好，你就要理解原因，看看能不能修正。如果怎麼修都不對，也許就該換下一個方向。

我以前帶團隊時，最怕遇到一種人：他不適合某個工作，但非常努力。這很可惜，因為他很努力，我也會捨不得否定他。但如果他真的不適合，讓他一直待在那個位置上，對他、對我、對公司都不好。

有話直說很重要。你也應該希望別人這樣對你，因為早一點知道現實，才有機會早一點轉向。

如果找不到自己的目標怎麼辦？

找不到很正常。我大學時也沒有什麼明確目標。

找到目標本來就不容易，失敗是常態。你不會期待自己交第一個男女朋友就一定要結婚，找人生目標也是一樣。你需要多嘗試幾次，才會知道什麼真的適合你。

有些事情做了沒感覺，有些事情做了不快樂，有些事情做了會覺得很累，這些都是訊號。你不需要一次就找到答案，但你要願意嘗試，也要願意在不對的時候放手。

認真投入一個自己在乎的目標，得到成就感，其實是一件非常快樂的事。它不一定比躺平辛苦，甚至可能比躺平更讓人滿足。

如果快樂的標準一直改變，還能相信它嗎？

快樂的標準確實會變。你二十歲喜歡的東西，四十歲可能不喜歡；你現在覺得重要的事情，未來也可能改變。

但你跟自己相處的時間很長，會越來越了解自己。當你發現自己變了，就重新觀察、重新調整。重點不是把自己固定成一個永遠不變的人，而是培養覺察自己的能力。

你可以練習把自己抽離出來，像第三者一樣觀察自己：原來我對這件事有這種反應，原來我現在害怕的是這個，原來我已經不喜歡以前喜歡的東西了。

當你能這樣看自己，你就會更有能力面對變化，也更有機會做出適合當下自己的選擇。

關於作者：Mr.PM 下午先生

• 資深產品顧問、數據化營運專家：詳細的個人簡介
• 我的 FB粉絲頁、IG
• 過往演講 投影片整理
• 數位時代訪談：打造產品飛輪。
• 數位時代訪談：做好產品經理三法則。