上一篇寫 Generative UI 時，我把 AI Product 的 Interaction 拆成：

Task
 ↓
State
 ↓
Component
 ↓
Action

但這裡其實藏著一個問題。

如果 System 根本還不知道下一個 State 是什麼呢？

最近用 AI Product，我常遇到兩個極端。

第一種是什麼都問：

「預算多少？」

「偏好的地區？」

「時間呢？」

「還有其他需求嗎？」

問到最後，我會想：

那我自己填 Form 不是比較快？

另一種則完全相反。

資訊明明不夠，AI 卻非常有自信地幫我補完，最後結果出來才發現：

你為什麼會覺得我要這個？

所以對 PM 來說，真正的問題不是「資訊不完整怎麼辦」，而是：

當資訊不完整時，什麼值得問？什麼可以猜？什麼甚至可以先不管？

「缺資料就問」其實是一種很昂貴的設計

傳統 Form 很簡單。

Required Field 沒填
        ↓
不能繼續
        ↓
請 User 填寫

但 Conversation 不一樣。

User 本來就不會一次把所有資訊交代完整。

例如：

「幫我找附近適合帶小孩吃的晚餐。」

System 可以立刻列出一堆不知道的事情：

Budget = ?
Cuisine = ?
Distance = ?
Parking = ?
Child age = ?
Dining time = ?

問題是：

這些資訊真的現在全部都需要嗎？

如果 AI 一個一個問， technically 很完整，UX 卻可能非常差。

因為每多問一次，User 就多付一次 Interaction Cost。

我會把它叫做：

Clarification Cost。

以前做 Funnel，我們會努力少一個 Click。

AI Product 裡，PM 可能還要開始努力：

少問一個其實不需要問的問題。

我現在會把「不知道」分成四種

資訊不足時，我不會直接設計成 Ask User。

而是先分成四種處理方式。

1. Ignore｜現在不知道也沒關係

例如：

「幫我找附近適合帶小孩吃的晚餐。」

System 不知道 User 喜歡日式還是義式。

但這不妨礙它先根據距離、營業時間、親子友善程度，給出第一輪結果。

Missing Information
        ↓
現在不影響下一步
        ↓
Ignore

不是所有 Unknown 都需要被解決。

2. Infer｜有足夠 Context，就先推斷

假設一個 Analytics Agent 收到：

「幫我看看這個月 Conversion 為什麼掉了。」

User 沒有說跟哪個月份比較。

但產品預設的 Business Definition 本來就是 MoM，而且 Dashboard 也正在顯示本月資料。

這時 System 可以直接：

「我先跟上個月比較。」

甚至不用停下來問。

這裡的關鍵不是「AI 很會猜」。

而是：

System 有沒有足夠的 Context 支撐這個推斷？

3. Clarify｜答案會讓 Journey 明顯分岔

假設 User 說：

「幫我整理一份 Q3 Performance Report。」

但 System 裡同時有：

Company Performance
Product Performance
Campaign Performance

這三種 Report 需要的 Data Source 和分析方式完全不同。

如果 AI 自己選一個，後面可能整份都白做。

這時就值得問：

「你想看公司整體、產品，還是 Campaign Performance？」

好的 Clarification 不是：

把缺的資料問完。

而是：

找出那個最能決定下一步的問題。

這裡其實還有一個概念：Information Gain

假設 System 現在有 10 種可能方向。

問：

「你比較喜歡藍色還是綠色？」

可能只排除一種。

但問：

「這份報告是給 Management Review，還是給執行團隊？」

可能直接決定：

• Detail Level
• KPI
• Structure
• Recommendation Depth
• Output Format

兩個都是問題，但價值完全不同。

所以 PM 設計 Clarification 時，不只是判斷：

要不要問？

還可以再問：

哪一個問題，最能降低目前的不確定性？

如果只能打斷 User 一次，我希望這個問題帶來最大的 Information Gain。

4. Confirm｜大概知道答案，但錯不起

最後一種其實不是「不知道」。

而是：

System 已經有一個推斷，但執行風險太高。

例如 AI 已經根據上下文判斷：

Recipient = Eric Chen
Confidence = 90%

如果只是搜尋 Eric 的資料，也許可以繼續。

但如果下一步是：

Send confidential document

90% 就未必夠。

這時候不是重新 Clarify 整個需求，而是：

「確認寄給 Product Team 的 Eric Chen？」

這就是 Confirm。

它和 Day 4 的 Human-in-the-loop 有關，但這裡 PM 判斷的重點是：

Uncertainty × Cost of Wrong Guess。

所以「猜還是問」其實不是二選一

我現在會把 Decision Flow 畫成：

Missing / Uncertain Information
            ↓
現在會影響下一步嗎？
       ↙            ↘
     No              Yes
      ↓                ↓
   Ignore       有足夠 Context？
                   ↙       ↘
                 Yes        No
                  ↓          ↓
              Infer      Clarify
                  ↓
            執行風險高嗎？
               ↙      ↘
             No        Yes
              ↓         ↓
           Continue   Confirm

所以 PM 真正要設計的不是：

Missing Slot → Ask User

而是：

Unknown
→ Ignore / Infer / Clarify / Confirm

Clarification 本身，也應該有 Cost Budget

這是我現在會多加的一層。

假設一個 Task 要問 User 五次才能完成。

即使每一個問題單獨看都「有道理」，整體 Experience 仍然可能很差。

所以我會 Review：

• 已經問了幾次？
• 這次 Ask 能降低多少 Uncertainty？
• 不問能不能先往前？
• 能不能一次提供選項，而不是 Open Question？
• 能不能先產出 Draft，再讓 User 修改？

也就是：

每一次 Clarification，都應該證明自己值得打斷 User。

這跟以前 PM Review Funnel 很像。

只是以前我們算 Click。

現在還要開始算 Ask。

Day 8｜PM 要設計的，不只是 AI 怎麼回答

寫到這裡，我反而覺得 AI Product 有一個很容易被忽略的 UX：

AI 知不知道什麼時候應該閉嘴？

模型能力越來越強之後，「不知道就問」不一定是最好的 Product Strategy。

PM 可以先判斷：

然後在真的需要 Clarify 時，再找出 Information Gain 最大的問題。

Product Principle

不要問「AI 還缺什麼資料」，而要問「缺少這個資料，現在真的不能繼續嗎？」

好的 AI Product，不是永遠不問 User。

而是：

不重要的先略過、能合理推斷的先往前、真正會改變結果的才問，錯不起的再確認。

以前我們努力讓 User 少走一步。

AI 時代，我覺得 PM 還要開始減少另一種 Friction：

不要讓 User 多回答一個，其實不需要回答的問題。