Google AI PM 的祕密武器：6 大 AI 工具讓你的產品力直接升級

本文整理自 Aakash Gupta 主持的 Product Growth Podcast 與 Marily Nika 的訪談。Marily Nika 目前是 Google 的 AI 產品經理，擁有超過 11 年的 AIPM 經驗，曾任職於 Meta，同時也是 AI Product Academy 創辦人。

一、Tool Hopping：不是工具越多越好，而是每個都要用對地方

Marily Nika 開場就提出了一個有趣的概念：Tool Hopping（工具跳轉），意思是她每天會在多個 AI 工具之間來回切換，但這不是漫無目的的嘗鮮，而是因為每個工具都有它最擅長的場景。

她的核心工具組合包括：Google AI Studio（AI 原型設計）、Opal（Google Labs 的 Mini App 工具）、Notebook LM（個人化學習助手）、Perplexity（社群回饋挖掘）、ChatGPT 自訂 GPTs（PRD 產生器），以及 Fireflies（會議筆記）。

值得注意的是，她的工具選擇邏輯非常清楚，在 Google 的正職工作中，她主要使用 AI Studio 和 Opal 來加速產品開發流程；在經營自己的 AI Product Academy 時，則大量依賴 Notebook LM 來處理教學內容。這種依據「角色」來分配工具的思維，其實比盲目追求最新工具更重要。

她也提醒 PM 們：

你不需要用到一百種工具，但你必須讓手上的每個工具都發揮到極致。

很多 PM 在公司裡只被允許使用特定工具，那就想辦法把那些工具用到最好。

二、Google AI Studio：AI 原型設計如何改變產品開發的起點

這集最讓人驚艷的環節，就是 Marily 現場展示 Google AI Studio 的 AI Prototyping（AI 原型設計）功能，這個工具讓 PM 可以用自然語言描述想法，幾分鐘內就生成一個可互動的原型。

她在節目中即興示範了一個點子：一個「LinkedIn 炫耀照片拼貼產生器」。使用者上傳自己的照片，輸入幾個 Bucket List 項目（例如：和 Taylor Swift 見面、上 TED 演講、站在艾菲爾鐵塔前），AI 就會自動生成一組把你 P 進這些場景的拼貼圖。

整個過程的核心在於：她先選擇了 Nano Banana 作為圖像生成模型（她認為這是目前最好的 Text-to-Image 模型），然後用一段自然語言描述需求，AI Studio 就開始建構應用。從輸入介面到圖片生成邏輯，第一版原型在幾分鐘內就完成了。

Marily 特別提到 AI Studio 相較於其他原型工具的幾個優勢。首先，它對視覺微調的理解能力特別強。你可以直接說「把背景調暗一點，文字對比度提高」，它就能精準執行。其次，如果你想讓原型符合公司的 Design System（設計系統），只要上傳一張網站截圖，告訴它「我喜歡這個配色，照這個風格來」就行了，這在以前可能需要好幾輪來回溝通才可以達到，而現在幾乎是即時完成。

另一個有趣的觀察是，Marily 指出大多數 AI 原型工具底層都是用 Claude 驅動，所以設計風格常常帶有漸層和紫色調，而 Google AI Studio 用的是 Gemini，產出的視覺風格明顯不同，這也是選擇工具時值得留意的細節。

三、原型先行：PRD 不再是產品開發的第一步

這集最有價值的觀點之一，就是 Marily 對產品開發流程的重新定義

傳統的流程是：

先有想法 → 寫 PRD （產品需求書） → 收集 PRD 的意見回饋 → 進入產品評審 → 對齊各方利害關係人。

但 Marily 認為這個流程已經過時了，她現在的做法是：

有想法 → 直接用 AI Studio 做原型 → 帶著原型去找工程師和科學家討論

「我先做好原型，然後帶去給我的科學家和工程師看，跟他們說：這是我在想的東西，這是功能，這是最終行為，你們怎麼看？我們直接在原型上討論。」這個轉變的好處是顯而易見的。

首先，溝通效率大幅提升，因為大家看的是同一個可互動的東西，而不是一份文字描述。
其次，說服工程師變得更容易了，因為你能具體展示願景，而不只是用嘴巴說。
最後，整個過程變得更有趣，也更不可預測，這反而激發了更多創意

不過 Marily 也強調，PRD 並沒有完全消失。對於高度跨團隊、跨時區的複雜產品，文件化仍然至關重要，因為非同步溝通的需求還在。但對於新創公司或小型團隊來說，PRD 的角色確實正在被弱化。

她的結論是：新創和大公司之間的 PM 工作方式差距正在擴大。在新創環境中，原型先行已經是常態；在大型科技公司，雖然文件化流程仍在，但 AI 工具正在加速每個環節。

四、Opal 與 Notebook LM：從迷你應用到個人化學習引擎

Marily 介紹的第二個工具是 Opal，這是 Google Labs 推出的實驗性產品，專門用來建立 AI Mini Apps（迷你應用程式）。和 AI Studio 不同的是，Opal 更像是一個自動化工作流工具。你用自然語言描述需求，它會自動幫你拆解成一個完整的工作流程

她用同樣的「LinkedIn 拼貼照片」案例做示範。在 Opal 裡，你只需要輸入一句話描述需求，它就會自動產生完整的工作流：先接收使用者照片，然後擴展 Bucket List 描述成完整的圖像生成 Prompt，接著調用圖像生成 API，最後輸出一個響應式 HTML 頁面展示拼貼結果。

Opal 的輸出不是可以直接部署的程式碼，而是一個 Opal 環境內的應用。這讓它更適合快速驗證概念和自動化簡單工作流，而不是正式的產品開發。Marily 建議 PM 可以用它來快速建立 Empathy Map（同理心地圖），只要打幾個字描述使用者群體和場景，幾秒鐘就能產出。不過她也提醒，Opal 目前仍在實驗階段，還不適合放進核心工作流程當中。

至於 Notebook LM，Marily 的用法就更有創意了。她把它當作 AI Product Academy 的「AI 評審」。在訓練營的 Demo Day 上，她會上傳所有學員的 Pitch 錄音檔，然後讓 Notebook LM 根據創意、影響力和敘事能力來評選優勝者。更酷的是，她會用 Audio Overview 功能生成一段「廣播節目風格」的音頻，讓 AI 主持人宣布得獎者。而且她發現，AI 評審的結果和真人 VC 評審的結果竟然高度一致

在實務工作層面，Marily 認為 Notebook LM 最強大的場景有兩個。第一是進入全新領域時的快速學習：假設你要做一個醫療產品，可以把相關書籍、YouTube 影片、研究報告全部丟進去，然後告訴它「我需要知道什麼才能做好這個產品」。第二是處理大量 UXR（使用者研究）資料：想像你有 200 個使用者訪談，每個兩小時，Notebook LM 可以幫你提煉出真正的洞察，甚至讀出使用者字面意思背後的真正想法。

她還分享了一個求職面試的應用案例，有次她面試另一家公司，對方給了一段四小時的投資者關係會議影片，而面試就在隔天。她把影片連結和職缺描述一起丟進 Notebook LM，問它「以這個職位的角度，我需要從這段影片裡知道什麼？」AI 整理出 15 個重點，她全部背下來，結果隔天面試表現極為出色。

五、Perplexity + ChatGPT 自訂 GPTs：從市場的意見到 PRD 的完整工作流

Marily 使用 Perplexity 的方式非常獨特。她不是用它來搜尋一般網頁資訊，而是專門開啟「討論與意見」的篩選器，讓搜尋結果只來自 Reddit 等社群論壇。

她示範了一個案例：假設你想做一款追蹤步數的智慧戒指，你可以在 Perplexity 上搜尋「年輕專業人士是否對追蹤步數的戒指感興趣？」瞬間就能看到 Reddit 上至少 20 個相關討論來源，直接了解真實用戶在說什麼。接著她會進一步要求 Perplexity 根據這些討論內容，列出 MVP 應該包含的功能清單，以最大化找到 Product-Market Fit（產品市場契合）的機會。

這些 Perplexity 的輸出會直接成為下一個工具的輸入，她會把功能清單複製到 ChatGPT 的自訂 GPT 裡，這個 GPT 是她花了很長時間訓練的 PRD 產生器，已經完全學會了她的寫作風格和語氣。

這個自訂 GPT 的運作方式很像一個真正的 PM 夥伴：它不會直接開始寫，而是會先反問你一系列問題。目標用戶是誰？產品目標是什麼？你想解決什麼問題？這種「先問再寫」的設計，確保產出的 PRD 有經過思考，而不只是 AI 的自動填充內容。

Marily 也坦言，工具之間的銜接目前還不夠順暢，從 ChatGPT 產出的 PRD 到 Google Doc，或是從 PRD 到 AI Studio 的原型，中間還需要許多來回的手動複製貼上，她認為這個「最後一哩路」是目前最需要被解決的問題。

六、用 AI 寫 PRD 不丟臉：AI PM 的心態革命

被問到 PM 使用 AI 最常犯的錯誤時，Marily 的回答出乎意料地直接：最大的錯誤是「不敢承認自己在用 AI」。

她觀察到很多 PM 會偷偷用 AI 寫 PRD，但分享給同事時又怕被看出來是 AI 生成的。Marily 的態度完全相反：不但不該隱藏，還應該主動告訴大家你用了哪個工具，甚至分享你的 Prompt 和 GPT 連結。

「會取代 PM 的不是 AI，是那些在用這些工具的人。」

她也回應了一個常見的擔憂：如果 AI 都能寫 PRD 了，那公司還需要 PM 嗎？她認為 PM 的核心價值從來就不只是寫文件，PM 負責的是 What（做什麼）和 Why（為什麼做），以及定義什麼是成功。

AI 工具無法理解公司的士氣、無法做出大膽的策略轉向，也無法在競爭對手突然推出意料之外的產品時，判斷該堅守還是跟進。

她舉了一個真實經歷：在她之前的公司，團隊正按照既定 Roadmap 執行，結果競爭對手突然發布了一個完全沒人預料到的產品，整個組織立刻放棄原本的計劃，全力追擊。這種需要判斷力和膽識的決策，完全是 AI 無法做到的。

七、想成為 AI PM？你需要像螃蟹一樣橫著走

最，Marily 針對想進入 AIPM 領域的人給出了一個生動的比喻：要像螃蟹一樣橫著走（Move Adjacent）。

不要試圖從零開始轉行，而是從你現有的經驗中找到和 AI 產品交叉的切入點。

她舉了兩個真實案例：一位在助聽器產業工作的人，一直覺得自己和 AI PM 完全沾不上邊。但 Marily 帶他看了 Apple 的職缺頁面，發現 Apple 正在為 AirPods 的助聽功能招募 PM，這個人的產業經驗瞬間成為最大優勢。另一位有 ESPN 體育新聞背景的人，則完美契合了 Meta 在體育領域的 AI 產品職缺。

至於技術能力，Marily 認為 AI PM 不需要真的會寫程式，但必須理解程式背後的邏輯：Version Control（版本控制）是什麼？不同程式語言的差異在哪？API 是什麼？為什麼從原型到上線這麼困難？這些基礎認知比會寫 Python 更重要。

她也點出了面試中最常見的紅旗：一種是 ML 科學家轉 PM 時，只展示技術深度但忽略了產品思維，直接跳入解決方案而不先釐清用戶需求和成功指標。

另一種是把 PM 和 Program Management（專案管理）搞混，強調自己「執行力強、很有組織」，但這些是 TPM 的特質，不是 PM 的核心價值。

最後她丟出一個有力的觀點：未來所有 PM 都會是 AI PM。就像她引用電影《乖乖女的乾杯》（My Big Fat Greek Wedding）裡那位希臘爸爸說的：「隨便給我一個字，我都能告訴你它的希臘語源。」同理，隨便給她一個產品，她都能告訴你 AI 可以怎麼加進去。

重點回顧 Recap

原型先行，PRD 退居二線：Marily 建議 PM 先用 AI Studio 等工具快速建立可視化原型，再拉工程師和科學家一起討論，而不是花數週寫一份沒人看的 PRD。
Tool Hopping 是新常態：不同工具擅長不同場景，PM 應該學會在 AI Studio、Opal、Notebook LM、Perplexity、ChatGPT 之間靈活切換，讓每個環節都用最適合的工具。
用 AI 不丟臉，不用才危險：會取代 PM 的不是 AI，而是會用 AI 的人。主動分享你的 AI 工作流程，反而能建立專業信譽。
每週留一小時給工具實驗：不管多忙，都要在行事曆上封鎖一小時的 Experimentation Time（實驗時間），因為你的工作流可能每週都會因為新工具而改變。
像螃蟹一樣橫著走進 AI PM：不需要從零開始，從你的產業經驗中找到和 AI 產品的交叉點，這才是最大的差異化優勢。