專案目標：從不可能的文化中創新，在硬體大廠裡闖出一個 AI SaaS
這家公司近40年的商業模式都以硬體為主：螢幕、投影機、電子白板、數位看板…，在公司唯一的純軟體研發部門，肩負用軟體做數位轉型的使命本身就充滿挑戰，本作品為擔任一人產品設計師負責 0-1 產品設計 ，以美國市場為目標、台灣與英國市場試點，並最後在美國和台灣驗證 MVP 的過程。本作品以「產品迭代過程」為時間軸，描述在新創團隊下，橫跨研究到介面的設計歷程。
老師對班級經營的無力感：課堂裡的沉默
K-12 課堂缺乏彈性的齊頭式教育
一個三十位學生的美國課堂，本質上是一種「一對多廣播」。老師在台上講，大部分學生的個別狀況在當下難以看見——即便老師在乎，但在結構上就沒有辦法照顧到每一個孩子。
從真實數據來看，學生如何從學習進度上脫軌的惡性螺旋
- 教師過勞：33% 的教育工作者被行政雜事壓到沒辦法做一對一輔導。
- 學生孤立：19% 的學生從頭到尾都在沉默中學習，從沒得到任何個人化的引導。
- 信任斷裂：25% 的學生跟學校裡的大人沒有任何真實連結，導致他們遇到困難也不會開口求助。
第一個假想：讓老師的教學「廣播」到全班，每個學生都有專屬 AI Agent
過去的課中評量 (formative assessment) 是這樣運作的：老師出一道題，全班作答，老師得到的是一個平均分數——看到的是「整體」，看不見每個學生卡在哪。或是要下去巡堂一個一個收集 feedback。
我們的假設是：用 AI 把個人化教學規模化。老師一鍵廣播給全班；每個學生各自跟 AI 互動作答；AI 根據學生程度自動把全班狀態分組，把需要介入的學生回傳給老師——讓花時間的 1 對 1 個別指導，放大到 1 對 30 的課堂情境，來達成 AI 介入的差異化教學。
| 階段 | AI 媒介邏輯 | 教育價值 |
|---|---|---|
| 1 評量建立 | 根據教學課綱與使用者輸入的學習目標，建立習題。 | 符合政府規範的課綱範圍、增進產題精準度。 |
| 2 學生互動 | 聊天機器人：老師派發可回家邊討論邊寫作業的個人學伴。 | 確保教學安全，避免 AI 亂說話、並給予循循善誘的思辨過程。 |
| 3 洞察與介入 | 3x3 矩陣分析：自動把學生按概念與程度分成九個群組，幫助老師掌握全班概況 | 在不加重老師負擔的前提下，把分組差異化教學規模化。 |
在第一輪的 PoC 中，我們花了 2 個月從需求規劃到開發完此平台，下圖為第一輪 PoC 的核心步驟的介面設計。
從驗證中快速失敗，找到真正方向
第一輪 PoC 與行銷、業務團隊合作「AI Lab 」 的使用者測試計劃，從線下 Seminar 到問卷計畫等方式收集回饋數據，主要測量： 對話介面(基於SASSI), AI Trust (根據論文框架提取 8 題), NPS, CSAT (針對主要任務)
因不熟悉各國的教育文化差異，我們在產品方向擬定踩了不少坑，並逐步收斂產品方向。
| 迭代 | 假設 | 發現的問題 | 轉型方向 |
|---|---|---|---|
| 假設 1 | 課後評量：課後驗證理解的測驗工具。 | 摩擦太高：學生覺得被過度測試；老師覺得負擔更重。沒有即時回饋，參與度很低。 | 從「課後測驗」轉向「課中互動」，在當下抓住學習參與狀態。 |
| 假設 2 | 主題洞察：依主題把學習表現分群的儀表板。 | 可操作性太低：需要產品範疇外的學生平台生態才能支撐。 | 從「數據視覺化」轉向「可執行教學建議」，用 LLM 對學生即時分組並直接給出介入方向。 |
| 假設 3 | 3x3 精細矩陣：用九宮格（高／中／低）分類學生。 | 訊號雜訊比太差：AI 限制——對話數據結構太鬆散，準確做三級分類根本辦不到。 | 優化為 2 個層級：優先主題 × 二元分層（萌發理解 × 深度掌握），確保高風險介入的精準度。 |
下圖為 AI 根據學生互動結果，產生的「學習洞察報告」，此介面透過英國、美國、和台灣的教師同事透過訪談與易用性測試，討論迭代了無數次，才找出一目瞭然、兼顧班級與差異化學習、與符合公司商業策略的呈現方式。
從概念驗證到市場實務的校準
經過前面為期一個月的 Pilot Program 市場測試，我們將實測結果歸納為三大關鍵挑戰與兩項突破機會：
挑戰
- 使用情境碎片化：課前、課中、課後的情境邊界模糊，用戶搞不清楚什麼時候用這個產品。
- 市場飽和： AI「測驗」和「練習」工具滿坑滿谷，都已經有成熟競品。
- 數據拓展性問題： 美國各州課綱太碎，要爬取穩定的知識點資料並建 RAG 架構，時間成本過高。
機會點
- 政策與預算轉向：美國政府教育補助政策出現有利的調整，創造了入場時機。
- 「洞察」的需求穩健： 只要內容夠具體、夠好整合，老師對數據驅動洞察的需求並不會消失。
探索性使用者研究：用最少的研究資源錨定產品 PMF
因應第一輪的測試結果，公司決定用「個人化教學」與「輔導」為作為定位。而作為產品團隊，此階段目標是儘快從不同管道拼湊出市場的真實樣貌——政策文件、教師訪談、現場觀察，等各種能用的方法。目標是在最短時間內找到高影響力的痛點，讓 0-1 的產品軌跡有市場依據。
| 研究專案 | 方法 | 洞察 (Finding) | 對設計的影響 |
|---|---|---|---|
| 政策與生態系統圖譜 | 桌面研究：把複雜的美國教育系統（MTSS、ESSA、SEL…）、輔導系統的關係整理清楚。 | 發現輔導介入在教育系統歷程中需要與專家高度配合，並不適合產品化。 | 放棄以輔導為主的價值主張與預算項目 |
| 課堂活動習慣 | 訪談與例行田野觀察：跟老師和美國業務代表一起討論，找出課中的使用時機。 | 發現 Exit Ticket 的教學習慣 | 功能整合：引入符合課程標準的「學生評量(Exit Ticket)」功能。 |
| B2B 利害關係人圖譜 | 利害關係人訪談：分析「班級—學校—學區」三個層級對 AI 的認知與疑慮。 | 理解使用者(學校教師) vs. 買方(校區)的差異，尤其是採購政策的規範 | 區分買家和使用者的考量，並滿足採購規範要求之功能 |
| 跨文化易用性測試 | 易用性測試：請老師評估三個的 AI 建議報告的測試原型，取得呈現方式優缺點。 | 發現台美教師在AI 報告的偏好差異：台灣老師重視延伸教材(練習)，美國老師重視學生自主表達空間與分組策略。 | AI 使用方式，從「差異化練習」轉向「學生賦能」；以符合美國市場情境 |
資訊架構設計
老師在課堂中最在意的就是能即時管理課堂節奏、並得知學生學習反應
為了符合老師的教學互動需求，我定義以「對話(Talk)」為整個系統的基礎單位，我設計了一套能處理老師、學生和 AI 之間非同步互動的可擴展流程，讓 PM、設計師、工程師能夠基於同樣的資料生命週期來設計產品
這個核心邏輯貫穿整個系統，包含網站地圖、權限設計，一路貫穿到最終 UI 版面設計。
設計亮點
建立：從情境出發的 Talk 建立流程
- 基於訪談，梳理出課堂情境的三種高頻使用範本，「範本優先」的邏輯降低了決策摩擦，也確保每種範本都有對應的 AI Prompt 結構、輸入邏輯和洞察目標
- 針對非母語學生（如墨西哥裔或移民）和雙語課程，提供不同的語言選項。
聊天機器人設定頁
- 教育標準 RAG 數據分析：系統自動從上傳的 PDF 擷取教育標準，並生成聊天機器人描述，不需手動輸入
- 即時預覽：當老師填完後，可在正式開課前就能確認 AI 的人設和邏輯有沒有跑偏
- 非同步更新：為了不讓老師在來回調整時，被許多 AI 運算卡住 UI 操作，此處在操作時不做整頁鎖定，而是讓資料庫更新時的個別讀寫限制反映到介面上
包容且安全的學生互動體驗
- 雙語支援：「快速切換」語言功能讓學生用自己熟悉的語言互動。
- 即時防護：整合 AI 監控機制，自動偵測 18 種敏感話題，並立刻通知老師，讓老師可以即時介入
- 回覆引導：針對學生表達與打字能力的弱項，每則回覆皆有引導選項，快速表達現況
即時對話紀錄：老師不用中斷學生練習，就能即時得知全班狀態
- 儀表板提供即時對話動態，讓老師在不中斷學生練習的前提下，感知現場狀況；AI 自動彙整防護觸發事件，並擷取關鍵學生語錄，直接凸顯學習落差在哪裡。
- 針對每位學生，提供誤解觀念、感興趣話題建議
在介面之外的體驗 — 教育 UX 寫作指南
當時最難的部分之一，其實是「AI 要怎麼說話」這件事。我跟一位美國教育學博士合作，基於 NN/g 的準則建立了整套 UX 寫作框架，作為 AI 人設與安全性的基礎：
- 教學語調策略：策略性地在鼓勵性和權威性語調之間切換，有效引導學生學習。
- 使用者專屬調整： 針對老師和學生的不同互動情境，分別訂製詞彙和語調細節。
- 互動防護措施： 定義溝通邊界和「禁區」，確保 AI 在對話中的安全性和專業性。
- 語言標準：統一整理全產品的語音語調形容詞，以及術語表。
產品市場契合度 (Product-Market Fit) 驗證
我們想驗證的假設 (expected quotes)
- 滿足差異化學習需求：「以前，我的教學方式沒辦法有效照顧到落後的學生。ChirpAI 給了我一個具體的管道來補這個缺口。」
- 賦能以學生為中心的教學：「聊天機器人引導我說出自己的想法，讓我感覺真的被聽見了。」
招募與研究方式
美國（目標市場）：
- 透過線上研討會、現場教師培訓、產品展示，以及 ViewSonic 美國教育者社群招募參與者。
- 從最初的 49 位參與者裡，篩出 10 份有效樣本（3 位線上、7 位現場），涵蓋 IT 專家和教育工作者。
台灣（試點市場）：
- 以貴族學校、採用美式教育的國際雙語學校為主，以現場拜訪和線上活動的方式招募。
美國使用者驗證結果（3 位線上 + 7 位現場）
透過結構化訪談與概念測試，我們量化了產品在三個關鍵維度的影響：
- 10/10 試驗意願：所有受訪的美國學校行政人員都承諾願意試點，代表產品在 AI 的隱私與風險控管，已達成能給兒童使用的目標。
- 6/7 採購推薦：試驗教師有高度意願向校方倡導機構採購，在 B2B 銷售流程中，校方願意採購比老師願意使用更重要。
- 9/10 效率提升：針對同意 ChirpAI 大幅降低了教師的行政負擔量表，使用者給出 9 分（1-10 分）。
訪談摘錄
- 既有 ViewSonic 客戶很在意學生數據整合的潛力，以及未來跟現有解決方案串接的可能性。
- 非 ViewSonic 客戶，對這個產品有意願的程度比起既有客戶更高，顯示產品幫公司以軟體擴張市占的潛力。
為什麼他們選 ChirpAI 而不是 ChatGPT ?
跟一般聊天機器人不一樣，這個平台讓老師能即時管理和監控 AI 與學生的互動——營造出一個安全、符合教學規範的環境。
以使用者體驗驅動產品冷啟動：台灣教育市場試點
陌生開發：產品團隊透過 Cold email 與校際推薦，尋找潛在合作客戶
產品導入：現場展示後，一間學校老師下週就拿產品來上課；另一間則詢問大規模的教師培訓。顯示導入成本低且符合需求
規模化變現：協助團隊順利拿下包含 3,000 名學生的校區訂單，證明了設計具備規模化（Scalable）的商業價值
致謝
這段 0 到 1 的旅程是我做過最有重量的產品。能從研究階段就全程主導整個使用者體驗的塑造，是很難得的機會。深深感謝我的 PM Abbie 陪伴我度過那些深夜的腦力激盪與掙扎。
