AI Can Write PRDs, but Product Managers Are Still Responsible for the Outcome
以前，寫 PRD 幾乎是 PM 的基本功。
你要蒐集需求、整理訪談、定義使用者故事、列出功能規格、補上流程圖、寫清楚例外情境，再和設計、工程、測試一輪一輪確認。寫得好不好，不只影響開發效率，也常常決定一個 PM 在團隊中的存在感。
但現在不一樣了。
你只要把訪談紀錄、會議摘要、競品資訊，甚至幾句模糊的需求丟給 AI，它就能在幾分鐘內整理出一份看起來很完整的 PRD。它會幫你補 user story、寫 acceptance criteria、列 edge cases、排優先順序，還會提醒你哪些地方可能需要跟工程確認。
有些 PRD，甚至比人寫得更整齊。
這時候，PM 很自然會開始焦慮：如果 AI 都會寫 PRD 了，我接下來還剩下什麼？
答案不是「AI 寫得還不夠好，所以 PM 不會被取代」。
這種安慰很快會失效。因為 AI 寫 PRD 的能力只會越來越好，而且不只是 PRD。競品分析、會議紀錄、使用者訪談摘要、資料整理、埋點建議、產品文案、Roadmap 初稿，甚至簡單的數據解讀，它都會逐漸接手。
真正該問的不是 AI 能不能取代 PM，而是：過去 PM 花最多時間做的事，哪些其實只是產出；而哪些事情，才是真正需要 PM 負責的判斷？
AI 能取代的，是整理與生成
先說清楚，AI 確實會取代 PM 的一部分工作。
它特別擅長處理那些有明確輸入與格式的任務。
例如，把十份訪談逐字稿整理出共同痛點；把散落在 Slack、Notion 和 email 裡的討論，變成一份需求文件；根據既有格式產出 PRD；把一個功能拆成不同的 user story；或根據產品目標，列出可能要追蹤的指標。
這些工作過去很花時間，也很需要耐心。但本質上，它們多半是資訊整理、結構化與文字生成。
AI 做得快，而且不會累。
對 PM 來說，這不一定是壞消息。真正的問題是，如果一個 PM 的核心價值只是「把大家講過的話整理成文件」，那確實很容易被工具取代。
因為 PRD 從來不是產品本身。
它只是讓團隊對產品建立共識的載體。沒有清楚的問題定義，再漂亮的 PRD，也只是在用更專業的格式描述一個可能不該做的功能。
AI 可以幫你把 PRD 寫完，但它無法替你確認：這份 PRD 解決的，到底是不是一個真實、重要，而且值得投入資源的問題。
AI 不知道，誰的需求比較重要
產品團隊最常遇到的困難，不是完全沒有需求，而是需求太多。
業務說客戶需要一個客製功能；行銷說活動快開始了，需要新頁面；設計認為 onboarding 體驗有問題；工程說技術債再不處理會拖慢開發；老闆看到競品推出 AI 功能，也想要一個。
每一件事聽起來都有道理。
AI 可以幫你把這些需求排成表格，套用 RICE、MoSCoW 或其他優先級框架，也能根據你給的條件，算出一個看似合理的排序。但它不知道真正的組織脈絡。
它不知道這個大客戶是不是公司今年最重要的營收來源；不知道工程團隊目前的架構是否已經接近臨界點；不知道老闆口中的「想做」，究竟是一個方向性提問，還是一個不能不做的決策；更不知道某個看似很小的使用者抱怨，背後是不是代表一整類高價值客群正在流失。
優先級不是數學題。
它需要理解商業目標、使用者價值、資源限制、組織關係與時間窗口。很多時候，PM 的工作不是找出「最好的答案」，而是在沒有完美答案的情況下，做出一個團隊願意承擔的選擇。
這件事不能只交給 AI。
從寫規格，轉向定義問題
AI 讓 PRD 變便宜之後，PM 最該轉移的，不是把更多時間拿去寫更多文件，而是回到問題定義。
當有人說：「我們需要一個 AI 功能。」不要立刻問 AI 幫你寫 PRD。先問，為什麼需要？
是因為使用者完成任務的成本太高？
是因為客服量太大？
是因為內容供給不足？
還是因為競品有，所以我們也怕沒有？
這幾種情況，最後做出來的產品會完全不同。
同樣地，當數據顯示留存下降，AI 可以很快給你二十個提升留存的方案：推播、優惠、任務、會員制度、推薦機制、社群功能。但 PM 應該先回頭看：使用者為什麼離開？
他們是忘了回來？第一次使用就卡住？找不到價值？還是產品本來就只適合低頻使用？
如果問題是 onboarding，做會員任務可能只是繞遠路；如果問題是核心價值不足，再精準的推播也只是更有效率地打擾使用者。
PM 的價值，不是比 AI 更快提出解法，而是在大家急著找解法時，先把問題問對。
從傳遞需求，轉向對齊決策
很多人以為 PM 的角色是「中間人」：把老闆的話翻譯給團隊、把工程限制翻譯給設計、把使用者需求翻譯成規格。
但如果只是傳話，AI 很快就能做得不錯。
未來更重要的 PM，不是資訊的搬運者，而是決策的對齊者。
因為一個產品做不出來，常常不是 PRD 少了一條規格，而是每個人以為自己在做同一件事，其實不是。
業務以為這個功能是為了成交；行銷以為它是為了拉新；設計以為要改善體驗；工程以為只是補技術缺口；管理層則以為它能帶來新的商業模式。大家都支持，但每個人期待的結果不同。
這種狀況下，就算 AI 寫出一份一百分的 PRD，也救不了專案。
PM 要做的是把模糊的期待攤開來談：我們這次最重要的目標是什麼？什麼不做？成功怎麼定義？如果資源只夠做一半，哪一半最不能犧牲？
這些問題不一定舒服，但不問，團隊就會在開發後期用更高的成本面對它們。
從交付功能，轉向驗證價值
PRD 寫完、功能上線，不代表產品工作完成。
有時候，這才剛開始。
AI 可以幫你設計埋點事件、產出 dashboard 架構、生成問卷題目，也能初步解讀數據。但它不會自動知道，一個數字上升究竟代表產品變好，還是只是某個短期活動造成的假象。
例如，註冊率提高了，可能是流程真的更順；也可能是你把註冊門檻降低，卻換來更多沒有後續價值的使用者。點擊率提高了，可能代表內容更吸引人；也可能只是標題更聳動。使用時間變長，也不一定是好事，有時候反而代表使用者找不到出口。
PM 要做的，是把數據放回使用者行為與商業目標裡理解。
功能有沒有真的解決問題？
哪些人從中得到價值？
哪些人反而被排除在外？
這個成長能不能持續？
我們下一步該擴大、優化，還是停止？
這不是一份自動產出的週報可以回答的事。
AI 會犯錯，PM 不能把判斷外包
還有一件更現實的事：AI 會錯。
它會把不存在的資料說得很像真的，會混淆時間、案例與數字，也會在資訊不足時，用流暢的文字填補空白。每個對話框底下那排灰色小字——「AI 可能會出錯，請查核重要資訊」——大部分人看過，但很少真的照做。
因為 AI 最危險的地方，不是它明顯答錯，而是它常常答得很合理。
當 AI 幫你整理市場規模、競品功能、法規資訊、技術風險或使用者洞察時，PM 不能只是複製貼上到簡報裡。你必須知道資料從哪裡來、假設是什麼、哪些是事實、哪些只是推論。
使用 AI，不代表把思考交出去。
反而因為產出變快，PM 更需要保留懷疑的能力。
PM 的下一份工作，是做更難被取代的事
AI 會讓寫 PRD 這件事變得更快、更容易，也可能讓「文件產出能力」不再稀缺。
但這不代表 PM 沒有價值，而是代表 PM 必須把時間放回真正困難的地方：理解人、定義問題、做出取捨、對齊團隊、驗證價值，以及為決策負責。
未來好的 PM，可能不會是寫出最長 PRD 的人。
而是能在一堆 AI 生成的文件、數據、提案與意見之中，辨認出真正關鍵問題的人。他不只是問「這個功能怎麼做」，而是持續追問：
這是誰的問題？
這個問題真的存在嗎？
它有多重要？
我們為什麼現在要解？
不做會怎樣？
做了之後，怎麼知道它真的有效？
AI 可以幫 PM 寫完 PRD。
但產品該不該做、為誰而做、做到什麼程度，以及做完之後是否真的創造價值，最後還是需要有人站出來判斷。
那個人，仍然應該是 PM。
YinOnMars 
發表留言