AI Product Design 面試考的不是你懂不懂 LLM，而是你會不會把『信任』當成可以設計、可以量測的介面問題。今天練一道 OpenAI PM Stakeholder 面試真題：『如何為一個能代表使用者採取行動的 AI 系統設計安全機制？』答案框架是 Trust Calibration：先用可逆性與信心水準把動作分級，再用漸進式授權、計畫預覽、二元信心標示三個介面手法讓使用者的核准歷史決定系統能拿到多少自主權，而不是上線第一天就給滿權限。案例是 ClyHealth 臨床 AI 儀表板：醫師一開始拒絕使用只給建議、不給理由的系統，重新設計成一次只顯示一個建議、旁邊放證據面板、底下留一鍵覆蓋鍵之後，模型準確率沒變，但介面透明度的改變讓拒用變成採用。
AI 產品設計面試最容易失分的地方，是把『human-in-the-loop』講成單一開關——要嘛全自動要嘛全人審。今天練一道 Sierra PM 面試真題：企業客戶要求全面管控 agent 回覆，ML 團隊說限制太多會傷害模型品質，怎麼解？答案框架是自主性階梯（suggest → confirm → execute）搭配依風險分級的granular consent，而不是一刀切的限制。案例是 Gemini Gmail 草稿卡片——AI 可以寫，但『送出』永遠是人類的按鈕。
AI Product Design 題最常見的失分點,是把「要不要用 AI」講成信仰題,講不出具體哪類任務可以放手、哪類必須留人。今天用風險×信心矩陣把任務分成可自動、需覆核、必須人在場三區,再用漸進式委任設計「使用者何時願意放權給 AI」的節奏,練一道「維運團隊不願意讓 AI 自主執行多步驟任務」的設計題。案例是 Gusto 的 AI 產品 Cofounder 團隊在 2026 年 9 月公開說明:AI 主持訪談只用在範圍窄、風險低的評估性研究,深度研究一律留給真人研究員。
AI 產品題最容易垮的地方不是講不出願景，是講不出「這個模型會怎麼壞掉、壞掉時使用者會怎麼樣」。Meta 今年把 PM 面試五年來首次改版，新增一輪「Product Sense with AI」，要求候選人跟 AI 一起即時解題，考的正是這件事。今天用前 Google／Meta AI PM Marily Nika 提出的「地圖失敗模式→定義最小可行品質（MVQ）→設計 Guardrail」框架，拆一道真實案例：一個 Slack 摘要助理把還沒拍板的討論當成決策，還幫沒答應的人指派了 owner。案例則看 GitHub Copilot 怎麼用 Ghost Text 讓「忽略建議」的成本趨近於零，讓使用者在數百次互動裡自然校準出該信任哪些建議。
AI 產品面試最常問倒人的不是『你懂不懂 LLM』，是『當模型注定會犯錯，你怎麼設計系統讓錯誤不會傷到使用者信任』。今天用 Riddhi Bhasker 提出的四層架構（記憶／檢索／推理／控制）拆解 human-in-the-loop 該怎麼當成基礎設施設計，並對照 Intercom 讓 AI 自動核准 19% PR、仍守住品質的真實案例。
AI Product Design 是 2025-2026 面試最熱的新題型。核心考點：什麼時候該用 AI（不是所有問題都需要 AI）、human-in-the-loop 的設計模式（什麼時候讓人介入）、信任建立（怎麼讓用戶相信 AI 的輸出）、AI 產品的獨特挑戰（hallucination、latency、cost），以及 AI 產品的評估指標。
價值驗證的單位是假設不是點子。Kohavi 的資料顯示產業中位數只有 10% 的實驗會成功，這代表在 p<0.05 下約 22% 的「獲勝實驗」其實是假陽性；Sean Ellis 的 40% 門檻查不到任何公開資料集；AI 產品的留存要從 M3 而非 M0 起算，且 <$50/mo 的 GRR 只有 23%、>$250/mo 有 70%。