TL;DR
- AI już teraz automatyzuje większość pracy product leadera — od tworzenia treści marketingowych, przez analizę feedbacku, po pisanie dokumentacji produktowej
- ChatGPT Operator może automatycznie przekształcać feedback użytkowników w user stories i zlecać je inżynierom w Linearze
- Deep Research pozwala w minuty przeprowadzić dokładną analizę konkurencji i rynku, która tradycyjnie zajmowała dni lub tygodnie
- Najskuteczniejsze podejście do AI to nie zastępowanie człowieka, lecz budowanie produktów, gdzie AI wykonuje powtarzalne zadania, a ludzie zajmują się strategią
- Klasyczne chat-interfejsy to nie jedyna (i często nie najlepsza) forma produktów AI — większą wartość mogą mieć produkty działające autonomicznie
Encrypted Notes to seria, w której dzielę się notatkami i przemyśleniami z wartościowych materiałów, na które trafiam. To przede wszystkim moje własne notatki, które robię dla siebie, ale uznałem, że mogą przydać się również Tobie. Dzisiaj skupię się na rozmowie Petera Yanga z Yaną Welinder, założycielką Kraftful, platformy AI, która pomaga zespołom produktowym analizować feedback użytkowników.
90% pracy product leadera już przejęło AI
„At this point I’m not actually doing anything without AI” — Yana Welinder, Kraftful
Kiedy pierwszy raz usłyszałem tę wypowiedź, pomyślałem, że to przesada. Jednak w miarę jak Yana opisywała swój dzień, zrozumiałem, że nie ma w tym żadnej przesady. AI faktycznie przejęło większość codziennych zadań doświadczonego product leadera:
- Pisanie postów na LinkedIn, Twitter i Bluesky (przygotowywane w niedzielne popołudnia z pomocą ChatGPT)
- Tworzenie e-maili i odpowiedzi na korespondencję
- Automatyczna analiza i kategoryzacja transkrypcji rozmów z klientami
- Research konkurencji i możliwych rozwiązań technologicznych
- Przygotowywanie dokumentacji produktowej
- Tworzenie i przypisywanie zadań w systemach typu Linear czy Jira
Najbardziej fascynujące jest to, jak głęboko AI może wejść w faktyczne procesy rozwoju produktu. Yana zaprezentowała live demo, w którym ChatGPT Operator:
- Loguje się do jej produktu Kraftful
- Zbiera feedback na temat powiadomień z różnych źródeł (wsparcia, rozmów z klientami)
- Tworzy PRD (Product Requirements Document) na podstawie zebranych insightów
- Pisze user story dla najważniejszego problemu
- Synchronizuje story z Linearem, tworząc ticket
- Przypisuje go do odpowiedniego inżyniera
Wszystko to dzieje się automatycznie, bez konieczności ręcznego przeszukiwania feedbacku, kopiowania tekstu czy przełączania się między różnymi narzędziami.
Deep Research vs Operator — co bardziej zmienia pracę?
„Wbrew popularnemu przekonaniu, znacznie więcej korzystam z Operatora niż z Deep Research” — Yana Welinder
Popularne dyskusje w internecie sugerują, że Deep Research to najważniejszy element subskrypcji ChatGPT Pro. To potężne narzędzie, które pozwala na dogłębną analizę tematów w oparciu o aktualne źródła internetowe. Yana pokazała przykład, jak w kilka minut przeprowadziła kompletną analizę dostawców API do automatyzacji kolekcjonowania danych:
- Określiła szczegółowo, czego szuka w takim API
- ChatGPT zadał jej dodatkowe pytania doprecyzowujące (compliance, model cenowy)
- Po 8 minutach otrzymała pełną analizę dostępnych rozwiązań, z porównaniem cen, klientów i funkcji
- Następnie poprosiła o dodatkowe informacje o dwóch nowszych konkurentach
Cały proces zajął mniej niż 20 minut i dostarczył tak szczegółowych informacji, że tradycyjny research zajmująłby co najmniej kilka dni.
Jednak wbrew oczekiwaniom, Yana przyznała, że Operator — narzędzie pozwalające AI kontrolować interfejs przeglądarki — jest dla niej znacznie bardziej przydatny. Jest to zgodne z moim doświadczeniem — łatwiej jest ręcznie zebrać informacje do analizy (nawet jeśli zajmuje to więcej czasu), niż wykonać powtarzalne zadania wymagające przełączania między aplikacjami.
Przykłady zastosowań Operatora wykraczają daleko poza sam rozwój produktu:
- Tworzenie dema i nagrywanie onboardingu nowego produktu
- Testowanie użyteczności (Operator może pokazać problemy z nawigacją UI)
- Automatyczne scrollowanie LinkedIn czy X w poszukiwaniu określonych tematów
- Rezerwowanie restauracji na randki (mąż Yany od dawna używa Operatora do tego celu!)
Jak budować lepsze produkty AI — lekcje dla product leaderów
Z rozmowy wyłania się kilka kluczowych lekcji dla osób pracujących nad produktami AI:
1. Zacznij od prompta, nie od UI
Tradycyjnie produkt projektujemy w Figmie, tworząc wizualną reprezentację. W przypadku AI kolejność powinna być odwrotna — najpierw projektujemy doświadczenie w OpenAI Playground, eksperymentując z promptami i odpowiedziami. Dopiero na podstawie tego, co AI może faktycznie zrobić, projektujemy UI, które najlepiej to obsłuży.
2. Przygotuj się na częste zmiany
Z doświadczenia Kraftful wynika, że trzeba być gotowym na częste zmiany w architekturze produktu, gdy:
- Pojawiają się ograniczenia API (Kraftful musiał przeprojektować całą architekturę, gdy natrafił na limity GPT-4)
- Wychodzą nowe modele (każdy nowy model może wymagać aktualizacji promptów i procesów)
- Zmieniają się koszty poszczególnych operacji
Wiele zespołów produktowych ma części produktu oznaczone jako „czekamy na nowy model” — to nowe podejście do roadmapy, gdzie niektóre funkcje są wstrzymane w oczekiwaniu na rozwój technologii.
3. Chat to nie jedyna (i często nie najlepsza) forma produktu AI
„Produkty AI nie muszą być interfejsami chatowymi. Tylko dlatego, że ChatGPT jest najszybciej rosnącym produktem w historii, nie znaczy to, że twój produkt powinien być chatem.”
To jeden z najważniejszych wniosków z rozmowy. Większość nowych produktów AI kopiuje podejście ChatGPT z interfejsem chatowym, ale w przypadku wyspecjalizowanych produktów produktowych, chat wprowadza niepotrzebną niepewność i niespójność.
W Kraftful główną wartością jest automatyczna analiza feedbacku i generowanie PRD czy user stories — zadania, które są wykonywane automatycznie, bez konieczności prowadzenia konwersacji z AI. To podejście jest:
- Bardziej deterministyczne (mimo niedeterministycznej natury AI)
- Bardziej kontrolowalne
- Zapewnia spójne i przewidywalne rezultaty
Wyjdź poza horyzontalność ChatGPT
Kluczem do sukcesu nie jest tworzenie kolejnego horyzontalnego narzędzia AI, które robi wszystko przeciętnie. Zamiast tego, skoncentruj się na tym, by być „10x lepszym od ChatGPT” w bardzo konkretnym przypadku użycia.
Jeśli budujesz produkt AI:
- Skupienie na konkretnym przypadku użycia zamiast próby robienia wszystkiego
- Projektowanie procesu zaczynającego się od tego, co AI może zrobić, a nie od tego, jak produkt powinien wyglądać
- Danie użytkownikom kontroli w miejscach, gdzie AI może nie być idealne
Dla product leaderów najważniejsze jest natomiast to, by zrozumieć, że rola PM-a nie polega już na ręcznym zbieraniu i analizowaniu danych, a na strategicznym myśleniu o produkcie w oparciu o dane, które AI może zgromadzić i przetworzyć automatycznie.
Książki i materiały warte przeczytania:
- „Working Backwards” – Colin Bryar i Bill Carr (o procesie rozwoju produktu w Amazonie)
- „Continuous Discovery Habits” – Teresa Torres (o stałym zbieraniu insightów od użytkowników)
- „Product-Led Growth” – Wes Bush (o budowaniu produktów, które same się sprzedają)
- „Inspired” – Marty Cagan (klasyczna pozycja o tworzeniu produktów technologicznych)
Źródła:
- „AI Does 90% of My Work Now as a Product Leader” – wywiad z Yaną Welinder (Kraftful), przeprowadzony przez Petera Yanga (luty 2025)