Product manager spędza dużo czasu na pisaniu, spotkaniach i przenoszeniu informacji z jednego miejsca do drugiego. Narzędzia AI pomagają, przejmując część powtarzalnej pracy i pozostawiając trudniejsze decyzje oceniające człowiekowi.
To jest prawdziwa historia. Nie magia. Nie zastąpienie. Po prostu szybszy sposób na obsługę części pracy produktowej, która wymaga dużo czytania, tworzenia szkiców, sortowania i aktualizacji.
Jak wygląda praca przed AI
Product management to pełno chaotycznych danych wejściowych. Opinie klientów pochodzą z zgłoszeń w supportie, wywiadów, rozmów telefonicznych, logów czatu i dokumentów. Roadmapy żyją w jednym narzędziu. Notatki w innym. Decyzje ukrywają się w wątkach ze spotkań.
Ludzki PM musi przekształcić tę kupę w jasną pracę. Oznacza to podsumowanie opinii, pisanie specyfikacji, kształtowanie user stories, przygotowywanie aktualizacji i utrzymywanie zgodności zespołu. Żadna z tych czynności nie jest trudna w ten sam sposób, co programowanie kernela, ale są kosztowne pod kątem czasu i uwagi.
Tu pasują narzędzia AI. Są silne w kompresji. Potrafią przeczytać długi wątek, wyodrębnić tematy, stworzyć pierwszą wersję lub zamienić brudne notatki w ustrukturyzowany tekst.
Przydatny wzorzec: AI przejmuje pierwszy rzut
Najczystszy sposób myślenia o AI dla product managerów to maszyna do pierwszego rzutu. Może wykonać nudny rzut surowych materiałów. Potrafi sortować, grupować, podsumowywać i tworzyć szkice.
Ma to znaczenie, ponieważ praca produktowa zawiera dużo powtarzalnych ruchów. Zespół może zbierać wnioski klientów przez cały tydzień, a potem spędzać godziny na przekuwaniu ich w kosze. AI może pomóc sklastrować podobne opinie. Potrafi też zamienić ten klaster w listę szkicu tematów lub kandydujących funkcji.
Ten sam wzorzec pojawia się w specyfikacjach. PM często zaczyna od rozrzuconych notatek, potem pisze PRD, a następnie go poprawia po otrzymaniu opinii. AI może szybko stworzyć pierwszą wersję. Człowiek nadal sprawdza logikę, usuwa słabe twierdzenia i uzupełnia luki.
To moment, w którym wiele osób przesadnie reklamuje narzędzie. AI nie zna historii Twojego produktu, chyba że historia ta zostanie jej dostarczona. Potrafi wyprodukować płynną odpowiedź, która nadal jest błędna. Płynna błędna odpowiedź nadal jest błędna.
Dlaczego ludzie mówią o 10x
Sformułowanie „10x” jest zwykle nieprecyzyjne. Nie oznacza, że każdy PM otrzymuje dziesięciokrotność wyniku we wszystkich zadaniach. Oznacza to, że przesunięcia (bottlenecks) się zmieniają.
Przed AI PM mógł spędzić pół dnia na pisaniu aktualizacji statusu, kompresowaniu notatek ze spotkań lub przekuwaniu opinii w czytelne podsumowanie. Z AI pierwsza wersja może pojawić się w minutę. To zmienia kształt dnia. Zaoszczędzony czas nie eliminuje potrzeby podejmowania decyzji. Usuwa tylko część pisania i sortowania.
Dlatego też AI wydaje się najsilniejsza w warstwie administracyjnej pracy produktowej. Jest dobra w pracy, która otacza rzeczywistą pracę. Rzeczywista praca to decydowanie, co ma znaczenie, co należy zignorować i co zespół powinien zrobić dalej. AI nie posiada tej części. Tylko pomaga ją zasilić.
Mały przykład z rzeczywistego przepływu PM
Wyobraź sobie, że PM dostaje dziesięć komentarzy klientów dotyczących przepływu płatności. Trzej wspominają o wolnym ładowaniu. Czwórka wspomina o niezrozumieniu etapu płatności. Dwoje wspomina o brakującym Apple Pay. Jeden mówi, że strona wydaje się ciasna na urządzeniach mobilnych.
Bez AI PM czyta każdą notatkę, grupuje je i pisze podsumowanie. Z AI PM może wkleić notatki do modelu i otrzymać szkic taki jak ten: wydajność, klarowność płatności, luka w metodach płatności i problemy z układem na mobile. Ten szkic nie jest odpowiedzią. To ramka startowa.
Teraz PM może wykonać prawdziwą pracę szybciej. PM sprawdza, czy „wolne ładowanie” jest faktycznie problemem produktowym, problemem frontendu, czy skargą w supportie bez technicznych dowodów. PM może również zobaczyć, czy prośba o Apple Pay to jednorazowe zdarzenie, czy wzorzec wśród wielu użytkowników.
To jest właściwe użycie AI w product management. Wykonuje ona pierwszy rzut nad chaotycznym językiem. PM stosuje następnie kontekst.
Główne typy narzędzi i to, co robią
Różne narzędzia AI pomagają na różnych warstwach pracy.
Ogólni asystenci pomagają w badaniach, tworzeniu szkiców i redagowaniu. Są silni, gdy zadaniem jest przekształcenie brudnego tekstu w czystszy tekst. Słabi są, gdy zadanie zależy od firmowej pamięci, która nigdy nie została dostarczona.
AI wewnątrz dokumentów i tablic wspiera specyfikacje, podsumowania i strukturę. Jest przydatna, gdy praca zaczyna się w dokumencie i musi zakończyć w dokumencie.
AI note-takers pomaga na spotkaniach. Utrwalają to, co zostało powiedziane, i redukują obciążenie ręcznego notowania. Ale ktoś nadal musi decydować, co stało się decyzją, co stało się elementem action item i kto za to odpowiada.
AI wewnątrz narzędzi produktowych pomaga w pracy z backlogiem, grupowaniu pomysłów i porządkowaniu roadmapy. Tu narzędzie zbliża się do rzeczywistego systemu rejestracji danych. Ma to znaczenie, ponieważ im dalej AI jest od źródła prawdy, tym łatwiej o dryfowanie błędów.
Granice nie są małe
Narzędzia AI są szybkie, ale nie są świadome w ludzkim sensie. Nie wiedzą, która notatka wykonywana przez wykonawcę ma wagę, a która była tylko przelotną myślą. Nie wiedzą, kiedy skarga to szum. Nie wiedzą, kiedy prośba z roadmapy zrujnuje dostarczenie.
Tworzą też nowy tryb awarii. Wyszlifowany szkic może ukrywać słabą logikę. To niebezpieczne w pracy produktowej, ponieważ zła logika produktowa może wyglądać schludnie na papierze. Piękny tekst jest tani. Dobra ocena nie jest.
Istnieje też koszt przepływu pracy. Jeśli zespół trzyma decyzje w Slacku, dokumentach, spotkaniach i ticketach, AI potrzebuje dostępu do właściwego kontekstu. Bez tego zgaduje. A zgadywanie nie jest tym samym co zrozumienie.
Co naprawdę działa
Najlepsze użycie AI w product management jest wąskie i nudne. Działa najlepiej na wysokim wolumenie tekstu, powtarzalnych podsumowaniach, pierwszych szkicach i porządkowaniu przepływu pracy. Działa gorzej jako źródło prawdy lub jako decydent.
Brzmi to mniej dramatycznie niż pitch. Jest też bardziej szczere. Duża korzyść nie polega na tym, że AI zastępuje myślenie produktowe. Korzyścią jest to, że usuwa wystarczająco dużo powtarzalnej pracy, aby myślenie produktowe mogło nastąpić wcześniej.
Jeśli zespół PM dobrze używa AI, praca nie staje się fałszywa. Staje się mniej zatłoczona. Notatki szybciej zamieniają się w strukturę. Opinie szybciej zamieniają się w tematy. Specyfikacje zaczynają się od lepszego szkicu. Człowiek nadal musi oceniać kompromisy.
To jest praktyczna lekcja. Narzędzia AI mogą sprawić, że product managerzy będą znacznie szybsi, ale tylko w częściach pracy, które już są ukształtowane dla maszyn.
The Model Log jest zbudowany wokół tego samego pomysłu: jeden praktyczny koncept AI, jeden działający przykład i jedna szczera analiza tego, co naprawdę działa.



