Google AIプロダクトマネージャー面接体験記：技術理解と製品思考のデュアル評価

背景紹介

まず私の経歴から話させてください。トップ大学の管理学部を卒業し、修士ではインタラクションデザインを専攻、卒業後はインターネット企業で2年間プロダクトマネージャーとしてAI方向の製品に携わりました。スマートカスタマーサービスからAIライティングアシスタント、ナレッジベースQ&Aまで、AIプロダクトの概念から実装までの全過程を経験しました。今年の初めに転職活動を始め、DeNAのAIプロダクトマネージャーポジションは私が最も獲得したいポジションでした。DeNAはAIとプロダクトの融合において常に優れており、プロダクトマネージャーの発言力も大きいからです。

採用ページから「AIプロダクトマネージャー」のポジションに応募し、約1週間後にHRから連絡があり面接の日程調整がありました。全体のプロセスは3回の面接で、一次はAI技術理解、二次はプロダクトデザインケース、三次は戦略的思考、さらにHR面接が1回ありました。約3週間で完了しました。AIプロダクトマネージャーの面接は純粋な技術職とは異なり、技術理解とプロダクト思考の組み合わせをより重視し、コードが書けるかではなく、AI技術を価値あるプロダクトに変換できるかを評価します。

面接プロセスの振り返り

一次面接：AI技術理解（約60分）

一次面接の面接官はAIチームの技術リードでした。冒頭で「プロダクトマネージャーがAI技術をどの程度深く理解しているかを見たい」と言われました。正直、少し緊張しましたが、予想されていました。

1. 大規模言語モデルの基本原理

大規模モデルがどのように動作するかを平易な言葉で説明するよう求められました。「次のトークンを予測する」という核心概念から始め、TransformerのSelf-Attentionメカニズムがコンテキスト関係をどのように捉えるか、事前学習とファインチューニングの違いについて説明しました。面接官はいくつか追問しました：

- 大規模モデルに「創発能力」があるのはなぜか？パラメータ数が一定の規模を超えると、推論やコード生成など、以前はなかった能力を突然獲得すると説明しました。しかし、この現象にはまだ良い理論的説明がありません。

- 大規模モデルの限界は何か？ハルシネーション、知識の更新の遅れ、限られた推論能力、真の理解の欠如などを挙げました。

2. RAGとファインチューニングの違い

プロダクトマネージャーが理解すべき概念です。例えを使って説明しました：ファインチューニングはモデルに「授業を受ける」ようなもので、特定の分野でより専門的にするもの、RAGはモデルに「持ち込み可の試験」のようなもので、外部資料を参照できるようにするものです。面接官はそれぞれの適用シナリオについて追問し、ファインチューニングはスタイルと形式が固定されたタスクに適し、RAGは最新情報と知識集約的なタスクに適すると答えました。

3. 大規模モデルの効果をどう評価するか

非常に実践的な問題です。自動評価（BLEU、ROUGE、BERTScore）と人手評価の2つの方法、およびLLM-as-Judgeのアプローチについて言及しました。面接官はプロダクトマネージャーがどの指標に注目すべきかを追問し、モデル自体の指標以外に、ユーザー体験指標、例えばタスク完了率、ユーザー満足度、使用頻度などにより注目すべきだと答えました。

4. AIプロダクトの倫理問題

AIプロダクトにおけるバイアスとプライバシーの問題をどう扱うかについて質問されました。データ監査、公平性テスト、ユーザーのインフォームド・コンセント、データ最小化の原則などを挙げました。面接官は具体的なシナリオを提示し、特定のグループでモデルのパフォーマンスが明らかに悪い場合、プロダクトマネージャーとしてどうするかを追問しました。まず差異を定量化し、原因を分析し（データバイアス？モデルバイアス？）、改善計画を策定し、同時にプロダクトレベルでリスク警告を行うと答えました。

5. 技術判断問題

3つのプロダクト要件が与えられ、どれが大規模モデルに適し、どれが従来の方法に適するかを判断する問題。3つの要件は：スマート要約、正確な計算、感情分析。スマート要約と感情分析は大規模モデルに適し、正確な計算は適さないと答えました（大規模モデルは数学演算が苦手で、計算ツールを使うべき）。面接官はユーザーが大規模モデルで計算したいと主張したらどうするかを追問し、Function Callingで外部計算ツールを呼び出すことで解決できると答えました。

一次面接は全体的にまずまずでした。技術理解は十分に準備していましたが、面接官の追問は確かに深く、形式的な面接ではありませんでした。

二次面接：プロダクトデザインケース（約75分）

二次面接はプロダクト部門のディレクターで、この面接は完全にプロダクトデザインを中心に展開され、最も挑戦的だと感じた面接でした。

1. AIライティングアシスタントを設計する

この面接の核心的なケースです。面接官は0から1でAIライティングアシスタントを設計するよう求めました。以下のフレームワークで展開しました：

- ユーザーペルソナ：オフィスワーカー、学生、コンテンツクリエイター

- コアシナリオ：ビジネス文書、論文の推敲、クリエイティブライティング

- 機能設計：スマート続行、スタイル調整、文法修正、構造最適化

- 技術アプローチ：LLM + RAG + プロンプトエンジニアリング

- 差別化：垂直シナリオの最適化、パーソナライズされたスタイル学習

面接官は多くの詳細について追問しました：

- 「画一的な」問題をどう処理するか？パーソナライズされたプロンプトテンプレート、ユーザーの執筆スタイル学習、多様性サンプリングパラメータの調整を挙げました。

- プロダクトの効果をどう測定するか？ユーザーリテンション、執筆効率の向上、ユーザー満足度調査、A/Bテストを挙げました。

- 価格設定はどうするか？Freemiumモデルで、基本機能は無料、高度な機能（スタイル学習、長文執筆）は有料としました。

2. 競合分析ケース

Notion AIとDeNAのスマートアシスタントの製品差異を分析するよう求められました。機能カバレッジ、技術アプローチ、ユーザー体験、ビジネスモデルの観点から比較しました。面接官はDeNAのプロダクトマネージャーとしてNotion AIにどう対抗するかを追問し、DeNAの協調の利点を活かし、エンタープライズシナリオを深耕し、差別化されたAI機能を作ると答えました。

3. データ駆動意思決定ケース

AIカスタマーサービスプロダクトのデータセットが与えられ、使用率、満足度、解決率などの指標を含み、問題を分析して改善案を提案するよう求められました。使用率は高いが満足度が低いことを発見し、需要はあるが体験に問題があることを示しています。考えられる原因：回答の不正確さ、応答速度の遅さ、複雑な問題の処理不能。改善案：プロンプトの最適化、人間への転送追加、RAGの導入による精度向上。

4. AIプロダクトのコールドスタート問題

AIプロダクトのコールドスタート問題をどう解決するかについて質問されました。事前学習モデルの汎用能力をベースラインとして活用、シードユーザーによる迅速な反復、ガイド付きインタラクションで嗜好を収集、既存プロダクトとの統合でトラフィックを獲得するなどの戦略を挙げました。

二次面接はプロダクト思考を最も試されるラウンドでした。面接官の追問は非常に鋭く、すべての設計決定にはデータと論理的裏付けが必要でした。

三次面接：戦略的思考（約60分）

三次面接はビジネスラインのVPで、この面接はより戦略的で、業界への洞察と長期的な思考能力を評価するものでした。

1. AIプロダクトの堀はどこにあるか

非常に鋭い質問です。大規模モデル自体は堀ではないと答えました。技術は収束するからです。本当の堀は：データフライホイール（ユーザーの使用がデータを生み、データがモデルを改善し、モデルがユーザーを引き付ける）、シナリオの障壁（特定のシナリオの理解とデータの深耕）、エコシステムの障壁（既存プロダクトとの深い統合）。面接官はDeNAのAIプロダクトがどう堀を築くべきかを追問し、ソーシャルとコンテンツエコシステムの利点を活かし、シナリオベースのAIプロダクトを作ると答えました。

2. AIプロダクトの商業化パス

AIプロダクトのいくつかの商業化モデルを分析するよう求められました。API呼び出し課金、SaaSサブスクリプション、付加価値サービス、広告などのモデルとそれぞれの長所短所を挙げました。面接官はどのモデルがDeNAに最も適しているかを追問し、DeNAの利点はユーザー規模とエコシステムにあり、「無料+プレミアム」のルートを取り、AIで既存プロダクトの価値を高め、高度な機能で課金すべきだと答えました。

3. AIがプロダクトマネージャーの役割に与える影響

AIがプロダクトマネージャーに取って代わるかどうかについて質問されました。AIはプロダクトマネージャーの働き方を変えるが、代替はしないと答えました。プロダクトマネージャーの核心的な価値は、ユーザーニーズの理解、プロダクト方向の定義、リソースの調整にあり、これらはAIにはできないことです。ただし、プロダクトマネージャーはAIツールを使って効率を上げることを学ぶ必要があります。

4. 戦略的決定ケース

会社がAI検索プロダクトを作ることを決定したと仮定し、プロダクト戦略を策定するよう求められました。市場分析（Perplexity、Bing Chatとの競争）、差別化されたポジショニング（エコシステム+検索）、プロダクトロードマップ（MVP→最適化→拡張）、リソース計画の観点から戦略を策定しました。面接官はエコシステム+検索の差別化方向に興味を持っており、DeNAのエコシステムを活用してAI検索を行う方法について議論しました。

5. AI業界の将来についての見解

オープンエンドの質問で、Agent化（ツールからアシスタントへ）、マルチモーダル融合、AIネイティブアプリケーション、エッジAIのトレンドについて議論しました。面接官はAIネイティブアプリケーションに興味を持っており、真のAIネイティブプロダクトとは何か——既存プロダクトにAI機能を追加するのではなく、AI能力から出発してプロダクト体験を再設計すること——について議論しました。

三次面接は雰囲気が良く、面接官の視野は広く、議論の内容は深いものでした。テストされているというより、業界の方向性を一緒に探求しているように感じました。

実際の面接問題

一次面接：

1. 大規模モデルの基本原理と限界

2. RAGとファインチューニングの違いと適用シナリオ

3. 大規模モデルの効果をどう評価するか

4. AIプロダクトの倫理問題

5. 技術判断：どの要件が大規模モデルに適しているか

二次面接：

1. 0から1でAIライティングアシスタントを設計

2. 競合分析：Notion AI vs DeNAスマートアシスタント

3. データ駆動意思決定ケース

4. AIプロダクトのコールドスタート戦略

三次面接：

1. AIプロダクトの堀はどこにあるか

2. AIプロダクトの商業化パス

3. AIがプロダクトマネージャーの役割に与える影響

4. 戦略的決定：AI検索プロダクト戦略

5. AI業界の将来についての見解

心得とアドバイス

1. 技術理解はAIプロダクトマネージャーの基本

AIプロダクトマネージャーは純粋な管理職ではありません。正しいプロダクト決定を下すために、AI技術について十分に深い理解が必要です。コードを書く必要はありませんが、大規模モデルの能力の境界、RAGとファインチューニングの違い、プロンプトエンジニアリングの技術などを理解する必要があります。

2. プロダクト思考とデータを組み合わせる

面接でのすべての設計決定にはデータと論理的裏付けが必要で、直感だけでは不十分です。データ分析のケースを事前に準備し、データ駆動の意思決定能力を示すことをお勧めします。

3. 業界の動向に注目する

AI業界の変化は非常に速く、面接官は業界トレンドの理解をテストします。業界レポート、競合動向、技術進歩に注目し、自分なりの判断を形成することをお勧めします。

4. プロダクト決定を説明できるように準備する

面接官はどんなプロダクトを作ったかだけでなく、なぜそうしたかを知りたがります。すべてのプロダクト決定について、ユーザーインサイト、データに基づく裏付け、トレードオフ分析を明確に説明できなければなりません。

FAQ

Q：AIプロダクトマネージャーの面接に技術的背景は必要ですか？

A：必須ではありませんが、確実にプラスになります。より重要なのは、AI技術の理解の深さと技術をプロダクトに変換する能力です。

Q：プログラミング問題はありますか？

A：ありません。ただし技術判断問題があるかもしれません。ある要件にどの技術アプローチが適しているかなど。技術の適用限界を理解する必要があります。

Q：AIプロダクトの経験がなくても面接を受けられますか？

A：はい、少なくともAI関連プロダクトの使用経験とAI技術の理解が必要です。AIプロダクトの競合分析を行うことをお勧めします。

Q：DeNAのプロダクトマネージャー面接は他社とどう違いますか？

A：DeNAはプロダクト思考とユーザーインサイトをより重視します。ただし技術理解も重視されます。

Q：面接結果はどのくらいで出ますか？

A：各ラウンドの後2〜3日で結果が出ます。全体のプロセスは2〜3週間です。面接の効率はかなり良いです。