AI時代的面試進化了：從標準答案到解釋力 (Explainability)
掌握如何溝通 AI 盲區，證明你才是驅動產品邏輯的真正大腦。
上週，我面試了一位候選人。針對產品案例，他給出了教科書般的完美回答：結構嚴謹、邏輯通順，且完全符合所有經典框架 。然而，這卻讓我感到一絲違和感。這種感覺像是正對著一個ChatGPT 在對話，完全缺乏真實感。
在 AI 時代，「正確答案」的價值已經沒有太多價值。如果候選人只能背誦 AI 三秒鐘就能生成的框架，這無法證明他的價值，只能證明他很會讀文案。現在面試的門檻已經從「你能解決這個問題嗎？」演變為「你如何運用手邊的工具，將問題解決得更快、更好？」 “Can you solve this?” to “How do you leverage the tools at your disposal to solve this faster and better?”
如果你不跟著進化面試策略，很快就會被視為缺乏競爭力的應徵者。現在的競爭優勢在於展現你的在 AI 帶來的高速成長及混亂中，依然能整理出高影響力主意的能力。
我將 AI 時代的 PM 面試歸納為三個Pillars：
1. 你的 AI 工作流，就是你的新履歷
Your AI Workflow is Your New Resume
過去我們問：「請說明你的工作流程。」現在，我更看重你的「AI fluency」。面試官想看到的是你如何整合這些工具，幫自己爭取更多時間來進行更高層次的策略思考。
如果只是列出工具清單，沒有方法解釋背後的決策邏輯。例如，說明你如何利用LLM統整 500 則使用者回饋，讓你多出三小時去進行複雜的商業取捨分析。這無關乎你是否懂技術，而在於你是否理解自己時間的投資報酬率 (ROI)。
2. 產品演進：跳脫聊天機器人的思維
Product Evolution: Beyond the Chatbot
目前最常見的錯誤就是「強加 AI」的陷阱。當被問到如何改進產品時，許多候選人會直覺地說要加入生成式介面或客服機器人。
資深 PM 會看得更深一層。AI 如何從根本上解決過去無法處理的使用者痛點？如果你建議加入 AI 功能，我更想聽聽其中的取捨：在你的情境下，AI 產生「幻覺」的代價是什麼？當輸出結果具有隨機性時，你如何定義成功？這能證明你在思考的是產品的重要功能，不僅僅是功能堆疊。
3. 日常習慣展現出的願景
The Vision of Daily Habits
我常問候選人：「你日常工作中，有哪些部分因為 AI 而讓你覺得快過時了？」
這個答案能展現你的自我覺察能力。高自主性的 PM 已經識別出那些重複性的工作，像是寫進度更新、初版 PRD、基礎數據查詢，並找到了自動化的方法。
Explainability 與Rationale Delta：資深 PM 的護城河
當 AI 讓產出變得廉價時，資深程度的指標就不再是 PRD 的清晰度，而是你的Explainability 與 Rationale Delta。這兩者相輔相成，是你在 AI 時代保住身價的關鍵。
解釋力 (Explainability) 是你的「技能」： 指的是你如何拆解問題、衡量取捨、並在不確定性中建立邏輯的能力。
決策增量 (Rationale Delta) 是你的「產出」： 指的是「通用 AI 給出的標準建議」與「你根據具體情境所做的決策」之間的邏輯落差。
為什麼這兩者缺一不可？
如果你發現了一個切入點（決策增量），但你無法清晰地說服利害關係人（解釋能力），這個增量就無法產生影響力。在面試中，面試官其實是在測試你：「當你與 AI 的意見相左時，你是否有足夠的解釋力，帶領團隊走向那個更高槓桿的決策？」
實戰應用：如何在面試中衡量 Rationale Delta？
當我面試候選人時，我會特別觀察他們如何利用現實脈絡來過濾 AI 的平庸建議。這通常體現在三個層次：
風險規避： AI 可能會建議一個能帶來高成長但會造成嚴重資訊安全隱憂的功能。一個能解釋「為什麼我們要謹慎」的 PM，價值遠高於只會提升數據指標的 PM。
對齊效率： 利害關係人追隨的是邏輯，而非藍圖。AI 可以指引方向，但它無法建立說服團隊執行所需的社交資本。
幻覺過濾器： 如果你的解釋僅止於「數據這麼說」，卻不理解數據的來源與偏誤，這代表你尚未具備資深經理人的判斷力。
本質上，現在的面試考題依然圍繞著行為面、產品感與執行力。
Let’s 更具體地感受這種能力的差異，以下分享了三個面試場景。你會發現，高自主性（High Agency）的 PM 如何透過「解釋力」將平凡的問題轉化為展現「決策增量」的機會。
場景一：關於執行力與 AI 工作流 (Execution & AI Literacy)
問：你在日常工作中如何使用 AI？
一般答案： 「我會用 ChatGPT 來幫我寫 PRD 的初稿、潤飾電子郵件，或者總結會議紀錄，這幫我節省了很多打字的時間。」
具備決策增量的回答： 「我將 AI 定位為我的『數據預處理器』。例如，在處理上千則使用者負面回饋時，我先用 LLM 進行自動化叢集分析，識別出三個最核心的摩擦點。這讓我能多出整整一個下午的時間，去跟工程團隊討論如何調整現有的架構來解決這些問題，不需淹沒在標籤分類中。 我看重的是 AI 買回來的決策時間。」
場景二：關於產品感與 AI 進化 (Product Sense & AI Evolution)
問：你會如何利用 AI 改善我們的產品功能？
