AI 正在快速降低產品開發的 Production Cost。過去，一個想法需要經過 Research、Flow、Wireframe、UI、Prototype、Engineering，才能真正被驗證，每一個步驟都有成本，所以團隊通常會在投入之前反覆確認：「這件事情值得做嗎？」

現在，AI 可以在很短的時間內協助生成 Prototype、UI、Code，甚至完整的產品雛形。當一個想法從「需要幾天才能做出來」變成「幾個小時就可以看到」，產品探索的速度確實會大幅提升，同時也產生一個新的問題：

當做東西變得很便宜，Product Team 還會不會花足夠的時間決定什麼值得做？

AI 可以快速生成方案，但生成速度不等於產品效率

前面的救災平台實作就很適合說明這個變化。利用 agent-first 工具，可以快速把產品想法轉換成 Prototype，同一個問題可以快速嘗試不同的資訊架構、User Flow 與介面，這讓 Designer 可以更早看到真實的互動結果。

原本需要大量討論才能回答的問題，可以透過 Prototype 很快驗證，例如：這個資訊架構是否合理？這個流程是否過長？不同角色看到的資訊是否衝突？重要資訊在高壓情境下是否容易被找到？這是 AI 在 Product Design 上非常直接的價值。

但當方案生成速度提高之後，團隊面對的問題也會改變。如果原本只能做兩個方案，現在可以快速做十個，真正困難的事情就不再只是「做出方案」，團隊需要更快判斷：哪些方案值得測試？哪些方案可以直接淘汰？哪些問題值得繼續研究？哪些 Feature 即使做得到，也沒有足夠價值？

AI 擴大了 Solution Space，也提高了 Selection 的重要性。

做得快，不代表完成得快

AI Coding 的研究提供了一個很好的例子。2025 年，METR 對 16 位有經驗的 Open Source Developer 進行隨機對照實驗，共測試 246 個真實開發任務。研究者原本預期 AI Coding Tools 可以降低完成任務的時間，參與者也預期 AI 可以帶來明顯的效率提升。

實際結果卻顯示，在這組特定的開發任務中，使用 AI 的開發者平均多花了約 19% 的時間完成任務，更值得注意的是，開發者在使用 AI 後仍然認為自己變快了。這個結果不代表 AI Coding 永遠會降低效率，METR 後續也指出，AI 模型與工具進步非常快，較新的工具可能已經帶來不同的結果。這項研究真正值得注意的地方，在於它把「生成」與「完成」之間的差距呈現得很清楚。

AI 可以快速產生 Code，Engineer 仍然需要理解 Code、確認需求、處理錯誤、檢查 Edge Cases、修改結果，最後判斷這段 Code 是否值得進入 Production。同樣的事情也會發生在 Design：AI 可以快速產生 Prototype，Designer 仍然需要理解問題、建立評估標準、進行驗證，最後決定這個方案是否值得繼續投入。

生成成本下降，不代表決策成本同步下降。

真正昂貴的，可能是做了一個沒有人需要的功能

我想分享自己在做一個運動數據平台時的經驗。訪談中，使用者提到自己還不確定哪種圖表、哪些數據對訓練真正有幫助，因此希望系統可以提供「自訂 Dashboard」的功能，讓他們能夠自由組合圖表、調整版面，慢慢摸索出屬於自己的數據組合。

如果讓 AI 根據這段訪談生成方案，很快就能產出 Dashboard Builder、Drag & Drop、Custom Widget、Saved Views 等一整套設計。每個方案都可以做，每個方案也都可能看起來合理，畢竟需求確實是使用者親口說的。但真正該處理的問題是：使用者要的其實是「自訂 Dashboard」這個功能，還是背後那個「還在摸索哪種數據有效」的探索過程？有多少人會持續使用自訂功能，而不是設定一次就不再調整？增加自由度之後，會不會反而增加操作與理解的成本？

故事的最後才發現，很多使用者其實早就把數據匯出到 Excel，自己拉圖表、做樞紐分析、試算不同指標。對他們來說，在還不確定哪種數據有效的探索階段，用一套自己熟悉、彈性極高的既有工具，遠比坐在系統裡等待一個功能完整的 Dashboard Builder 來得方便。真正需要驗證的假設不是「使用者要不要自訂 Dashboard」，而是「系統值不值得在探索階段就介入」。這種情況下，最有價值的決策可能就是：

不做 Dashboard Builder。

團隊因此省下 Design、Engineering、QA、維護與後續教育成本，也把資源留給真正影響使用者的問題——例如讓數據更容易匯出、或是在使用者摸索出穩定需求之後，再提供真正貼合的視覺化功能。

AI 時代需要更強的「放棄能力」

產品團隊過去很習慣討論 Output：Designer 一個 Sprint 完成多少畫面，Engineer 一個 Sprint 完成多少 Story，Product Team 一個季度推出多少 Feature。AI 將這些 Production Capacity 大幅放大之後，單純追求 Output 可能產生另一種問題：

產品變得越來越複雜。

每個 Feature 都有需求來源，每個 Prototype 都有合理理由，每段 Code 都可以被快速生成，最後產品累積大量功能，卻沒有變得更容易使用。因此 AI 時代的 Product Efficiency，需要加入另一個維度：

投入大量資源以前，團隊成功淘汰了多少不值得做的方向？

這和 Lean Product Development 的核心精神高度相關：快速建立假設、快速取得證據、快速判斷，不符合假設就停止。AI 剛好把「建立與測試假設」的成本大幅降低，因此產品流程可以更接近「Generate → Test → Kill」，取代過去常見的「Generate → Polish → Build → Launch」。

Human Oversight 也不能只剩最後一次 Review

AI Agent 與 AI Coding 越來越普及之後，很容易形成一個看似合理的工作方式：AI 執行、人類 Review、確認沒有問題、上線。真正的風險在於，人類 Review 本身也可能受到 AI 建議影響，這在 Human-AI Interaction 裡通常被稱為 Automation Bias。

當人類相信自動化系統具有較高的判斷能力時，可能傾向接受系統提供的建議，降低主動搜尋錯誤的意願。相關研究發現，即使決策流程保留 Human-in-the-loop，人類仍可能過度依賴演算法建議；另一項研究也觀察到，人們在 AI 建議出現後，容易跟隨演算法的判斷，即使自己原本有不同的答案。

Human Oversight 真正該確認的核心問題，是這個人有沒有能力挑戰 AI，而不只是流程最後有沒有人看過一眼。如果 AI 已經產生一個完整的 Design，Designer 是否還會問：

這個功能為什麼需要存在？

如果 AI 已經完成一段 Code，Engineer 是否還會問：

這段 Code 是否值得增加系統複雜度？

如果 AI 已經分析完 Research，Product Manager 是否還會問：

我們是不是把錯誤的問題研究得非常完整？

這些問題才是有效的 Human Oversight。

Designer 的工作會越來越接近「建立判斷標準」

當 AI 可以快速生成大量方案，Designer 的價值會逐漸延伸到 Evaluation。在救災產品中，評估標準可能包含：資訊是否容易誤讀？資訊來源是否清楚？不同角色能不能快速找到需要的資訊？AI 建議錯誤時，人能不能察覺？操作是否可以撤銷？

在醫療產品裡，標準可能更加嚴格：資訊是否能被正確理解？系統建議是否具有足夠依據？高風險操作是否具有適當確認機制？使用者是否知道 AI 的能力限制？

這些 Criteria 會直接影響 AI 生成的結果。AI 可以探索大量 Solution Space，Designer 負責定義：

什麼樣的 Solution 才值得留下。

Designer 與 Engineer 會有更多共同的決策問題

以前 Designer 和 Engineer 經常需要討論「這個做不做得到？」，AI 讓很多技術驗證變得更快，因此另一個問題會變得更加重要：

「就算做得到，為什麼要做？」

Designer 可以從 User Value 判斷，Engineer 可以從 Architecture、Technical Debt、Security、Performance 與 Maintainability 判斷，PM 可以從 Business Value、Opportunity Cost 與 Product Strategy 判斷，Domain Expert 可以從專業風險判斷。AI 可以協助生成方案、分析資料、建立 Prototype、撰寫 Code、模擬不同結果，最終需要形成的是共同的 Decision Criteria。

大家一起決定哪些方向值得繼續，哪些方向應該停止。

這會讓 Product Team 的協作重心逐漸從「如何一起完成」移向「如何一起判斷」。

「Don't Build」可能成為一種新的 Design Skill

假設一個 Designer 可以用 AI 在半天內完成五個 Prototype，能力的衡量方式可以有兩種：一種是「我可以在半天內做五個 Prototype」，另一種是「我可以在半天內證明其中四個不值得做」。第二種能力的產品價值可能更高，因為它直接影響資源配置。

如果一個 Prototype 最後被淘汰，這個 Prototype 依然產生了價值，它讓團隊更早知道這個假設不成立、這個需求不夠重要、這個 User Flow 不值得繼續、這個 Feature 不值得投入 Engineering。這其實是一種非常重要的產品成果：

降低錯誤投入。

AI 越快，越需要有人敢說「先不要做」

AI 可以讓 Research 更快，可以讓 Prototype 更快，可以讓 Code 更快，可以讓 Agent 更快執行工作，這些能力會持續降低 Production Cost。當 Production Cost 持續下降，Product Team 更需要建立清楚的 Decision Criteria，讓團隊知道什麼值得投入、什麼需要驗證、什麼可以直接停止。

這也讓 Designer 的角色往更上游移動。Day 25 談的是：**AI 越來越會找答案，Designer 需要定義值得回答的問題。**Day 26 再往前一步：即使答案已經找到，也需要判斷這個答案是否值得變成產品。

AI 可以讓我們更快從 0 做到 1，Product Team 需要決定哪些事情值得走到 1，也需要有能力讓不值得的方向停在 0。因為當「做出來」越來越便宜，真正昂貴的，可能會是把時間、Engineering Capacity 與使用者注意力，花在一個根本不值得存在的東西上。