TL;DR:

Continuous Discovery to systematyczne budowanie pętli sprzężenia zwrotnego z klientami – produkty cyfrowe nigdy nie są skończone, dlatego potrzebujesz ciągłego potwierdzania, że budujesz właściwe rzeczy
Opportunity Solution Tree łączy cele biznesowe z potrzebami klientów – zaczynasz od wyniku biznesowego, mapujesz niezaspokojoną potrzebę klienta, dopiero potem szukasz rozwiązania
Priorytetyzuj możliwości (opportunities), nie rozwiązania – większość zespołów popełnia błąd stosując ICE/RICE do listy funkcjonalności, podczas gdy strategiczna decyzja dzieje się poziom wyżej
Story-based interviews są bardziej granularne niż Jobs to Be Done – nie pytasz o decyzję zakupową, lecz o konkretne sytuacje użycia produktu w realnym kontekście
Uprawnienia nie oznaczają „rób co chcesz” – autonomia działa w ramach strategicznego kontekstu firmy, który może się zmieniać i zespoły muszą to akceptować
AI może wspierać discovery, nie zastąpi jednak rozmów z ludźmi – ChatGPT pomaga w analizie danych i pisaniu, ale syntetyczni użytkownicy to ślepa uliczka

Czym jest Continuous Discovery i dlaczego „continuous” ma znaczenie

Torres definiuje discovery jako pracę wykonywaną podczas decydowania, co budować. Brzmi prosto, jednak większość zespołów traktuje to jako jednorazową aktywność przed rozpoczęciem projektu.

Produkt cyfrowy nigdy nie jest skończony. Ciągle ewoluuje, dlatego nieustannie podejmujesz decyzje o tym, co budować dalej. Wymaga to ciągłych pętli sprzężenia zwrotnego.

W praktyce Torres opisuje trzy komponenty:

Business value (wartość biznesowa) – zdefiniuj jasne wyniki zapewniające firmie przetrwanie. Bez tego nie będziesz miał zasobów do służenia klientom.

Customer value (wartość dla klienta) – upewnij się, że tworzysz wartość dla biznesu w sposób tworzący jednocześnie wartość dla klienta. To punkt, w którym strategia biznesowa jest zgodna z potrzebami użytkowników.

Solutions (rozwiązania) – odkrywaj rozwiązania adresujące potrzeby klientów w sposób generujący wartość biznesową. To ostatni krok, nie pierwszy.

Większość zespołów przeskakuje od razu do trzeciego punktu. Mają listę funkcjonalności i zastanawiają się, którą zrobić pierwszą. Torres uważa to za błąd strategiczny.

Opportunity Solution Tree – praktyczny framework discovery

Torres stworzyła wizualizację zwaną Opportunity Solution Tree (drzewo możliwości i rozwiązań). To drzewo decyzyjne z trzema poziomami.

Na górze drzewa jest outcome (wynik) reprezentujący wartość biznesową – coś mierzalnego, co ma znaczenie dla firmy. Przykładowo: „zwiększ średni czas oglądania na tydzień o 15%”.

Poniżej mapujesz opportunities (możliwości) – niezaspokojone potrzeby klientów, problemy lub pragnienia. Pytanie brzmi: jak możesz pozytywnie interweniować w życie klienta, jednocześnie napędzając cel biznesowy? Następnie rozbijasz je na coraz mniejsze pod-możliwości.

Na najniższym poziomie są solutions (rozwiązania). Dla każdej możliwości szukasz rozwiązań, które mogą ją zaadresować, po czym testujesz je przez prototypowanie i testowanie założeń.

Torres używa przykładu Netflixa. Wyobraź sobie, że pracujesz w firmie streamingowej, a jednym z celów jest zwiększenie średniego czasu oglądania na tydzień. Wiąże się to z celem biznesowym – retention. Im więcej oglądasz, tym bardziej prawdopodobne, że zostaniesz subskrybentem.

Wychodzisz i rozmawiasz z klientami, chcąc zrozumieć, jak produkt wpasowuje się w ich świat. Zbierasz historie, dowiadując się o typowych problemach: „nie mogę znaleźć czegoś do obejrzenia”, „mam wolne łącze i ciągle się buforuje”, „nie wiem, czy mi się spodoba ten serial”.

To są możliwości. Torres rozbija to dalej. „Nie mogę znaleźć czegoś do obejrzenia” to potrzeba wysokiego poziomu. Pod tym jest „nie mogę ocenić, czy mi się spodoba ten serial”. A jeszcze niżej mogą być szczegółowe potrzeby: „lubię oceniać seriale po tym, czy są character-driven czy plot-driven, ale nie wiem, który to typ”.

To kluczowe rozróżnienie. Możesz spędzić całe życie próbując pomóc ludziom „znaleźć coś do obejrzenia”. Jeśli jednak zejdziesz w dół drzewa do czegoś bardzo konkretnego jak „kto gra w tym serialu”, możesz to rozwiązać w krótkim czasie, dostarczyć wartość i przejść do następnej rzeczy. Tak właśnie iteracyjnie rozwiązujesz trudne problemy.

Checklist: zbuduj swoje pierwsze Opportunity Solution Tree

Zdefiniuj cel

Wybierz jeden mierzalny cel biznesowy powiązany z długoterminowym sukcesem firmy
Zapisz go na górze drzewa

Zbierz historie klientów

Przeprowadź 5-10 wywiadów opartych na historiach
Pytaj o konkretne sytuacje, nie opinie o rozwiązaniach
Szukaj wzorców

Wyciągnij możliwości

Przejrzyj transkrypty
Zaznacz każdy problem, potrzebę lub pragnienie
Pogrupuj podobne potrzeby
Umieść je poniżej celu

Rozbij na pod-możliwości

Dla każdej możliwości wysokiego poziomu pytaj: „dlaczego to problem?”
Schodź w dół, aż dojdziesz do czegoś tak konkretnego, że możesz rozwiązać w 1-2 tygodnie

Generuj rozwiązania (dopiero teraz!)

Wybierz najmniejszą możliwość
Wymyśl 3-5 różnych sposobów jej rozwiązania
Przygotuj się do prototypowania i testowania

Możliwości vs rozwiązania – gdzie dzieje się strategia

Torres jest bardzo jednoznaczna: większość frameworków priorytetyzacji jest stosowana źle.

ICE, RICE i podobne narzędzia? Zazwyczaj stosowane do listy funkcjonalności. Impact, confidence, effort – wszystko liczone dla pomysłów na rozwiązania. Torres twierdzi, że to błąd, ponieważ tracisz strategiczne pytanie: jaka potrzeba klienta jest najważniejsza do rozwiązania?

Rzadko widzi zespoły stosujące te frameworki na poziomie możliwości. Właśnie tam jednak dzieje się strategia, tam różnicujesz się od konkurencji. Lepsze zrozumienie przestrzeni możliwości i wybór tych potrzeb, których nikt inny nie rozwiązuje, a które mają znaczenie dla Twoich klientów – to źródło wyróżnienia.

Kiedy już wybierzesz docelową możliwość, możesz porównywać rozwiązania. Oceniasz je przez pryzmat: jak dobrze adresują wybraną potrzebę? Zamiast frameworków oceniających Torres proponuje prototypowanie i testowanie założeń.

Cztery kategorie kryteriów do priorytetyzacji możliwości

Wielkość możliwości – ilu klientów jest dotkniętych, jak często, jaka jest skala problemu?

Czynniki rynkowe – czy to wyróżnik czy standard rynkowy, jak wpływa na pozycję rynkową, co robią konkurenci?

Czynniki firmowe – jak ta możliwość wspiera aktualne strategiczne inicjatywy, czy jest zgodna z mapą drogową, czy masz zasoby?

Czynniki klienckie – jak ważne to jest dla klientów, czy mówią o tym bez pytania, czy płaciliby więcej?

Torres podkreśla kluczową obserwację: nie ma jednego najlepszego frameworka. Musisz dopasować kryteria do tego, co w danym momencie ma znaczenie dla Twojej firmy i interesariuszy.

Przykład Spotify. Firma robi duży nacisk na audiobooki i podcasty, dlatego nie ma znaczenia, że odkryłeś ważną możliwość związaną z muzyką. Jeśli cała firma mówi „wszyscy do roboty, inwestujemy w audiobooki”, czynniki firmowe przebijają wszystko inne.

Drugi przykład: Google i Gemini. Może nie ma znaczenia, ilu klientów jest objętych wpływem, bo klienci jeszcze nie wiedzą, co zrobić z generative AI. Mogą być jednak możliwości będące standardem rynkowym, gdzie Google czuje, że jest za OpenAI i musi nadrobić.

Dopasowujesz kryteria do kontekstu strategicznego, pozycji rynkowej i potrzeb biznesowych w konkretnym momencie.

Story-based interviews vs Jobs to Be Done – subtelne różnice

Torres porównuje swoje podejście do Jobs to Be Done, widząc nakładanie się, ale też kluczowe różnice.

Jobs to Be Done koncentruje się na decyzji zakupowej. Koncepcja: kupując produkt, „zatrudniasz” go do wykonania zadania. Torres natomiast uczy wywiadów opartych na historiach klientów, zbierając konkretne historie o tym, co faktycznie się wydarzyło.

Przykłady pytań w wywiadach opartych na historiach:

Dla całego produktu: „Opowiedz mi o ostatnim razie, kiedy oglądałeś Netflixa” lub „Kiedy ostatnio używałeś naszej aplikacji?”

Dla konkretnych funkcji: „Opowiedz o ostatnim razie, kiedy oglądałeś Netflixa w ruchu” (zespół mobilny) lub „Opowiedz o ostatnim razie, kiedy musiałeś czegoś szukać na Netflixie” (zespół wyszukiwarki).

Jobs to Be Done pytałby: „Opowiedz, dlaczego zdecydowałeś się zapisać na Netflixa?”

Torres dodaje ważne zastrzeżenie. Tony Ulwick i Bob Moesta – autorzy popularyzujący Jobs to Be Done – idą bardziej w szczegóły niż tylko zakup. Sposób, w jaki większość firm stosuje Jobs to Be Done, zostaje jednak na wysokim poziomie.

Efekt? Zadanie brzmi: „chcę być zabawiony, nie chcę się nudzić po obiedzie w domu”. To zadanie, dla którego „zatrudniasz” Netflixa.

Z mapowaniem możliwości Torres schodzi znacznie głębiej. Tak, zadanie wysokiego poziomu istnieje, jednak ona idzie do bardzo konkretnej potrzeby: „nie mogę znaleźć czegoś do obejrzenia”. Dalej: „nie mogę ocenić, czy mi się spodoba ten serial”. Jeszcze dalej: „lubię plot-driven dramas, nie character-driven, i nie wiem, który to typ”.

Cel Torres: rozwiązywać trudne, uporczywe problemy iteracyjnie w czasie. Rozbijasz je na tak małe kawałki, że możesz dostarczać wartość tydzień po tygodniu. Sposób, w jaki większość ludzi stosuje Jobs to Be Done, zostaje na poziomie decyzji zakupowej, podczas gdy Torres używa podobnych technik, ale na innym poziomie szczegółowości.

Dodatkowa obserwacja: zazwyczaj firma – nie zespół produktowy, ale cała firma – zleca badanie Jobs to Be Done dla całego produktu. Drzewa możliwości i rozwiązań są budowane na poziomie zespołu, co stanowi różnicę w zakresie.

Wizjonerskie produkty i discovery – przykład generative AI

Pojawia się pytanie: co z wizjonerskimi założycielami? Firmy jak Snapchat, gdzie klienci nigdy nie pomyśleli o produkcie, zanim się pojawił?

Torres używa aktualnego przykładu: generative AI. Przeciętna osoba na ulicy nie wie, czym jest generative AI, z pewnością nie wie, co z tym zrobić. Czy to oznacza, że pracując nad produktem z generative AI, nie możesz robić discovery?

Nie, ponieważ nie rozmawiasz z klientami o rozwiązaniach. Rozmawiasz o ich życiu i potrzebach.

Co pytać zamiast „czy potrzebujesz AI?”: „Jak spędzasz wieczory po pracy?”, „Kiedy ostatnio czułeś się znudzony?”, „Co robisz, gdy szukasz rozrywki?”, „Czy Twoje potrzeby w tym obszarze są zaspokojone?”

Torres słucha, gdzie generative AI byłoby dobrym rozwiązaniem, gdzie chce zagrać w przestrzeni możliwości. Największy błąd zespołów produktowych: używają wywiadów do eksplorowania rozwiązań, co po prostu nie jest efektywne.

Kiedy eksplorujesz rozwiązania, musisz zrozumieć ilościowo, czy Twoje rozwiązanie zadziała. Robienie tego jeden wywiad na raz jest nieefektywne, gdyż cel wywiadu to zrozumienie różnych kontekstów – jakie są potrzeby jednej osoby w danym kontekście?

Nieważne, jaki produkt zbudujesz, jaką technologię użyjesz, jak wizjonerski jest Twój przyszły stan świata – jeśli nie rozumiesz kontekstu życia użytkownika, Twoje rozwiązanie nie zadziała.

Nikt nigdy w wywiadzie nie powiedział „potrzebuję generative AI”. Ledwo ogarniamy, czym to jest i co może robić, jednak mamy mnóstwo potrzeb w naszym życiu, które generative AI zaczyna wypełniać. Dlatego Torres podkreśla: nie chodzi o to, jak wizjonerski jest założyciel, lecz o to, jak dobre dopasowanie jest między tą wizją a ludzkim kontekstem – tym, czego ludzie potrzebują.

Uprawnienia w rzeczywistości – mit autonomii bez granic

Torres odnosi się do powszechnego nieporozumienia: ludzie myślą, że zespół z uprawnieniami oznacza „mogą robić co chcą”. Tak jednak nie jest.

Co uprawnienia faktycznie oznaczają:

✓ Jesteś upoważniony do podejmowania codziennych decyzji potrzebnych do służenia biznesowi

✓ Wybierasz JAK osiągniesz przypisany Ci cel

✓ Decydujesz o szczegółach implementacji

✗ Nie oznacza, że wybierasz cel dowolnie

✗ Nie oznacza, że ignorujesz strategiczny kontekst firmy

✗ Nie oznacza, że robisz co chcesz bez względu na biznes

Torres używa przykładu Spotify. Historycznie byli tylko w muzyce, następnie zdecydowali się rozszerzyć na audiobooki i podcasty. Załóżmy, że pracujesz w zespole produktowym w Spotify podczas tej transformacji. Daniel Ek – lider Spotify – mówi wszystkim zespołom: „chcę, żebyście wszyscy zmienili biegi i pracowali nad wsparciem nowej inicjatywy strategicznej”.

Jako zespół produktowy nie powinieneś odpowiadać: „nie, powiedziałeś mi, że mój cel to zwiększenie retention w słuchaczach muzyki”. Twój cel się zmienił, strategiczny kontekst Twojej firmy się zmienił. Firma robi strategiczny zakład w nowym obszarze, wszyscy się więc przenosimy.

Torres widzi to jako dużą debatę: jak bardzo autonomiczne powinny być zespoły? Przykład Airbnb – mówią, że będą podążać bardziej modelem Apple. Apple notoriously – według percepcji – podejmuje decyzje odgórne, Steve Jobs decydował o wszystkim.

Torres zadaje pytanie: jeśli Jobs decydował o wszystkim, jak to możliwe, że Apple był tak samo sukcesywny po jego śmierci? Nie decydował o wszystkim – ustawił bardzo wysoki standard jakości, ustalił wizjonerski kierunek. Każdy zespół produktowy w Apple wciąż musi podejmować dziesiątki decyzji, powinni być więc upoważnieni do znajdowania właściwych odpowiedzi.

Strategiczny kontekst i kierunek firmy powinny być ustalone przez liderów. To zmienia, nad czym zespół może pracować, nie zmienia jednak, jak bardzo są autonomiczni w codziennej pracy. Żaden lider w żadnej organizacji nie może podejmować każdej decyzji.

Torres widzi to jako fałszywą dychotomię: jesteśmy autonomiczni albo nie jesteśmy. Ona myśli o tym jako: w jakim zakresie jesteśmy autonomiczni? Dużo gotówki + przestrzeń do eksploracji = autonomia w szerokim zakresie. Ciaśniejsza gotówka + mocniejszy focus strategiczny = autonomia w węższym paśmie. W obu przypadkach to jednak wciąż autonomiczne zespoły.

AI w pracy zespołów produktowych – gdzie pomaga, gdzie szkodzi

Torres już widzi ogromny wpływ AI na pracę zespołów produktowych.

Gdzie AI realnie pomaga

Torres zna produkt ChatPRD pomagający zespołom pisać lepsze PRD, wie o ludziach używających AI do pisania user stories. Problem z user stories: pisanie wszystkich detali, przypadków brzegowych, kryteriów akceptacji jest żmudne, dlatego LLM w tym pomaga.

Torres podkreśla jednak: to nie oznacza, że LLM decyduje, co budować. Oznacza, że LLM wypełnia detale, pomaga znaleźć przypadki brzegowe, które mogłeś przegapić, pisze nudniejsze części Twojej pracy.

Nawet przed ChatGPT uczenie maszynowe było używane do syntezowania, znajdowania wzorców w dużych zbiorach danych. Torres osobiście używa ChatGPT do analizy skuteczności na social media, wyciągając tematy, które rezonują, oraz to, co napędza zaangażowanie.

Przepływ pracy customer support – konkretny case study

Torres ma asystentkę, dla której angielski jest drugim językiem. Asystentka prowadzi wsparcie klientów.

Wcześniej używali ChatGPT. Przepływ pracy: email przychodzi od klienta, ChatGPT dostaje email plus bazę wiedzy ze wszystkimi szablonami wsparcia, następnie ChatGPT znajduje właściwy szablon. To oszczędzało czas – nie trzeba było szukać, który szablon użyć z dużej bazy.

Torres ma dużo różnych produktów, ludzie piszą o różnych rzeczach, więc AI pomaga szybko dotrzeć do właściwego obszaru bazy wiedzy.

Problem pojawił się niedawno. OpenAI wprowadził zmianę – ChatGPT przestał zwracać dokładne szablony. To efekt zabezpieczeń wprowadzonych po pozwie New York Times – ChatGPT nie może zwracać niczego dosłownie z zestawu treningowego.

Teraz przeszli na Claude. Claude może zwracać dokładny szablon, przepływ pracy działa więc tak samo, ale Claude faktycznie zwraca dokładny szablon z bazy wiedzy.

Torres podkreśla coś kluczowego: człowiek wciąż wysyła wszystkie emaile i wszystko sprawdza. Dostosowują szablon na podstawie przychodzącego emaila, AI tylko przyspiesza proces znajdowania właściwego punktu wyjścia.

Gdzie AI szkodzi lub nie ma sensu

Torres nie lubi pewnych zastosowań. Nie lubi firm tworzących „syntetycznych użytkowników” do wywiadów zamiast rozmawiać z prawdziwymi ludźmi. Jej zdaniem widzieliśmy wielokrotnie, że technologia potrzebuje więcej człowieczeństwa, nie mniej.

Drugi przykład: firma budująca „jednym kliknięciem drzewo możliwości”. Kliknij przycisk, stworzymy drzewo możliwości dla Twojego rynku. To mija się z celem, gdyż cel nie jest mieć drzewo możliwości, lecz zsyntezować to, czego się uczysz, być zgodnym jako zespół. Jeśli stworzysz to kliknięciem przycisku, nie robisz żadnego myślenia, z pewnością nie będziesz zgodni jako zespół.

Torres porównuje obecny moment do 1994 roku – rok istnienia internetu, masa hobbystów, wszyscy próbują ogarnąć, do czego to jest. Jej zdaniem jest ogromny potencjał, żeby dramatycznie zmienić sposób, w jaki pracujemy. Jednak jeśli budujesz produkty dla ludzi, prawdopodobnie wciąż musisz rozmawiać z ludźmi.

Jak Torres używa AI w praktyce

Torres używa zarówno ChatGPT Plus, jak i Claude.

ChatGPT – głównie na telefonie, do rzeczy, do których wcześniej używała Google. Przykład: „czy psy mogą jeść frytki z truflową solą?” Wcześniej googlowała, klikała przez linki, widziała reklamy, czytała 2000 słów przed odpowiedzią. Teraz po prostu dostaje odpowiedź, myśli o tym jako „silniku ciekawości”.

W pracy używa ChatGPT do analizy danych – wgrywa arkusz kalkulacyjny, rozmawia o tym, co w nim jest. Używa do SEO, dając artykuł i słowo kluczowe, pytając: „jak mogę poprawić ten artykuł, żeby lepiej rankował?” Oba narzędzia dostają stronę docelową produktu i profil idealnego klienta, po czym pyta: „jak mogę poprawić tę stronę?”

Claude – używa do tworzenia długich streszczeń artykułów do social media. Claude lepiej dopasowuje się do jej stylu pisania. ChatGPT nie zwraca tekstu dosłownie, nawet jak poprosisz – efekt pozwu New York Times. Claude może, więc Torres daje artykuł, prosi o streszczenie, a streszczenie używa jej słów, nie słów Claude.

Torres używa ChatGPT jako tablicy rezonansowej – jak drugiej osoby w zespole. Używa Claude, kiedy chce, żeby coś napisanego brzmiało jak ona, ponieważ ma bardzo wyraźny głos w pisaniu. Jeśli używa LLM do przekształcania treści w inne formaty, chce, żeby wciąż brzmiało jak ona.

Od coacha do autora – jak powstawała książka

Torres zaczęła pracę nad książką w 2016 roku, gdy rozwinęła Opportunity Solution Tree i chciała o tym napisać. Problem: pisanie książki to uosobienie procesu kaskadowego – piszesz książkę, wypuszczasz, masz nadzieję, że jest dobra. Torres nie chciała tak pracować.

Zamiast pisać książkę w 2016, zaczęła kodyfikować to, co miała napisać, na platformie kursowej. Prowadziła coaching – pracowała z 10 zespołami jednocześnie w kohortach. Zespoły przechodziły przez treść kursu, potem przychodziły na coaching, dzięki czemu Torres mogła zobaczyć, co działa, co ich myli, czy są w stanie zmienić zachowanie.

Przesunęła swój coaching z „w czasie rzeczywistym, jestem tu, żeby pomóc” na „przechodzisz przez treść sam, potem jestem w czasie rzeczywistym tu, żeby pomóc”. W końcu program kursu stał się na tyle dobry, że większość czasu w coachingu nie mieli trudnych pytań – treść była wystarczająco dobra, żeby ich tam zabrać. Wtedy Torres zdecydowała, że jest gotowa napisać książkę.

To jednak nie wszystko. Stworzyła grupę 60 wczesnych czytelników czytających każdy rozdział, jak go pisała, mogących dawać opinię w Google Doc. Dołączali do miesięcznego spotkania, gdzie rozmawiali: czy są w stanie wdrożyć ten nawyk po przeczytaniu rozdziału? Jakie napotkali przeszkody?

Te spotkania były bardzo pomocne. Każdy rozdział o nawyku w książce ma listę anty-wzorców, z których wiele pochodziło z praktyki coachingowej Torres, ale nie włączyła ich oryginalnie do książki. Wcześni czytelnicy zachęcili ją – na spotkaniach dzielili się wyzwaniami, Torres im pomagała, po czym mówili: „masz rzeczy w głowie, które muszą być w książce”. To doprowadziło do tych anty-wzorców.

Pierwszy napisany rozdział – rozdział 5 o wywiadach – skończył na 50 stronach. Torres miała 14-15 rozdziałów w zarysie, pomyślała więc: nie mogą mieć po 50 stron każdy. Spędziła około 4 miesiące tylko na spisie treści, próbując ogarnąć strukturę, zrozumieć głębokość, znaleźć równowagę między głębokością a całościowym obrazem. Dużo prób i błędów.

Ekosystem treści Torres – praktyka ciągłego dostarczania

Torres nie tylko uczy ciągłego odkrywania – sama je praktykuje w swoim systemie treści.

Torres prowadzi blog od listopada 2011 – prawie 13 lat regularnego publikowania. Jak to robi bez blokady pisarskiej?

Ma redaktorkę bloga – Melissa Suzuno. Melissa pisze dwie serie: „Product in Practice” (historie prawdziwych zespołów wdrażających nawyki discovery) i „Tools of the Trade” (wywiady z zespołami o narzędziach używanych w discovery). Torres jest redaktorem tych postów, co jest znacznie łatwiejsze niż bycie autorem.

Trzecia seria to „Ask Teresa”. Torres prowadzi społeczność Slack dla praktyków discovery, uczestniczy w społeczności, pomaga ludziom. Kiedy pojawia się dobry dialog, przekształcają go w post na blogu.

Kluczowe: Torres ma bazę danych ponad 1000 pytań związanych z discovery, pochodzących z podcastów, wywiadów, webinarów, sesji Q&A. Nigdy nie musi myśleć „o czym dziś napisać”, raczej: ma 40 pomysłów na posty blogowe, pytanie brzmi więc „czy starczy godzin w dniu?”

Eksperymentowanie z social media

Torres jest krytykowana na LinkedIn – ludzie mówią: „Teresa publikuje 40 razy więcej niż przeciętna osoba”. Jej odpowiedź? Eksperymentuje. Gdy redukuje częstotliwość postów, wyniki są negatywne – zawsze. Ludzie kochają, jak dużo publikuje, niektórzy nawet piszą: „gdzie jest twoja treść?” gdy czegoś nie opublikuje.

Torres planuje wszystko przez Buffer, nie publikuje więc ręcznie 7 razy dziennie. Strategia zaczęła się od Twittera – Twitter nagradzał publikowanie przez cały dzień, mogła więc dotrzeć do europejskiej publiczności, gdy oni są online, a ona śpi. Kiedy Musk kupił Twitter, przeniosła dokładnie tę samą strategię na LinkedIn. LinkedIn rekomenduje maksymalnie 1 post dziennie, jednak Torres publikuje więcej i działa lepiej.

Praktyczne wnioski: wybieraj swoją drabinę świadomie

Torres zbudowała swoją karierę na jednej decyzji sprzed 13 lat: chciała pomóc zespołom produktowym spędzać więcej czasu z klientami.

Na początku ludzie się z niej śmiali – dosłownie. Kiedy mówiła, że zespoły powinny rozmawiać z klientami co tydzień. Teraz regularnie słyszy od ludzi, że rozmawiają z klientami co tydzień.

Jej rada dla osób zaczynających karierę: uważaj, po której drabinie decydujesz się wspinać.

Każda decyzja w życiu umieszcza Cię na innej hierarchii. Większość z nas koncentruje się na dotarciu do następnego szczebla, nie zawsze jednak pytamy: czy to w ogóle ta drabina, na której chcę być?

To szczególnie prawdziwe dla założycieli. W San Francisco Bay Area czujesz, że bycie założycielem to jedyna ścieżka – wszyscy powinni być założycielami, tak wygląda sukces. Problem: to jedna z najtrudniejszych prac na planecie, szansa na sukces jest mikroskopijną. Większość ludzi nie chce o tym rozmawiać. System nagradza małą liczbę ludzi przesadnie, wiele osób nie widzi tych nagród, ale daje całe życie.

Torres w wieku 32 lat została CEO startupu innej osoby – nie była założycielem, nie miała kapitału założycielskiego. To było podczas kryzysu 2008, było okropnie, bardzo ciężko. Zmusiło ją to do zadania pytania: co ty w ogóle robisz?

Doprowadziło do kariery, którą ma teraz – znacznie lepsze dopasowanie. Jest pewna, że robi to, co powinna robić, bo została zmuszona do zadania tego pytania relatywnie wcześnie w karierze. Większość ludzi nie zadaje tego pytania, dopóki nie mają późnych lat 40. lub 50., wtedy jednak nie zostaje dużo czasu, żeby ogarnąć, co dalej.

„Kaczka na jeziorze” – kultura Bay Area

Torres mieszkała w San Francisco przez 20 lat, studiowała na Stanfordzie. Jest mem ze Stanforda, sprzed istnienia memów: „być na Stanfordzie to jak być kaczką na jeziorze”. Powyżej wody wygląda, że płyniesz spokojnie. Poniżej wody wściekle machasz nogami.

Torres czuje, że to opisuje cały ekosystem San Francisco. Wszyscy udają, że mają wszystko pod kontrolą, jednak wszyscy pracują naprawdę ciężko, w sposób, który czasem nie jest zdrowy.

Kiedy pytano ją, czy tęskni za San Francisco, odpowiedziała zdecydowanie: nie. Lubi optymizm Bay Area – przekonanie, że „jutro będzie lepsze niż wczoraj” (cytat z artykułu Wall Street Journal o Tim Cooku). Ten optymizm, ta wiara w tworzenie przyszłości – z tym rezonuje. Kultura ciągłego harowania przy udawaniu, że wszystko jest łatwe? To nie dla niej.

Torres ma jasne zdanie: są inne sposoby, żeby wywierać duży wpływ na świat – zdrowsze dla Ciebie sposoby. Zadawaj te pytania wcześniej.

Konkretne prompty AI od Torres – praktyczne przykłady

Torres nie tylko mówi o AI abstrakcyjnie – dzieli się konkretnymi promptami używanymi na co dzień.

Prompt 1: Szybkie sprawdzanie faktów (zamiennik Google)

Przykład z życia Torres:

Can dogs eat French fries with truffle salt?

Kiedy stosować: Gdy potrzebujesz szybkiej odpowiedzi na proste pytanie faktyczne. Zamiast googlować, klikać przez linki, przeglądać reklamy i czytać 2000 słów artykułu – po prostu zadajesz pytanie i dostajesz odpowiedź. Torres nazywa to „silnikiem ciekawości”.

Prompt 2: Optymalizacja SEO artykułów

Przykład Torres:

Here is an article: [wklej artykuł]

Here is the keyword: [wklej słowo kluczowe]

How can I improve this article to rank better for this keyword?

Kiedy stosować: Gdy masz gotowy artykuł i chcesz go zoptymalizować pod konkretne słowo kluczowe. ChatGPT może przeglądać internet (Claude nie może), rozumie więc aktualny kontekst SEO.

Prompt 3: Optymalizacja strony docelowej z kontekstem klienta

Struktura prompt Torres:

Here is my ideal customer profile:

[Wklej streszczenie: jak klienci oceniają produkty w Twojej kategorii, 
jakie mają potrzeby, co jest dla nich ważne przy wyborze]

Here is my landing page:
[Wklej stronę docelową]

How can I improve this landing page?

Kiedy stosować: Gdy masz stronę docelową i chcesz opinię. Kluczowe: daj AI kontekst o Twoich klientach, nie pytaj w próżni. Torres ma streszczenie tego, czego nauczyła się o swoich klientach – przekazuje to do AI razem ze stroną docelową.

Prompt 4: Streszczenia artykułów w Twoim stylu (Claude)

Wersja Torres (która NIE zadziałała z ChatGPT):

Summarize this article using the language from the article.

Use my words, but create a high level summary of the article.

[wklej artykuł]

Dlaczego Claude, nie ChatGPT: ChatGPT ma zabezpieczenia po pozwie New York Times – nie może zwracać niczego dosłownie z zestawu treningowego. Claude może.

Kiedy stosować: Gdy tworzysz długie streszczenie do social media i chcesz, żeby brzmiało jak Ty, nie jak AI.

Prompt 5: Analiza danych z arkuszy kalkulacyjnych

Podejście Torres:

[Wgraj arkusz kalkulacyjny do ChatGPT]


[Potem prowadzi konwersację, pytając o wzorce, spostrzeżenia, trendy w danych]

Kiedy stosować: Gdy masz dane w arkuszu kalkulacyjnym i chcesz wyciągnąć spostrzeżenia. Torres używa tego do analizy social media, identyfikacji tematów, zrozumienia co napędza zaangażowanie.

Prompt 6: Wsparcie klientów – znajdowanie właściwego szablonu

Przepływ pracy Torres:

Here is an incoming customer email:

[wklej email]

Here is our knowledge base with support templates:
[wklej lub daj dostęp do bazy wiedzy]

Find the right template to use for this customer inquiry.

Narzędzie: Wcześniej ChatGPT, teraz Claude (bo Claude zwraca dokładny szablon).

KRYTYCZNE: Człowiek wciąż sprawdza i dostosowuje. AI tylko przyspiesza proces znajdowania.

Prompt 7: Znajdowanie przypadków brzegowych w user stories

Koncepcja: Daj AI user story i poproś o znalezienie przypadków brzegowych oraz wygenerowanie kryteriów akceptacji.

Kiedy stosować: Pisanie wszystkich przypadków brzegowych jest żmudne. LLM pomaga znaleźć przypadki, które możesz przegapić. To nie oznacza jednak, że LLM decyduje, co budować – LLM wypełnia detale.

Czego NIE robić z AI według Torres

Nie twórz „syntetycznych użytkowników” do wywiadów – firmy oferują AI zamiast rozmawiać z prawdziwymi ludźmi. Torres: to ślepa uliczka.

Nie używaj „jednym kliknięciem drzewo możliwości” – cel nie jest MIEĆ drzewo, lecz MYŚLEĆ i być ZGODNYM jako zespół.

Nie pozwól AI decydować, co budować – AI może pomóc w wypełnianiu detali, nie może jednak zastąpić strategicznego myślenia.

Lista kontrolna: Czy Twój zespół stosuje ciągłe odkrywanie?

Poniższe pytania mogą posłużyć jako narzędzie do samooceny i wdrożenia nawyków ciągłego odkrywania w zespole:

Cel: Czy zdefiniowaliśmy jasny, mierzalny wynik, który chcemy osiągnąć w tym kwartale?

Kontakt: Czy regularnie (np. co tydzień) rozmawiamy z klientami, aby zbierać ich opowieści?

Metoda: Czy w trakcie wywiadów skupiamy się na konkretnych, przeszłych historiach, a nie na hipotetycznych opiniach?

Mapa: Czy zmapowaliśmy odkryte potrzeby klientów na Drzewie Możliwości i Rozwiązań, aby zobaczyć szerszy obraz?

Priorytet: Czy świadomie wybraliśmy jedną, najważniejszą możliwość (problem klienta) do rozwiązania, zanim zaczęliśmy generować pomysły?

Spójność: Czy nasza praca jest zgodna ze strategicznym kontekstem wyznaczonym przez liderów firmy?

Kluczowy insight

Priorytetem nie są Twoje pomysły

Standardowo myślimy: Zbieramy listę funkcjonalności do zrobienia, stosujemy ICE/RICE (Impact, Confidence, Ease) żeby wybrać które funkcjonalności budować pierwsze. To przecież logiczne – mamy ograniczone zasoby, priorytetyzujemy więc rozwiązania.

W praktyce okazuje się, że: Większość zespołów stosuje frameworki priorytetyzacji na złym poziomie. Torres twierdzi wprost: „większość tych frameworków jest stosowana na poziomie rozwiązań i myślę, że to błąd”. Strategiczne decyzje nie dzieją się na poziomie rozwiązań, lecz na poziomie możliwości – potrzeb klientów. Pytanie nie brzmi „którą funkcjonalność zrobić?”, ale „który problem klienta rozwiązać?” Tam jest różnica między Tobą a konkurencją.

Dlaczego to jest istotne: Kiedy priorytetyzujesz funkcjonalności, popełniasz błąd założenia, że znasz już właściwe problemy do rozwiązania. W rzeczywistości możesz budować doskonałe rozwiązania do niewłaściwych problemów, dlatego Twoja strategia dzieje się poziom wyżej – w wyborze których potrzeb klientów zaadresujesz.

Test na jutro: Następnym razem gdy Twój zespół spotka się, by zaplanować kolejny sprint, zamiast otwierać rejestr z pomysłami, spróbujcie odpowiedzieć na jedno pytanie: „Jaki jest najważniejszy problem naszego klienta, który chcemy teraz rozwiązać?” Zobaczcie, jak to zmienia całą dyskusję.

Polecane zasoby

Książka: „Continuous Discovery Habits” – Teresa Torres (ponad 100 000 sprzedanych egzemplarzy)

Blog: Product Talk (producttalk.org) – Torres bloguje regularnie od listopada 2011

Narzędzia do organizacji wiedzy: Readwise Reader, Kindle + Readwise, Airtable, Apple Notes, Buffer

AI tools: ChatGPT Plus (analiza danych, SEO, „silnik ciekawości”), Claude (pisanie treści w osobistym stylu)

Ten wpis jest częścią mojej kolekcji notatek z ciekawych podcastów, webinarów i innych treści, które uważam za wartościowe i do których sam chcę wracać. Jeśli chcesz sprawdzić oryginalne źródło, znajdziesz je tutaj: Glasp Talk #31 – Teresa Torres: How to Master Continuous Discovery for Product Success

Tag: Drzewo Mozliwosci I Rozwiazan

Continuous Discovery według Teresy Torres: przestań zgadywać, zacznij mapować potrzeby #EN317