在專案管理中,經驗通常是資產。但有時候,經驗也會變成盲點。
尤其當團隊面對一個「看起來很熟」的需求時,最危險的往往不是我們不懂,而是我們太快以為自己已經懂了。
因為完全不懂,我們至少會知道要問問題、找資料、請教專家、安排驗證。
但當我們都以為自己已經懂了,就容易忽略一些應注意而未注意的細節。
這種「以為自己很懂」的狀態,常常會讓團隊忽略需求背後的前提、規格背後的使用情境,以及測試條件與真實環境之間的落差。
我在前幾篇文章中,陸續談過如何看見需求背後的需求、如何看見需求背後的假設,以及如何看見需求背後的風險。
這篇文章想進一步談另一個 PM 很常遇到、但不一定容易察覺的問題:
過去經驗本身,也可能成為一種專案盲點。
因為很多專案問題,不是發生在團隊完全不知道的地方,而是發生在團隊以為自己已經知道的地方。
「以為自己很懂」的潛在風險
我與團隊多年前就曾經踩過類似的坑。
當時我們在執行一個家用智慧門鈴產品的 ODM 專案。客戶要將這個 doorbell 產品用在南美洲國家的豪宅前後門,作為居家監控的一部分。
在規格中,客戶要求: Night Vision distance must reach 30 meters.
也就是夜視距離需要達到 30 公尺。
對一個有監控產品經驗的團隊來說,這個要求乍看之下並不陌生。
Camera 要具備夜視功能,基本上就是搭配合適的 image sensor、IR LED、鏡頭、曝光設定與影像處理。過去做過類似產品的人,很容易會直覺判斷:這不是什麼特別新奇的需求。
但問題也正是從這裡開始的。
我們不是完全不懂 night vision。
相反地,我們正是因為過去做過、測過、看過,所以反而沒有在一開始就把這個需求拆得更細,去確認它背後真正成立的前提。
該專案在執行過程中雖然遇到不少其他問題,但沒有一個重大問題是發生在 night vision 上。
直到樣品 送到南美洲客戶手上後,才發現夜視功能出了大問題。
在一次線上會議中,客戶直接播放了一段測試影片,畫面幾乎一片黑暗,然後問我們:
「為什麼這個 night vision 在 5、6 公尺以外就看不到東西?我們的規格要求是 30 公尺。」
在台灣這頭的我們,全場你看我、我看你,大家都一頭霧水。
因為樣品寄出前,我們在台灣端測試過,結果是可以接受的。
一開始,大家甚至懷疑是不是設備或元件在寄送過程中受到損傷。
但如果是運送造成的損傷,也不太可能所有樣品都出現類似問題。更何況,其他功能都正常。
後來我們一群人討論了很久,才逐漸發現真正的問題:
客戶的測試環境,和我們在台灣模擬的測試環境,有著極大的差異。
為了測試距離,雙方的確都是在戶外測試。
但最大差異在於,客戶家後院的「空曠」,和我們在台北市區內找到的「空曠處」,完全不是同一回事。
紅外線雖然是 camera night vision 常見的補光方式,但它本質上仍然是一種光源。
既然是光源,就需要有物體反射,或是有其他環境光源輔助,影像才會看得清楚。
客戶家的後門外,是一大片非常空曠的花園。除了靠近門口處有一盞小燈外,幾乎沒有其他光源。出了後門就是大片草皮,沒有牆面、車輛、建物或其他足夠近的實體物件可以反射 IR 光源。
所以客戶看到的,就是一片黑暗。
但我們在台灣端的測試環境,即使是在戶外空曠處,附近仍然有路燈、建築物、牆面、地面反射、街道照明與各種環境光。
這些我們習以為常的條件,都默默幫 night vision 補上了很多我們沒有意識到的前提。
所以我們在台灣看到的,是相對清楚的夜視影像。
客戶在南美洲豪宅後院看到的,卻是 5、6 公尺外幾乎無法辨識的黑暗畫面。
最後,這個案子透過雙方協商找到折衷方案後解決了。
但增加的工時、設計調整、驗證重做、成本上升,一樣也沒少。
規格沒有錯,錯的是我們沒有問清楚規格成立的前提
回頭看,這不是單純的技術問題。
「夜視距離 30 公尺」這個規格本身看似清楚,但它其實隱含了很多沒有被寫出來的前提。
例如:
這個 30 公尺,是在哪一種環境下成立?
是完全黑暗,還是有環境光?
是室內長廊、半開放式車道,還是完全開放的後院花園?
場景中是否有牆面、地面、車輛、植栽、建物或其他可反射 IR 的物件?
客戶要的是「看得到有人」,還是「看得清楚人臉」?
測試標準是 subject visible、face recognizable,還是 image usable?
前門與後門的環境是否相同?
白天與晚上、晴天與雨天、乾燥與高濕環境下,影像品質是否仍可接受?
我們當時驗證的是:
在台灣常見戶外環境下,IR LED 是否能讓影像看得足夠遠。
但客戶真正需要的是:
在南美洲豪宅後院那種大面積空曠、低反射、低環境光的場景下,仍能看清楚。
這兩件事完全不同。
而這就是專案中很常見的問題:
團隊以為自己在驗證同一個需求,但其實雙方心中的使用情境完全不同!
如果當時有 GenAI,可以怎麼協助?
如果當時有 GenAI 協助,即使它可能還是不會很神奇地直接告訴我們:
「客戶後院是一大片空曠花園,所以 30 公尺夜視會失效。」
AI 不會知道它沒有被告知的現場資訊。
但如果我們把一些關鍵情境納入 context 來問 AI:
「我們正在開發一款 smart video doorbell,客戶要用於南美洲豪宅的前後門居家監控。其中一項規格要求 night vision distance must reach 30 meters。請幫我檢查這個規格背後可能隱含哪些假設、哪些使用情境需要與客戶確認,以及哪些測試條件應該納入驗證計畫。」
這時候,AI 就可能提醒我們:
- 夜視距離不只取決於紅外線 LED 夠不夠亮。
- 它還取決於現場是不是完全黑暗?
- 附近有沒有牆面、地面、車輛、建物或植栽可以反射紅外線?
- 要看的目標離鏡頭有多遠?
- 攝影機裝在什麼高度與角度、鏡頭在弱光下看得清不清楚?
- 紅外線照出去的方向和範圍是否剛好涵蓋要看的地方?
這些條件只要和原本測試環境不同,所謂「夜視 30 公尺」的效果就可能完全不同。
這些提醒雖然不是直接給出答案,但它可以讓 PM 更早意識到:
這個規格不是只有硬體能力問題,而是使用情境問題。
這也是我在前幾篇文章中一直強調的,使用 AI 不是只靠把 prompt 寫得很長,而是要把問題框得準,並將 context (使用情境)建構得夠完整,讓 AI 有足夠資訊往對的方向回饋問題。
只要 PM 早一點意識到這件事,就可以早一點回頭問客戶:
「你們所說的 30 公尺夜視,是指在什麼樣的場景下?前門與後門是否都有照明?後院是否有牆面或其他反射物?你們希望看到的是訪客輪廓,還是要能辨識臉部?」
這幾個問題如果在設計定案前問出來,後面可能就不需要付出那麼高的重工成本。
AI 的價值,不是幫 PM 裝懂,而是幫 PM 發現自己可能還不夠懂
使用 AI 產出文件、寫需求規格、整理會議記錄、產生專案計畫、改寫客戶 email,或做一份簡報大綱,當然都是 AI 很能發揮的地方。
但對專案管理來說,AI 更大的價值是協助 PM 避免經驗可能帶來的盲點。
經驗是資產,但它也可能讓團隊把「某個情境下成立的判斷」,誤以為是「所有情境都成立的事實」。
我們過去做過類似的產品,這次真的也差不多嗎?
我們過去在台灣測過類似環境,換到南美洲客戶的實際場域後,條件真的還一樣嗎?
我們以為自己已經驗證過的規格,驗證的到底是規格本身,還是只是驗證了我們熟悉的測試情境?
這些問題,才是 PM 更應該拿來問 AI 的地方。
因為 AI 不一定比 PM 更懂產品,也不一定比工程師更懂技術。
但只要我們提供足夠清楚的 context,它可以協助我們從不同角度重新檢查需求、拆解假設、挑戰既有判斷,並提醒我們哪些看似理所當然的地方,其實還需要回頭跟客戶確認。
過去經驗仍然重要。
但在新的客戶、新的市場、新的使用場景中,過去經驗不能直接被當成答案,而應該被拿來重新檢查。
所以,PM 使用 AI 時,不要只問:
「請幫我把這份文件寫得更快。」
更應該問:
「請幫我看見,哪些我以為懂了的地方,其實還沒有被充分驗證。」
這才是 AI 對 PM 真正有價值的地方。
不是取代 PM 的經驗,而是幫 PM 看見經驗的邊界。
