AI 時代產品經理的一天：我怎麼把一句話變成能點的原型

先講一件具體的事。上週三下午，我腦子裡冒出一個模糊的念頭：「想要個能隨手記帳的小東西。」兩個多小時後，我同事已經在我手機上真的點了——按「加一筆」，輸金額，選分類，回到首頁能看到這個月花了多少、一張圓餅圖分成幾塊。沒寫一行程式碼。

我把這件事講出來，不是想說 AI 有多神。我是想講一件反直覺的事：很多人以為 AI 來了，產品經理得趕快去學寫程式，才不會被淘汰。可是我這大半年的體感正好相反——寫程式這件事的門檻正在飛快地塌掉，真正變得值錢、也變得稀缺的，是另一樣東西：把一件事講清楚到 AI 能一次做對。

這篇我不談這個道理本身，講我具體是怎麼做的。就用上面那個記帳小東西當例子，一步步拆給你看，包括我踩過的坑。你手上要是也有個憋了很久沒動手的想法，看完大概能自己上手試一次。

第一步：別急著要它做，先讓它反過來問我

我最早用 AI 做東西，最愛犯的錯，是把腦子裡那句模糊的話直接甩過去——「幫我做個記帳 App」——然後等著它給我一個成品。

結果永遠是：它給我一個它以為我想要的東西，跟我腦子裡的差了十萬八千里。我再一點一點糾正，它再一點一點跑偏，兩個人在那邊互相猜，猜到我火大。

後來我改了個習慣，就一句話的事，但有用到誇張：我不再讓它直接做，我先讓它反過來問我。 我會說：「我想做個記帳的小工具，先別寫。你先問我 5 個問題，把你需要搞清楚、但我還沒講到的地方問出來。」

於是它會問：給誰用，就你自己還是要多人？要不要分類，分類你自己定還是我給你預設幾個？金額要不要分收入和支出？資料存在手機本機就好，還是要能換裝置看？要不要預算提醒？

你看，這些問題，全是我腦子裡本來一團漿糊、沒想清楚的地方。 是它替我把「我到底要什麼」給逼了出來。等我把這 5 個問題答完，這個東西的樣子在我自己心裡，反而先清楚了。這時候再讓它動手，一次成的機率高太多。

我踩過的坑：跳過這一步，省下的那兩分鐘，後面會用兩個小時來還。 我有一次嫌它問得煩，直接叫它做，做出來一個功能齊全但完全不是我要的東西，改到最後還不如重來。現在這一步我雷打不動。

第二步：一次只改一個地方

第一版出來，能點了，但一定不對勁。這時候第二個坑就在等你：一口氣把十個不滿意的地方全講給它。

「首頁顏色太淺、分類圖示醜、圓餅圖顏色想換、加一筆那個按鈕太小、還有金額能不能自動帶小數點、對了順便加個搜尋⋯⋯」

我以前就這麼幹，圖快。結果是：它改完，顏色對了，但按鈕的事忘了；或者按鈕改好了，圓餅圖又壞了。改動一多，它顧此失彼，你也分不清到底哪一句起了作用、哪一句被它偷偷漏掉了。

現在我改成一次只講一個改動，講完就在手機上點一下，確認這一處對了，再講下一個。 慢嗎？看起來慢。可它每一步都是穩的，不回頭。我算過，這樣一路走下來，反而比「一次全講完再一起返工」快得多，而且我全程知道現在是什麼狀態。

這不是什麼 AI 技巧，這就是做產品最樸素的一條：小步子，每步可驗證。 只不過 AI 把每一步的成本壓到極低，你更沒有理由貪多了。

插一句：每個改動怎麼講，AI 才聽得懂

上面說「一次只改一個」，但光「一個」還不夠，關鍵是這一個你怎麼講。這是整篇裡我覺得最實作、也最容易立刻見效的一點。

我踩過最大的坑，是用形容詞給 AI 下指令。「首頁好看一點」「按鈕大氣一點」「顏色高級一點」——這些話我一講出口，就等於把判斷權全交回給它了，因為「好看」「高級」在它那邊有一萬種解法，它隨便挑一種，多半不是你要的那一種。

後來我逼自己改成兩件事：給參照物、給狀態，別給形容詞。

給參照物，就是別說「好看一點」，說「首頁的卡片，留白參考微信讀書那種，一個畫面就放三四條，別擠」。它立刻就知道你要什麼了——因為你給了它一個可以對齊的具體東西，而不是一個任它發揮的模糊評價。

給狀態，就是別說「處理一下沒有帳的情況」，說「當一筆帳都沒有的時候，首頁中間顯示一行灰字『還沒有記帳，點右下角加一筆』，別顯示空白的圓餅圖」。把每一種狀態下、螢幕上具體該長什麼樣講出來——有資料長怎樣、沒資料長怎樣、載入中長怎樣、出錯了長怎樣。你講得越具體，它越沒有空間去「自由發揮」成一個你不想要的樣子。

我現在的自我檢查是：講完一句指令，回頭看看裡面有沒有形容詞。 如果有「好看、大氣、高級、優化一下」這種詞，我就停下來，把它翻成「參考誰、具體長什麼樣」。這個小動作，比我學任何 AI 技巧都有用。

第三步：第一版就上真資料，別用「範例文字」

這是我覺得最容易被忽略、但最影響結果的一條。

很多人做原型，習慣讓 AI 先搭個「架子」——裡面是「標題一」「內容佔位」「$000.00」這種假東西，想著「結構對了，內容以後再填」。

我不這麼做了。我第一版就讓它上真資料。 記帳這個例子，我直接讓它預先放進我自己昨天真花的那幾筆：早餐 12 塊、搭車 28、買菜 63、還有一筆夠肉痛的、我幫小孩報班的 2000。

為什麼？因為假資料會騙過你。 全是「$000.00」的時候，介面看起來清清爽爽，你會覺得「挺好啊」。可是一旦放進「2000」這種真實的、位數不齊的數字，問題立刻全冒出來了：金額一長，右邊就頂到螢幕邊上了；那張圓餅圖，被 2000 這一筆一壓，其它幾筆小到幾乎看不見；分類名字稍微長一點，就把版面擠變形了。

這些坑，用假資料你一個都看不見，一上線全砸在真實使用者臉上。 用真資料，它們在你自己手上的第一版就暴露了，而且暴露得越早，改起來越便宜——這時候改一行字的事，等上線被使用者罵了再改，就是另一回事了。我現在的習慣是：能用真數字就絕不用佔位符，越真實、越極端越好——最長的名字、最大的金額、最空的狀態（一筆帳都沒有的時候介面長什麼樣？），都要在第一版就看到。

第四步：一定要在真機上自己點一遍

原型做出來，AI 通常會很有自信地告訴你「已完成，功能都實現了」。

這句話你一個字都別信。不是它說謊，是它沒長手，它沒辦法真的點一下。

我吃過這個虧。有一次它信誓旦旦說記帳、刪除、統計全做好了，我看程式邏輯也挑不出毛病，就信了。結果同事拿過去，加一筆，好的；再點那筆想刪掉——沒反應。刪除按鈕它畫了，但那個「點下去之後真的刪掉」的動作，它漏了，而它自己完全不知道，還告訴我「已完成」。

從那之後我立了條鐵規矩：任何「做好了」，都得我自己在真機上，把關鍵那條路親手走一遍，才算數。 加一筆、看到它出現在清單、刪掉它、看統計跟著變——這條鏈子我不親手點通，就當它沒做完。這一步花不了三分鐘，但它是你和「上線後被使用者發現」之間，唯一的那道牆。

具體怎麼走，我也有個笨辦法：動手之前，我先拿張紙寫下這東西最關鍵的兩三條路。 記帳這個，我寫的是——「①能加一筆並看到它 ②能刪掉一筆 ③首頁數字和圓餅圖跟著變」。就這三條。做完之後，我不看 AI 說什麼，我拿著這張紙，一條一條在手機上點過去。點通一條劃掉一條，劃不掉的就是沒做完。

別小看這張紙。它逼你在動手之前，就先想清楚「這東西到底靠哪幾件事成立」——很多人做到一半迷失，就是因為從來沒在紙上把這兩三條主路定下來，做著做著就被各種細節帶跑了，最後功能一大堆，最核心那條路反而沒通。先想清楚哪幾條路一定要通，再讓 AI 做，最後親手驗這幾條路——這一頭一尾的兩張紙，比中間它寫了多少程式碼都重要。

第五步：驗收線是「能不能點通」，不是「看起來對不對」

把上面幾步連起來，其實是同一個判斷在反覆出現：我到底拿什麼，來判斷這東西行不行？

我給自己的答案是：能不能真的點通一條完整的路，而不是看起來對不對。

「看起來對」是最容易騙人的。截圖丟到群組裡，大家都說好看，可能沒有一個人真的記進去過一筆帳。而「能點通」是硬的——一個真人，從打開，到記一筆，到看見結果，全程沒卡住、沒有一個按鈕是死的，這條路走通了，這東西才叫真的成立。

這也是我覺得 AI 時代產品經理最該守住的地方。當做東西的成本被壓到幾乎為零，「做出一個看起來像樣的東西」已經不值錢了，滿螢幕都是。值錢的是你還能不能判斷：這個看起來像樣的東西，是真的能用，還是只是看起來像。 這個判斷，AI 替不了你，因為它自己就是那個會很有自信地說「已完成」、卻漏掉刪除鍵的傢伙。

所以，到底要不要學寫程式

回到開頭那個問題。

我的答案是：你不用去學怎麼寫程式，但你得學會怎麼把話講到 AI 能一次做對——這兩件事是不一樣的。 前者是學一門正在貶值的手藝；後者是練一種越來越稀缺的判斷力：把模糊的想法逼清楚、一次只推進一步、拿真實的東西檢驗、親手點通再信。

這幾條，說白了沒有一條是「技術」。它們更像是一個想清楚自己要什麼、又肯一步步驗證的人，本來就該有的習慣。AI 只是把這些習慣的回報，放大了很多倍——你想得越清楚，它給你的就越準；你越隨便，它就越隨便你。

我到現在也還有沒想明白的地方，順手丟給你：當「把想法變成能點的東西」這件事，快到一個下午就能來回好幾輪，那產品經理和「一個想清楚自己要什麼的普通人」之間，那條線到底還劃在哪裡？我自己也在找答案。但至少我知道，那條線不在「會不會寫程式」上——上週那個記帳小東西，從頭到尾我一行程式碼都沒碰。