はじめに：AIは「PMの仕事を奪う」より「PMの差を広げる」
生成AIが当たり前になってきて、PM（プロダクトマネージャー）の仕事も一気に変わりました。仕様書や要件整理、調査、UI文言案、バックログのたたき台…こうした作業はAIで速くできます。でもその分、何を作るか／なぜ作るか／どう勝つかの判断の質が、これまで以上にプロダクトの差になります。
この記事では、現場で本当に効く「AI時代に強いPMの必須スキル10」を、できるだけ親しみやすく、明日から試せる形でまとめます。
1. 問いの設計（Problem Framing）：AIに投げる前に「何を解くか」を決める
AIを使うほど大事になるのが問いの立て方です。曖昧な問いは、曖昧な答えしか返しません。PMの価値は、最初の「問題の切り方」に出ます。
- 悪い例：解約率を下げたい。何か施策案ちょうだい。
- 良い例：新規ユーザーの初回価値体験（TTV: Time to Value）が長い。オンボーディングのどこで離脱しているか、仮説を3つに分解して検証計画を作りたい。
AIには「背景」「制約」「成功指標」「対象ユーザー」をセットで渡すのがコツです。
2. AIリテラシー（できる・できないの見極め）：期待値を正しく持つ
PMが最低限押さえたいのは、LLM（大規模言語モデル）は“それっぽい文章”を作るが、真実を保証しないという点です。いわゆるハルシネーション（もっともらしい誤り）と、学習データ由来のバイアスは実務で必ず踏みます。
加えて、最近はテキストだけでなく画像・音声・動画も扱うマルチモーダルが一般化し、RAG（検索拡張生成）やエージェントなど構成も複雑化しています。全部を実装できなくても、概念として説明できるだけで会話の解像度が一気に上がります。
3. データ思考（指標設計と計測）：AIプロダクトは「測れないと育たない」
生成AIは出力が揺れるため、従来よりも「良さ」を定義しづらいです。だからこそPMは指標（KPI）と評価設計を握る必要があります。
- プロダクトKPI：継続率、解約率、NPS、TTV、機能別利用率など
- AI品質指標：正確性（正答率）、有用性、再現性、毒性、コスト（$ / リクエスト）、レイテンシ（応答時間）
- 運用指標：失敗率、エスカレーション率、人手レビュー比率
具体的には、Amplitude / Mixpanel、BigQuery、Looker、PostHogなどの分析基盤と、評価ログ（プロンプト・コンテキスト・出力・ユーザー反応）を結びつけて「改善ループ」を回せるようにしておくと強いです。
4. 仮説検証の高速化（Experimentation）：AIを“壁打ち役”にして検証の回転数を上げる
AI時代のPMは、アイデアの量ではなく検証の速さで勝ちやすくなります。AIはリサーチの要約、競合比較の整理、ユーザーインタビューの質問案、PRD（要件定義）のたたき台など、前工程を一気に短縮できます。
