通常講到 AI Product 的起點不是模型，而是 Customer Problem。

但問題來了：

當客戶說「我們想導入 AI」時，PM 到底要怎麼知道，什麼才是真正值得做的 Problem？

這其實是我在做 Edge AI Application 時，很常遇到的問題。

因為 AI 能做的事情真的很多。

人員偵測、車輛偵測、人流統計、安全帽辨識、區域入侵、姿態辨識……只要模型做得到，好像每一個都可以變成一個 Feature。

但如果 PM 每個都做，最後很容易得到一個「AI 功能很多」的產品，卻沒有人真正需要它。

另外因為還沒有做出POC，要如何用現有的資源(Pre-trained model)來完成呢?

所以我後來會先把問題拆成三個角度。

1. Customer Value：客戶為什麼需要？

第一個問題很簡單：

如果沒有這個功能，客戶現在有什麼痛點？

例如工廠裡有很多攝影機，但真正的問題可能不是「看不到畫面」，而是：

每天有很多畫面需要人員監控，一旦發生異常，很難第一時間發現。

所以「人員偵測」本身不是價值。

真正的價值可能是：

有人進入禁止區域 → 系統自動判斷 → 發出告警 → 保存事件 → 通知相關人員。

這時候，AI 才真正開始跟 Business Problem 連在一起。

2. Technical Feasibility：技術真的做得到嗎？

第二個問題，就是 PM 不能只看需求，也要懂技術限制。

例如客戶可能說：

「我們有 10 支攝影機，可以全部即時跑 AI 嗎？」

這時候不能只回答「可以」。

我們需要知道：

• Edge Device 的算力夠不夠？
• NPU 可以跑幾路？
• Model 的 inference latency 是多少？
• Video pipeline 能不能穩定？
• 多路 RTSP 同時進來會不會造成 bottleneck？
• 未來換另一個 Model 還能不能跑？

這也是為什麼我認為 AI PM 不一定要自己寫每一行 code，但一定要理解技術限制。

因為這些技術限制，最後都會變成 Product Decision。

3. Product Scalability：這只是一個 Demo，還是一個產品？

這是我覺得最容易被忽略的一點。

假設今天我們成功做出一個「安全帽辨識」Demo。

Demo 可以跑，不代表產品成立。

我會繼續問：

如果明天有 100 個客戶要用呢？

不同攝影機可以嗎？

不同 Model 可以嗎？

不同 Edge Device 可以嗎？

客戶可以自己設定規則嗎？

部署要一台一台手動設定嗎？

發生問題時，誰來維護？

如果每一個客戶都要重新開發一次，那我們做的其實不是 Product，而是一個 Project。

所以我在做 Edge AI Application 時，會一直提醒自己：

不要只問「這個 AI 功能做不做得出來」，還要問「這個功能能不能被產品化、複製和擴展」。

最後，我會用一個很簡單的框架做判斷

我通常會把 AI Use Case 放進三個維度：

Customer Value × Technical Feasibility × Product Scalability

三個條件都高的，優先做。

Customer Value 高，但技術還不成熟的，先做 PoC。

技術很好玩，但客戶沒有明確需求的，就先放著。

因為 PM 最重要的能力之一，其實不是「想到更多 Feature」。

而是：

知道什麼值得做，也知道什麼現在不要做。

這也是 AI PM 和單純 AI Engineer 很不一樣的地方。

Engineer 會問：

Can we build it?

AI PM 還要多問三個問題：

Should we build it?

Will customers use it?

Can it create business value?

而這三個問題，才是我認為 AI 從 Technology 走向 Product 的真正開始。

Tomorrow：

找到值得做的 Problem 之後，下一步就是：

AI PM 要怎麼把一個模糊的 Customer Problem，轉成工程師真的可以開發的 AI Use Case？