AI 應用規劃師職涯全解析：翻譯「人話」與「機器話」的產品設計師

導讀：當技術遇到商業，誰來當橋樑？

在「AI 焦慮」蔓延的時代，老闆們都在喊「我們要導入 AI！」，工程師們都在問「所以具體要做什麼？」。這中間的巨大真空，就是 AI 應用規劃師（AI Application Planner / AI PM） 的舞台。

你不一定要會寫神經網絡的反向傳播公式，但你必須知道 GPT-4 能做什麼、不能做什麼。你不一定要會寫 Python，但你必須知道這項功能需要花多少 Token 成本。你是產品經理（PM）的進化版，你的任務是將模糊的「AI 願景」轉化為具體可落地的「產品規格」。

這篇文章將帶你了解這個在新技術浪潮下，最需要「跨界整合能力」的關鍵角色。

一、產業生態與趨勢：AI 落地最後一哩路

定位與影響力

工程師關注「技術可行性」，業務關注「商業價值」。AI 應用規劃師關注 「如何用技術創造價值且不賠錢」。

需求翻譯官：把業務部門的「希望能自動回客服」，翻譯成工程師聽得懂的「使用 RAG 技術串接 QA 資料庫，並設定 0.7 的 Temperature」。
成本控管者：AI 很貴。你需要計算 ROI（投資報酬率），避免做出口碑好但虧本的產品。

前瞻趨勢

垂直領域 AI (Vertical AI)：通用的 ChatGPT 已是紅海。趨勢是針對特定行業（法律、醫療、教育）的垂直應用。這需要深厚的行業知識（Domain Know-how）。
Agentic Workflow (代理人工作流)：AI 不再只是對話，而是能自主規劃任務、呼叫工具。規劃師需要設計更複雜的互動流程。
負責任的 AI (Responsible AI)：隱私、版權、偏見問題日益受重視。規劃師需在設計階段就考量合規性。

二、職位深度拆解：左手畫 Wireframe，右手算 Token

這是一個「T 型人才」的極致展現。你需要廣泛涉獵，並在產品規劃上深耕。

層級體系與權責

1. 初階 AI 規劃師 (Junior AI Planner)

核心任務：競品分析，收集 AI 使用案例（Use Cases），協助 PM 撰寫功能規格書（PRD），進行 AI 輸出的標註與測試。
關鍵能力：對主流 AI 工具（Midjourney, ChatGPT, Copilot）極度熟悉, 邏輯清晰, 基本的數據分析能力。
常見挑戰：對 AI 有過高期待，設計出技術上做不到或成本太高的功能。

2. 資深 AI 規劃師 (Senior AI Planner)

核心任務：獨立負責 AI 產品線，設計人機互動（HCI）流程，定義 Prompt 架構，進行 Token 經濟模型計算。
關鍵能力：理解模型原理（懂什麼是 Context Window, Embedding）, UX/UI 設計思維, 專案管理 (Agile/Scrum)。
常見挑戰：解決 AI 的不確定性帶來的體驗問題（例如：AI 回答太慢怎麼辦？AI 亂講話怎麼辦？）。

3. AI 產品總監 (Director of AI Product)

核心任務：制定企業 AI 轉型策略，評估自建模型 vs 呼叫 API 的決策，建立 AI 治理規範（Governance）。
關鍵能力：商業策略, 技術趨勢判讀, 法律與合規知識, 組織變革管理。
常見挑戰：說服高層投資長期但短期看不到成效的 AI 基礎建設。

實戰工作流：規劃一個 AI 功能

09:30 - 需求訪談：法務部門希望能用 AI 自動審閱合約。
10:30 - 可行性評估：
- 技術面：目前的 LLM 對法律條文的理解夠準嗎？Context Window 夠吃下整份合約嗎？
- 成本面：一份合約 50 頁，約 2 萬 Token。跑一次要花 0.5 美金。一天 100 份就是 50 美金。值得嗎？
13:30 - 流程設計 (Flowchart)：繪製流程圖。用戶上傳 PDF -> OCR 轉文字 -> 切割段落 -> 向量化 -> 丟給 LLM 檢查風險條款 -> 生成報告。
15:00 - 原型製作 (Prototyping)：使用 Dify 或 Coze 快速搭建一個 Demo，寫幾個 Prompt 測試效果。
16:30 - 規格撰寫：撰寫 PRD。特別註明：「若 AI 信心分數低於 80%，需標記人工複查」、「需在 UI 上顯示免責聲明」。

三、實戰痛點與解決方案：理想很豐滿，現實很骨感

1. 老闆以為 AI 是萬能的

痛點：老闆：「為什麼這個 AI 不能預測明天的樂透？」、「為什麼它會算錯數學？」。解法：期望管理（Expectation Management）。在專案啟動前，舉辦 AI 科普工作坊，明確告知 AI 的能力邊界（它是文字接龍高手，不是邏輯大師）。設定合理的驗收標準（Success Metrics）。

2. 隨機性破壞體驗

痛點：傳統軟體輸入 A 一定出 B。AI 每次回答都不一樣，測試人員（QA）崩潰，不知道怎麼測。解法：設計 「Golden Dataset」（黃金測試集）。固定一組標準問題與標準答案，計算 AI 回答的語意相似度。在 UI 上設計引導機制（例如提供選項而非開放式問答），限縮用戶的輸入範圍。

3. 用戶不敢用

痛點：功能做出來了，但用戶覺得「AI 偷走我的資料」或「我不相信機器」，導致使用率低。解法：透明化與可解釋性。在 UI 上清楚標示「這是 AI 生成的內容」。提供「引用來源」讓用戶查證。強調「人機協作」（AI 是副駕駛）而非「取代人類」。

我是 Karen，原本是做 UI/UX 的，後來轉型做 AI 規劃師。剛開始我很痛苦，因為工程師講的 Embedding、Vector 我都聽不懂。我花了三個月狂補 AI 知識，現在我能跟工程師討論：「這裡用 RAG 效果不好，要不要試試看 HyDE (Hypothetical Document Embeddings)？」我發現，AI 產品最難的不是技術，是 「場景（Scenario）」。有一次我們做了一個「AI 自動寫信」功能，結果用戶根本不用。訪談後才發現，用戶覺得「選語氣」太麻煩，他們只想按一個鍵「幫我禮貌地拒絕」。這讓我學到：技術再強，沒有好的 UX 也是白搭。

給新進者的建議：

保持對新工具的飢渴：今天出了 Sora，明天出了 Claude 3。你要是公司裡最先試玩這些工具的人。你的價值在於「資訊差」。
培養「Token 感」：看到一段文字，要能直覺反應出「這大概多少 Token？跑一次大概多少錢？」。這會讓你對成本極度敏感。
學習「低代碼（Low-Code）」工具：不要只會畫圖。學會用 Dify, Make.com, Zapier 自己把流程串出來。能做出 Demo 的規劃師，講話最大聲。

五、深度 QA：AI PM 職涯解惑

Q1: 這個職位跟傳統 PM 有什麼不一樣？

Answer:不確定性（Uncertainty）的管理。 傳統 PM 管理的是「確定的功能」（按 A 出 B）。 AI PM 管理的是「機率性的產出」。你需要花更多時間在定義「什麼是好結果？」、「壞結果發生時怎麼辦（Fallback）？」。此外，你需要更懂數據，因為 AI 的燃料是數據。

Q2: 哪種背景的人適合轉職？

Answer:人人有機會，各有優勢。

工程師轉職：技術底子強，能精準評估可行性，但要補強商業與 UX 思維。
設計師轉職：擅長人機互動設計，能做出好用的產品，但要補強技術原理。
行銷/業務轉職：懂市場痛點，能定義出有價值的場景，但要努力學習與工程師溝通。

AI 產品規劃與定義 (Product Discovery & Definition)
- 識別業務場景中的痛點，評估是否適合使用 AI 解決（AI-First vs AI-Enhanced）
- 定義產品核心價值 (Value Proposition) 與成功指標 (KPIs, 如：準確率、節省時效)
- 撰寫功能規格書 (PRD)，明確規範 AI 的輸入、處理邏輯與輸出格式
技術評估與選型 (Technical Evaluation)
- 評估使用開源模型 (Llama) 或商業模型 (GPT, Claude) 的優劣與成本
- 與技術團隊探討實作路徑（如：Zero-shot, RAG, 還是 Fine-tuning）
- 進行 Token 成本估算與推論延遲評估，確保商業模式具備可持續性
人機互動設計 (HCI & User Experience Design)
- 設計 AI 生成內容的展示方式，解決「幻覺」與「隨機性」帶來的體驗問題
- 規劃「回饋機制」（如：按讚/倒讚），收集用戶數據以持續優化模型
- 建立系統的 Fallback 機制，當 AI 無法回答或報錯時的引導流程
數據策略與合規管理 (Data & Compliance Strategy)
- 規劃所需的訓練資料或檢索庫資料來源，定義資料清洗與標註規範
- 監控 AI 應用的隱私權保護與資安合規性（符合 GDPR 或內部資安標準）
- 確保 AI 產出的內容不具偏見且符合公司品牌語氣

必備技能要求（Required Skills）

技術硬實力

基礎必備 (Junior 等級)

AI 知識體系：理解 LLM、擴散模型 (Diffusion) 等基本概念與限制
工具應用：熟練操作主流 AI 生產力工具，並能進行基本的 Prompt Engineering
產品設計工具：熟悉 Figma, Miro 或其他原型設計工具
數據基礎：能使用 SQL 進行基礎資料查詢，理解基本統計概念

進階要求 (Mid-Senior 等級)

AI 開發框架認識：了解 LangChain, LlamaIndex 的運作邏輯
低代碼實作：能使用 Dify, Coze 或 Zapier 快速搭建功能原型 (MVP)
API 與架構概念：理解 RESTful API, Vector Database 與 RAG 運作原理
專案管理：熟練 Agile/Scrum 開發流程，具備跨團隊協調能力

資深/總監等級

AI 戰略制定：能規劃企業級的 AI 轉型藍圖與人才發展策略
Token 經濟學：具備精細化的財務建模能力，管理高額的 AI 運算預算
法律與倫理知識：深入理解各國 AI 相關法律趨勢與智財權議題

軟實力與特質

需求洞察力：能穿透用戶模糊的描述，找到最適合用 AI 解決的關鍵環節
翻譯與溝通能力：能在技術、業務與設計團隊間擔任高效的語言轉譯者
高度適應力：AI 領域技術迭代極快，必須熱愛學習且能擁抱頻繁的變化
批判性思維：不盲從技術熱點，能冷靜評估技術帶來的真實商業價值

工作環境與團隊協作

典型團隊配置

演算法工程師 / MLE：負責模型的訓練、優化與部署
後端工程師：負責系統介接、資料庫管理與 API 整合
UI/UX 設計師：負責 AI 互動介面的視覺與流暢度
法律/合規顧問：提供法律風險評估與合規指引

開發流程（以 AI 專案為例）

場景挖掘：訪談利害關係人，確認痛點與評估 ROI
原型驗證：利用 Prompt 或 Low-code 工具快速做出 Demo 進行概念驗證 (PoC)
規格鎖定：定義模型參數、資料範圍與評估基準
迭代開發：與工程師密切配合，測試並修正模型輸出的邊界案例 (Edge Cases)
發布與優化：上線後追蹤用戶回饋與數據，調整 Prompt 或決定是否進行 Fine-tuning

職涯發展路徑

技術專家路線（Individual Contributor）

Junior AI Planner（0-2年）
- 月薪範圍：NT$ 50,000 - 75,000
- 負責資料收集、基礎測試與單一功能規格撰寫
AI Product Manager（3-6年）
- 月薪範圍：NT$ 75,000 - 130,000
- 獨立帶領 AI 專案，負責完整的產品生命週期管理
Senior/Staff AI Strategist（7年+）
- 月薪範圍：NT$ 130,000 - 200,000+
- 解決複雜跨系統的 AI 整合問題，負責高產值核心產品