本系列文章以《產品領導人之道》一書為基礎，從人員、產品與流程三個面向，探討 AI 帶來的工作變化，以及產品領導人如何調整團隊的管理、協作與人才培育方式。

昨天談到，團隊可以運用 AI 協助整理與分析訪談，同時保留對原始資料的檢視，以及直接理解使用者的機會。有了這些理解之後，接下來通常會開始討論：我們可以做些什麼，改善使用者遇到的問題？

從發現問題到提出解法，中間包含許多尚未確認的判斷。即使問題確實存在，團隊想到的解法能否發揮效果、使用者是否願意採用，以及公司能否持續提供這項服務，都還需要進一步了解。

《產品領導人之道》第 16 章介紹了假設驅動的產品開發方法。團隊把想法背後的假設寫清楚，檢視現有證據，再決定先釐清哪些事情，能幫助我們在投入更多資源之前，發現可能影響決策的問題。AI 可以參與這個過程，協助整理與提出不同角度，但也需要留意，它提出的判斷有哪些依據。

把產品想法拆成需要成立的假設

延續昨天司機因為上車位置不準確而繞路的案例。假設團隊接下來想到一個解法：在乘客叫車時，推薦附近比較容易會合的上車點。這是從案例延伸的假設情境，並非當時實際採取的做法。

這個想法聽起來合理，但要讓它產生效果，至少有幾件事情需要成立：上車位置確實是造成接送延誤的重要原因；乘客願意走到推薦的位置；司機能順利找到那個地點；團隊也有足夠的資料，判斷哪些位置適合上車。

其中任何一項不成立，都可能影響方案的效果。例如，乘客帶著大件行李，或正遇到下雨，即使推薦的位置能讓司機更快抵達，乘客也未必願意移動。

書中引用 Laura Klein 的方法，將假設分成問題、解決方案與執行三類。這些分類能提醒團隊，同時檢查使用者的問題、解法如何發揮作用，以及實際提供服務所需的條件。

討論時，可以從一個問題開始：「這個想法要達到預期效果，哪些事情必須成立？」接著把答案寫成具體的陳述。像是「乘客願意使用這個功能」仍然很籠統；若改成「在目前上車位置不容易會合時，乘客願意步行到附近的推薦地點」，就更容易討論需要了解哪些情境，以及該找什麼證據。

依預期價值、不確定性與錯判後果決定順序

列出假設之後，團隊可能發現還有很多事情不知道。但探索的時間有限，我們需要選擇值得先了解的部分。

首先要回到這個想法的預期價值。如果推薦上車點能減少會合時間，它對司機、乘客及目前的產品目標有多大幫助？問題發生的頻率與影響範圍又如何？這些判斷同樣需要資料支持，也會影響團隊願意投入多少時間探索。

接著，再檢視支撐這個想法的假設。書中介紹的排序框架，主要考量兩件事：我們對假設有多少把握，以及假設有誤時會造成多大的損害。

例如，團隊若尚不清楚乘客是否願意移動，而整個方案又依賴這個行為，就值得優先了解。假如大部分目標使用者都不願意走到推薦位置，團隊可能需要調整解法，甚至重新考慮這個方向。

相較之下，某些細節即使判斷錯誤，也能用較低成本修正，就未必需要在最初投入相同程度的研究。

另一種容易忽略的情況，是團隊對假設相當有信心，但錯判的後果很嚴重。例如，大家都認為地圖資料足以判斷適合上車的位置，卻尚未確認是否有不適合停靠或讓乘客等候的地點。這時仍需要檢查證據與限制，不能只憑「應該沒問題」就繼續投入。

因此，驗證順序需要一起考慮預期價值、現有證據與錯判後果。容易測試的項目可以很快得到結果，但這個結果是否會改變產品決策，也是團隊需要說清楚的事。

讓 AI 協助找出遺漏，並檢查判斷的依據

沿著書中的方法，我們可以進一步思考如何運用 AI。

團隊可以提供產品目標、核對過的訪談紀錄、候選解法與已知限制，請 AI 協助列出各個解法需要成立的條件。除了明顯的假設，也可以請它指出：在哪些使用情境下，這個解法可能無法產生預期效果？

以上車點推薦為例，AI 可能提醒團隊考慮行李、天候或行動不便等情境。這些提醒可以幫助我們檢查原本的思考是否有所遺漏，但仍要確認它們與目標使用者的關係，不能直接當成訪談已經發現的問題。

我會建議把 AI 整理的內容再分開檢視：哪些有原始資料支持，哪些是根據資料提出的推論，哪些目前還缺乏證據。如果它提出優先順序，也要請它說明依據，讓團隊能檢查其中的判斷。

尤其當 AI 給出看似精確的分數，或很有信心地表示某個方向值得優先投入時，更需要回頭看它使用了什麼資料。把同一份訪談紀錄分析很多次，並不會因此增加新的使用者行為證據。AI 列出的假設與排序，可以作為討論材料；對不確定性的了解，仍需要透過研究與測試逐步累積。

Teresa Torres 在〈AI Changes Everything (And Nothing At All)〉中也提醒，AI 讓產品更容易被建造出來，團隊仍需要明確的成果目標、對顧客需求的理解，以及透過假設測試比較不同解法。建造變快之後，選擇值得投入的問題與解法，依然需要仔細判斷。

讓討論形成下一步要取得的證據

對產品主管而言，可以在團隊提出想法時，協助大家說清楚預期成果，並邀請設計、工程等不同職能一起檢視假設。不同角色往往會注意到不同限制，也可能對同一項假設有不同程度的把握。

討論結束時，團隊應該能回答：目前最值得探索的方向是什麼？哪一項假設最需要先釐清？現有的證據有哪些不足？取得什麼資訊之後，我們可能會繼續、調整或放棄這個方向？

書中也提到，共同目標、策略、合適的人員，以及允許團隊花時間進行實驗的文化，都是產品探索的重要條件。主管除了詢問判斷依據，也需要支持團隊取得證據，讓探索的結果有機會影響後續安排。

當 AI 能快速提出許多想法與分析時，團隊需要持續練習把想法拆開，辨認其中尚未確認的條件。下一次討論功能提案時，就可以先挑出一項會影響投入決定的假設，說清楚目前知道什麼，以及接下來準備如何了解它。