Google AI產品主管親身示範:如何在20分鐘內,用AI完成市場研究、規格書、原型到行銷影片!

Google AI產品主管親身示範:如何在20分鐘內,用AI完成市場研究、規格書、原型到行銷影片!

Google AI 產品主管 Marilyn Nika,一位在AI領域深耕多年的專家,親身揭示了一套顛覆傳統的產品管理工作流程。當眾多AI工具如雨後春筍般湧現時,她思考的不是AI是否會取代PM,而是「如何成為一名『AI賦能的產品經理』?」她利用一個「智慧冰箱」的 hypothetical 案例,展示如何在短短20分鐘內,完成過去需要數週才能完成的市場研究、產品規格書(PRD)、互動原型,甚至是行銷影片的完整流程,徹底改變了產品開發的遊戲規則。

傳統上,產品經理進行市場研究,需要依賴公司的用戶研究部門(UXR)或聘請外部機構,過程耗時且成本高昂。然而,Nika展示了如何利用 AI 工具 Perplexity 在幾分鐘內洞察全球用戶的想法。

她分享了一個獨特的技巧:不僅僅是搜尋網路,而是專門篩選「Reddit」上的討論與意見。她下的指令是:「家庭用戶會對智慧冰箱感興趣嗎?」AI迅速整理出正反兩方的觀點、常見疑慮和採用的障礙。

但真正的精髓在於下一步。Nika 指示 AI:「創造兩個代理人,一個支持智慧冰箱,一個反對。讓這兩個代理人根據你讀到的所有資料,進行至少20回合的辯論,然後告訴我,需要哪些『最少功能組合』才能說服那位反對者。」

這個方法讓她能在幾秒鐘內掌握產品市場契合(Product-Market Fit)的關鍵。她表示:「我們手上掌握了各種意見…讓他們互相辯論,這樣我們就能知道要如何找到產品市場契合點。」

從用戶痛點到產品規格書PRD:90秒搞定

有了從AI辯論中得出的「最少功能組合」,Nika 下一步是撰寫產品規格書(PRD)。她將這些功能需求直接貼進一個她自己訓練的客製化GPT中,這個GPT內建了她偏好的PRD模板和寫作風格。

指令很簡單:「根據這些功能,生成一份關於智慧冰箱的PRD。」在短短90秒內,一份結構完整、包含問題陳述、用戶分析、功能架構、甚至初步優先級排序的PRD草稿就誕生了。

Nika 強調:「這雖然不是最終的完美版本,但它給了我一個絕佳的起點,為我省下大量時間,讓我能專注於策略性思考,而不是複製貼上和修改標題。」

眼見為憑:用AI生成高保真原型,讓老闆秒懂你的願景

一份純文字的PRD很難讓所有利害關係人,尤其是高層主管,直觀地理解產品的樣貌。因此,Nika的下一步是「打造原型,讓願景具象化」。

她將剛剛生成的PRD內容,直接貼進AI UI生成工具 V0 中,指令為:「根據這份PRD,創建智慧冰箱的UI介面。」幾分鐘後,一個包含冰箱溫度、門的開關狀態、用電量等資訊的互動式儀表板原型就出現了。

這個原型成為她在產品審查會議上的利器。她說:「當你能在會議上直接給主管一個連結,讓他們在自己的筆電上實際點擊、感受、操作時,你更能有效地傳達你的願景和熱情,而不是拿著一份我為你轉成簡報的PRD來解說。這增加了可信度和價值。」

最終武器:AI生成行銷影片,讓產品自己說故事

為了讓產品願景更深入人心,Nika 在工作流程中加入了最後一個步驟:利用AI生成宣傳影片。她使用 Google Labs 的 Flow 和 OpenAI 的 Sora 等文生影工具,將PRD的核心功能轉化為生動的用戶場景。

雖然初次生成的影片有些小瑕疵(例如冰箱內外都有螢幕),但它成功地將「一個能提醒你食材即將過期,並提供食譜建議」的抽象概念,變成了用戶可以親眼看見的故事。這不僅有助於內部溝通,更能作為早期行銷的素材。

整個流程,從市場研究到行銷影片,在扣除訪談的閒聊時間後,實際操作時間僅約20分鐘。這證明了產品經理的角色正在發生根本性的轉變。Nika總結道:「AI不會取代你的工作,但懂得使用AI的產品經理,將會取代那些不使用AI的人。」這套AI賦能的工作流程,正是未來高效產品經理的必備技能。

參考資料: https://www.youtube.com/watch?v=fFqZm_dJXdw

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin