從「找答案的人」到「定義問題的人」

前幾篇談了很多 AI 如何進入產品設計流程。Day 20 分享如何利用 agent-first 工具，在短時間內完成救災平台的初版 prototype；Day 23 談 Agentic AI 的另一面，當 AI 擁有更高的自主性，風險也會跟著增加；Day 24 把視角拉回 Designer 自己的工作，使用 Google AI 協助需求分析、UX Research 與資訊整理。

這幾篇放在一起看，可以發現一個很有意思的變化：**AI 正在快速接手「找答案」這件事。**它可以幫我們整理訪談紀錄、歸納使用者行為、分析大量資料、比較競品、找出研究中的 pattern，甚至根據這些資訊提出可能的產品方向。

那麼，當「找答案」越來越快，Designer 最重要的能力會變成什麼？這會逐漸回到一個非常基本的問題：

我們現在問的問題，真的值得回答嗎？

AI 很擅長回答問題，但它不一定知道問題值不值得問

假設今天正在做一個醫療產品，手上有 30 份訪談紀錄、數千筆操作資料，以及大量使用者回饋。過去，Designer 可能需要花很多時間閱讀逐字稿、整理訪談筆記、建立 affinity diagram、分析行為模式、找出 pain points、整理成 research findings，再提出 design opportunities。

現在，AI 可以大幅縮短這個過程。我們可以把大量資料交給 AI，讓它協助整理出使用者最常遇到的問題、找出不同使用者之間的共同行為、分析哪些流程最容易造成錯誤、根據訪談內容提出可能的產品機會。這些事情以前可能需要幾天，現在可能幾個小時甚至幾分鐘就能完成，效率提升非常明顯。

但這裡存在一個很容易被忽略的問題：**AI 分析得越快，我們越容易忘記檢查自己一開始問的是什麼。**例如「為什麼護理師沒有使用這個功能？」是一個問題，AI 可以幫你分析大量資料，最後得到「主要原因是操作流程複雜，因此建議簡化操作步驟」，看起來非常合理。但如果真正的問題其實是「這個功能真的解決了護理師目前最重要的問題嗎？」，那前面的分析可能就全部偏掉了。AI 可以非常有效率地回答一個錯誤的問題，而且回答得越完整，反而越容易讓人相信它。

Research 的價值，開始從「整理資料」轉向「判斷問題」

這也是實際使用 AI 做 UX Research 時，開始特別注意的一件事。AI 很適合處理大量資訊，例如可以把 Interview transcript、User feedback、Usability testing notes、Product analytics、Customer support records 集中整理，再讓 AI 幫忙建立初步結構。這對 Designer 來說非常有價值，因為人的注意力其實非常有限，當研究資料從 10 份增加到 100 份、1000 份之後，單純靠人工閱讀與整理，成本會快速上升。

AI 可以幫我們處理這個「資訊量」問題。Research 真正困難的地方，是判斷「我們應該從哪個角度理解這些資料」，而不只是知道「資料裡面有什麼」。這兩件事情差很多。

同一份資料，可以產生完全不同的問題

例如觀察到 40% 的使用者在某個流程中放棄操作，AI 很快就可以幫你找到這個 pattern。接下來可以問「為什麼 40% 的使用者會放棄？」，這會導向 usability 問題；也可以問「這 40% 的使用者跟完成流程的人有什麼差異？」，這會導向 segmentation；也可以問「這個流程是否真的有必要存在？」，這會開始進入產品策略；甚至可以問「如果移除這個流程，會不會反而提高整體任務完成率？」，這已經接近 product decision。

**資料沒有變，問題變了，最後得到的產品方向就可能完全不同。**所以 Designer 的價值，不只是從資料裡面找到 insight，更重要的是決定什麼值得被研究、什麼值得被比較，以及什麼問題值得被繼續追問。

AI 讓「第一個答案」變得很便宜

這可能是 AI 對 Product Design 最有意思的改變之一。以前我們很容易把時間花在「找資料 → 整理資料 → 找 pattern → 做分析 → 產出 insight」這條路徑上，現在這條路徑的成本正在下降。

因此，Designer 可以把更多時間放在思考：這個問題為什麼重要？我們是不是看錯問題？還有哪些可能的解釋？如果這個假設成立，會影響什麼？我們缺少什麼證據？哪一個問題回答之後，最有可能改變產品決策？

這其實是一種更高階的 Research 能力，因為真正有價值的 insight，往往不是 AI 第一次整理出來的答案，而是 Designer 看完答案之後，繼續問一句：

「所以呢？」

把 AI 當成「研究夥伴」，而不是研究員

這也是最近使用 Google AI 工具時，對工作方式比較大的改變。我會讓 AI 做大量的「認知型雜務」：先幫我把大量訪談、文件與觀察紀錄整理成結構化資訊；再幫我從不同資料來源中找出重複出現的行為、需求與問題。

接著故意挑戰它，這一步反而是最重要的。我會繼續問：這個 conclusion 有哪些證據？哪些資料其實不支持這個結論？還有沒有其他可能的解釋？如果從使用者以外的角度看，會得到什麼不同的結論？這個 insight 如果成立，會改變哪一個產品決策？

這時候 AI 的角色就開始改變，它不只是幫我整理資料，更成為一個可以快速產生假設、提出反例、協助我檢查思考盲點的研究夥伴。最後真正做決定的，依然是 Designer。

Designer 的價值，可能會從「產出」往上游移動

這也讓人重新思考 Product Designer 的角色。如果未來 AI 可以快速產生 Wireframe、生成 UI、分析 Research、撰寫 User Flow、建立 Prototype、產生 Design System、整理競品，甚至直接完成部分 implementation，那麼單純「把東西做出來」的價值會逐漸降低，真正稀缺的能力會往更上游移動。

例如 Problem Framing——我們到底在解決什麼問題；Question Formulation——我們現在問的問題是否正確；Research Judgment——哪些資料值得相信、哪些資料需要進一步驗證；Prioritization——在一堆問題裡，哪一個最值得先處理；Decision Making——當資料互相矛盾時，我們要怎麼做產品決策。這些能力很難單純透過「產生更多答案」來取代，因為它們涉及的是 Context、Judgment，以及對真實世界的理解。

AI 越強，Designer 越需要保持懷疑

這可能是這 25 天寫到現在，對 AI for Design 最大的體會。AI 帶來的最大價值，確實是速度，它讓我們可以更快理解資料、更快探索方案、更快驗證想法。但速度本身不代表方向正確，如果我們原本問錯問題，AI 只會讓我們更快得到錯誤答案。

所以現在會在 AI 給出一個看似合理的 insight 之後，再問一次：「如果這個答案是錯的呢？」再問：「我們還應該知道什麼，才能相信這個答案？」最後再問：「如果只能研究一件事情，我真正想知道的是什麼？」這可能是 AI 時代的 Product Designer 很重要的能力。

從 Answer Maker 到 Question Setter

以前，Designer 的工作可能是「發現問題 → 找答案 → 設計解法」。AI 進來之後，第一段與第二段之間的距離正在快速縮短，因此 Designer 的工作可能逐漸變成「發現問題 → 定義問題 → 設計問題 → 驗證問題 → 再決定是否需要答案」。

這裡的「設計問題」其實很重要，因為一個好的問題，本身就會決定我們接下來看什麼資料、做什麼 Research、建立什麼假設，以及最後設計出什麼產品。AI 可以幫我們探索非常大的答案空間，但在那之前，還是需要有人決定我們到底應該探索哪一個問題空間。

這可能就是未來 Designer 最值得保留，也最值得持續鍛鍊的能力。當 AI 開始替我們找答案，我們真正要學會的，可能是如何問出一個值得回答的問題。