Jak poznaję, czy AI faktycznie usprawni moją pracę?
3 filtry, które stosuję zanim rzucę się na kolejny GENIALNY pomysł wykorzystania AI, który “przyspieszy moją produktową pracę 10x”.
Właśnie zbudowałem kolejny workflow w N8N. 47 kroków. „To zaoszczędzi mi 10 godzin tygodniowo” - myślałem dumny.
Miesiąc później: użyłem go... zero razy.
Znasz to uczucie? Ja aż za dobrze. Na LinkedIn co chwilę widzisz kolejny “game-changing AI workflow”, który “przyspieszy Twoją pracę 10x”. A potem jak próbujesz tego użyć - rozczarowanie.
Problem jest prosty: mamy ocean możliwości AI, czujemy FOMO. I problemem jest z tym na czym się w ogóle skupić.
Przez ostatnie 5 lata testowałem dziesiątki pomysłów na AI w swojej pracy jako PM. Większość z nich to były niewypały. Ale nauczyłem się rozpoznawać co zadziała zanim stracę tydzień na budowanie.
Osobiście rozbijam to na 2 tematy:
1️⃣ Produktywność PMa - gdzie warto usprawnić swoją pracę dzięki AI
2️⃣ Feature AI w produkcie - gdzie warto budować AI dla userów
To IMHO 2 różne sytuacje. Pierwszy możesz sobie sam potestować w weekend, drugi wymaga strategii i budżetu zespołu. Ale obie ważne. Dzisiaj zajmę się tą pierwszą częścią.
BTW. Ruszyła kolejna edycja 10x Product Bootcamp, gdzie łączymy AI z doskonałym mindsetem produktowym. Ultrakrótkie iteracje, walidacja pomysłów i decyzje oparte na dowodach z AI. Zacznij pracować w ten sposób.
CZĘŚĆ 1: Produktywność PMa - gdzie warto usprawnić swoją pracę dzięki AI?
Jako że jestem raczej early adapterem - łatwo wpaść mi w pułapkę “robienia AI dla robienia AI”. Dlatego musiałem trochę nad tym popracować. Dzisiaj zamiast rzucać się na każde nowe zastosowanie AI, przepuszczam każdy pomysł przez 3 filtry decyzyjne:
1. Filtr #1: Inspiracja od innych PMów
2. Filtr #2: Powtarzalne czynności (ROI twojego czasu)
3. Filtr #3: Zabawa i eksperymentowanie (gdzie uczysz się AI)
Jeśli temat nie pasuje do żadnego z tych filtrów - raczej odpuszczam.
1. Filtr #1: Inspiracja od innych PMów
Pierwsza zasada: nie wymyślam koła na nowo.
Jeśli widzę, że senior PM-owie stosują coś w podobnym kontekście co ja - to jest dla mnie zielone światło do eksperymentowania. Kluczowe słowo: podobnym kontekście.
1.1. Jak to wygląda w praktyce?
Nie chodzi o to żeby brać WSZYSTKIE super inspiracje z LinkedIn-a, czy pięknych webinarów. To często bullsh*t. Chodzi o to żeby znaleźć ludzi:
Którzy mają podobne wyzwania co ty (np. podoba skala organizacji) - “influencer AI” nie ma takich wyzwań, bo pracuje solo.
Którzy faktycznie pracują hands-on przy produktach (a nie tylko piszą o tym)
Którzy pokazują rezultaty w swojej pracy (z plusami i MINUSAMI), nie tylko screeny
1.2. Mój przykład z życia:
Niedawno byłem na Product Campie w Berlinie. Było tam mnóstwo teoretycznych wystąpień, ale jeden gość z widowni pokazał coś nieoczywistego czego używa na codzień. Zamiast trzymać wiedzę produktową w Jirze czy Docsach, pracuję trochę jak developer
wszystkie produktowe informacje (wywiady, insighty, strategię, decyzje) trzyma w w ustrukturyzowanych plikach Markdown na GitHubie.
do pracy i myślenia używa Claudy Code - dzięki temu może dynamicznie dołączać konkretne, relevantne źródła do promptów, tworząc precyzyjny kontekst dla AI.
opowiadała jak te produktowe repo napędzę agentów kodowania (dla zespołu DEV) + mógł budować własnych, wyspecjalizowanych agentów AI, które automatyzują analizę i wyciągają automatycznie insighty z… automatycznie zbieranych informacji od uzytkowników, oszczędzając dziesiątki godzin pracy.
Widać było, że żyje tym na codzień, pokazywał nam swoje zastosowania. Mówił co jest w tym fajne, a co nie do końca, jakie problemy napotyka.
Było ciekawie, inspirująco, PRAKTYCZNIE… więc spróbowałem i teraz sam od kilku miesięcy pracuje dużo w ten sposób.
1.3. Czerwone flagi (na co uważam):
❌ Wielkie workflow’y z LinkedIn - jeśli wygląda jak dzieło sztuki, prawdopodobnie nikt tego nie używa
❌ “AI influencerzy”, którzy nie pracują hands-on przy rozwoju produktów - oni budują content, nie rozwiązania które stosują w pracy produktowej. Większości tych zastosowań sami nie wykorzystują, albo też nie zastosujesz ich w swojej pracy przez to, że pracujesz w zespole.
❌ Mocnych stwierdzeń typu “AI przyspiesza moją pracę 10x w 10 min” - nie spotkałem się z czymś takim. Przyspieszenie owszem, ale raczej po wielu tygodniach eksperymentów w zastosowaniu tego u siebie.
1.4. U kogo szukam inspiracji?
✅ Hands-on PMowie, early adopterzy AI - ale raczej posty od ludzi którzy mają “Product Manager / Head of Product” w bio, najlepiej cały czas hands-on rozwijają produkty i piszą o konkretnych case’ach, swoich doświadczeniach.
✅ Podcasty, Wystąpienia PM-ów pokazujący jak stosują AI w pracy - wiele z nich znajdziesz w podcaście Claire Vo.
✅ Konsultanci / Coachowie, ale pracujący realnie przy produkcie - mają zwykle więcej czasu na różne eksperymenty, ale nie robią tego w próżni i sowim biznesie dla 10 osób. Świetnie to podejście oddaje to co robi teraz Teresa Torres.
Jest teraz głownie konsultantką i coachem product discovery. Można by wręcz powiedzieć, że discovery influencerm. Nie pracuje wprost hands-on.
Ale specjalnie dlatego zaczęła budować swój pierwszy produkt z wykorzystaniem AI - żeby zobaczyć jak AI wpływa na jej pracę (discovery) oraz jak się buduje takie produkty.
Sama, na swoim przykładzie pokazuje jak gigantyczna to zmiana.
1.5. Kluczowy insight:
Jeśli 2-3 PM-ów których szanujesz zaczyna używać czegoś niezależnie od siebie - to jest mocny sygnał, że warto przetestować. Jeśli tylko jedna osoba krzyczy jak to jest rewolucyjne - prawdopodobnie próbuje budować swój personal brand, nie dzielić się realnym rozwiązaniem.
2. Filtr #2: Powtarzalne czynności (ROI twojego czasu)
Drugi filtr to najprostszy: AI ma sens tam gdzie masz powtarzalną czynność.
Szukam zadań, które są powtarzalne i nudne, żeby je zrzucić na AI. Przygotowanie scenariusza wywiadu, analiza setek wpisów feedbacku, generowanie podsumowań.
Ale nie chodzi tylko o mechaniczne zadania. Dzięki LLM-om teraz możesz automatyzować też kreatywną robotę. To jest nowe i tutaj jest największy potencjał dla PM-ów.
2.1. Jak identyfikuję potencjalne taski (co u mnie działa):
Krok 1: Audyt czasu
Przez tydzień zapisuj w Notion/Excel co robię wielokrotnie. Nie musisz tego robić co 15 minut - wystarczy że wieczorem poświęcisz 5 minut na zapis, albo po prostu przejrzysz kalendarz i zrobione zadania z ostatniego tygodnia.
Krok 2: Pytanie o “Częstotliwość” i “Czas”
Czy to robię częściej niż 2-3x w tygodniu? Jeśli nie - odpuść, nie warto automatyzować.
Ile to zajmuje każdorazowo? Jeśli <15-20 min tygodniowo łącznie - też raczej nie warto. Setup AI zajmie ci więcej niż zaoszczędzisz.
2.2. Jak to wygląda konkretnie? (przykład)
Case: Przygotowanie scenariusza do wywiadu z użytkownikiem
Przed AI:
Przeglądanie poprzednich wywiadów i kontekstu - 30 min
Pisanie scenariusz i pytań - 60 min
Review i iteracja - 30-90 min
Łączenie 2,5h
Po AI (używam Claude/ChatGPT):
Przygotowanie - 5 min
Wrzucam kontekst o inicjatywie (który mam już gotowy) + pytania badawcze
Daję framework: “Użyj Jobs-to-be-Done framework”
AI generuje skrypt i 15-20 pytań
Przeglądam, dostosowuję, dodaję moje, AI jest moim sparing partnerem - 25 min
Łączenie: 30 min
Różnica: 1.5h zaoszczędzone. I co ważne - jakość jest lepsza.
2.3. Bolesne oduczanie się (opóźnione ROI)
Z tym szukanie ROI jest jednak haczyk. Nie traktuje tego tak, że ROI chcę mieć natychmiast. Zwykle tak nie jest, bo po pierwsze musisz najpierw zainwestować swój czas, by metodą prób i błędów, dojść do tego co skraca finalnie ten czas
Musisz też przejść tzw. proces… “oduczaniu się” (Unlearning). Bo musisz się oduczyć starych nawyków. I to oduczanie się trwa bardzo długi i jest bardzo bolesne.
Jest coś takiego jak “odwrócony rower” (kiedy skręcasz kierownicę w lewo, koło idzie w prawo). Jeśli umiałeś jeździć na zwykłym rowerze, przesiadka na odwrócony rower to dramat. Twój mózg walczy z pamięcią mięśniową, nauka trwa bardzo długo. Ale jeśli uczysz się od 0 - czas potrzebny na naukę jest porównywalny do nauki jazdy na “zwykłym” rowerze.
Tak samo jest z AI. Jeśli całe życie pisałeś maile ręcznie albo analizowałeś dane w Excelu, przejście na promptowanie jest nienaturalne i na początku trwa 3 razy dłużej. Musisz zainwestować czas w naukę (i oduczanie się), żeby potem zebrać owoce.
2.4. AI teraz pomaga też w kreatywnej robocie
Wcześniej automatyzowało się głownie mechanikę: podsumowania, wysyłanie maili, przepisywanie danych.
Teraz możesz przyspieszyć:
Generowanie hipotez do testów
Tworzenie pytań do wywiadów
Strukturyzację chaotycznych notatek
Drafty dokumentów (PRD, one-pagers)
Analizę feedbacku jakościowego
Kluczowe: AI nie robi tego za ciebie.
AI daje ci pierwszą wersję, którą ty ulepszasz swoją ekspertyzą. To jak mieć juniora PM-a, który bardzo szybko robi research i drafty, ale ty musisz to review’ować i dopieszczać.
AI może być Twoim sparing partnerem, kiedy dopracowujesz już swój pomysł. Wskaże Ci luki, co warto poprawić, o czym warto pomyśleć.\
Ale za efekt finalny odpowiadasz TY i jest to efekt Twojej pracy.
2.5. Czerwone flagi (na co uważam)
❌ Robisz to raz na kwartał - setup zajmie więcej niż zaoszczędzisz
❌ Każda sytuacja jest unikalna i wymaga głębokiego kontekstu - AI nie pomoże
❌ Czynność zajmuje 5 minut ale musisz “pomyśleć” przez 2h - tutaj potrzebujesz czasu na myślenie, nie automatyzacji
❌ Robienie wielkich i skomplikowanych automatyzacji - może coś Ci przyspieszą, ale jak z każdym rozwiązaniem - wymagają one utrzymania, poprawiania błędów, rozwiązywania kolejnych edge case’ów. Nie mówię, że zawsze to nie ma sensu - ale tu warto się 3x zastanowić.
3. Filtr #3: Zabawa i eksperymentowanie (gdzie uczysz się AI)
Trzeci filtr może brzmieć mało profesjonalnie, ale dla mnie jest kluczowy. Czasem eksperymentuję z AI nie dlatego, że muszę, ale dlatego, że coś wydaje mi się po prostu ciekawe i mnie “jara”.
Traktuję to jako “piaskownicę”. Często te eksperymenty nie przynoszą żadnego natychmiastowego rezultatu biznesowego. Ale pozwalają mi się uczyć.
W tej fazie Twoim ROI (zwrotem z inwestycji) nie są pieniądze czy zaoszczędzone godziny. Twoim ROI jest nauka. Uczysz się, jak te modele “myślą”, gdzie hallucynują, a gdzie są genialne. Bez tej zabawy, kiedy przyjdzie czas na poważny projekt, nie będziesz miał intuicji.
Uczysz się jak AI faktycznie działa (nie teoretycznie)
Odkrywasz use case’y których byś nie wymyślił “od problemu”
Nawet jak nie wyjdzie - zyskujesz intuicję na przyszłość
A czasem wyjdzie - i masz super zastosowanie
3.1. Przykład z życia: Wirtualny Tom
Kilka lat temu zbudowałem w SentiOne “Wirtualnego Toma” - AI agenta który zastępował mnie na moim firmowym czacie w czasie urlopu. Potem rozwinął się on w stałe wirtualne wsparcie produktowe dostępne na czacie.
Czy to oszczędza mi masę czasu? Niekoniecznie.
Czy nauczyłem się przy tym jak może działać taki agent? Absolutnie. Dowiedziałem się
Jak go zbudować i podłączyć do naszego czata
Jakie są limity autonomicznych agentów
Gdzie to się przydało ludziom w firmie, a gdzie nie.
Czy wyszły z tego inne pomysły? Tak. Na tej podstawie zrobiłem swój następny challenge - zatrudniłem ChatGPT jako mojego asystenta product managera na miesiąc.
w każdej możliwej sytuacji wykorzystywałem ChatGPT w swojej pracy produktowej
zlecałem ChatGPT jak najwięcej zadań, które sam robiłem - gdzie było to tylko możliwe próbowałem wesprzeć się jego działaniem i podpowiedziami.
dzięki temu dowiedziałem “hands-on” gdzie AI mi się sprawdza, a gdzie nie
Tu masz wnioski z tego eksperymentu:
https://www.productcraft.pro/p/chat-gpt-product-mager-jak-wykorzystac
3.2. Jak rozpoznaję, że coś warto testować “dla fun-u”?
Pytam siebie:
“Czy mnie to jara?” - Czy myślę o tym pod prysznicem? Czy ciągnie mnie żeby to sprawdzić?
“Czy nauczę się czegoś?” - Nawet jak nie wyjdzie, czy zyskam jakąś wiedzę/intuicję?
“Czy mogę to przetestować szybko?” - nie rzucam się od razu na miesięczne projekty. Chciałem przetestować Cursor w pracy PMa? Dałem sobie na to na start 2 wieczory. I potem zdecydowałem, czy chce w to brnąc bardziej.
“Czy jestem OK z tym że nie zadziała?” - Większość eksperymentów to niewypały. Czy jest dla mnie OK, że to może kompletnie mi (albo u mnie w firmie) nie zadziałać.
3.3. Mój obecny eksperyment: Product Manager jak „Developer”?
Próbuję przestawić się na pracę w tryb Cursor First w mojej pracy Product Managera.
Zamiast trzymać opisy inicjatyw, persony i notatki w rozproszonych narzędziach, trzymam je w plikach w formacie Markdown.
Do pisania, tworzenia dokumentów używam Obsidiana (format Markdown), ale do pracy produktowej (czego efektem zwykle jest jakaś forma dokumentu) używam Cursora. To teraz moje główne środowisko pracy.
To jest moje środowisko pracy:
Dzięki temu mogę łatwo zarządzać całym kontekstem produktowej wiedzy i używać agentów AI do rożnych produktowych prac np.: “Biorąc pod uwagę nasze persony (plik A) i cele na ten kwartał (plik B), zanalizuj ten feedback (plik C)”.
Czy to jest łatwe? Nie. Jest to dla mnie wciąż nienaturalne i czasem walczę z tym systemem. Oduczam się cały czas jazdy rowerem. Ale bez tego eksperymentu i pracy hands-on - nigdy bym tego nie doświadczył.
Czy się sprawdzi? Nie wiem. Widzę potencjał – to budowanie naturalnego środowiska dla agentów AI, którzy w przyszłości będą naszymi “wirtualnymi asystentami” w zespole produktowym.
3.4. Przykład “niewypału” (żeby było uczciwie)
Zbudowałem Teda - wirtualnego Product Coacha, który analizował profil na LinkedIn / CV i dawał feedback jak je ulepszyć pod kątem roli PM-a.
Brzmi sensownie, prawda? Product managerowie przysyłają CV, Ted (oparty o Custom GPT) daje konkretne wskazówki co poprawić, jakich słów kluczowych użyć, jak lepiej opisać swój profil.
Wydawało się super. Setup zajął mi kilka dni - przygotowanie promptów, testowanie różnych podejść, budowanie “interfejsu” rozmowy.
Przez pierwszy tydzień dostał ok. 30 CV do analizy. Fajnie! Ludzie korzystają!
❌ Potem przyszła jednak rzeczywistość:
Jak przyjdą userzy, trzeba to utrzymywać i rozwijać - pytania, feature requesty, bugi
Pojawiły się wyspecjalizowane narzędzia, które robiły to 10x lepiej
Mało kto faktycznie skorzystał regularnie - 30 userów w tydzień 1, potem 5, potem 0
Ludzie potrzebują pomocy z CV raz na rok, nie co tydzień
✅ Czy żałuję? Nie. Kilka dni pracy, dużo nauki o buildowaniu custom GPT. Dobry przykład eksperymentu, który nie przyniosł “rezultatu biznesowego”, ale był i tak wartościowy jako nauka.
4. Co dalej?
4.1. Co możesz z tym zrobić dzisiaj?
Nie musisz od razu wywracać swojego życia do góry nogami.
Wybierz jedną, powtarzalną czynność, której nienawidzisz (np. pisanie podsumowań po spotkaniach).
Zaakceptuj, że przez pierwszy tydzień zrobisz to wolniej z AI niż ręcznie. To jest ta faza “odwrotnego roweru”.
Baw się. Daj sobie przyzwolenie na eksperymenty, które wylądują w koszu. To najtańsza forma edukacji.
➡️ W drugiej części
W tym newsletterze pokazałem jak decyduję co usprawnić AI-em w swojej pracy. To jest relatywnie łatwe - niskie ryzyko, możesz iterować szybko, testować w weekend.
Ale co z AI w produkcie? To ryzyko jest zdecydowanie wyższe - stawiasz budżet firmy, czas zespołu, reputację produktu. Nie możesz sobie pozwolić na “spróbujmy bo czemu nie”.
W drugiej części pokażę jak sam podchodzę do tego gdzie wdrażać AI do produktu, a gdzie nie ma to sensu.
Światne zestawienie filtrów, stosuję dość podobne, a może i te same inaczej nazwane, ale w innej kolejności 1. Automatyzacja, 2. Ciekawość i fun, 3. Opinie innych (w automatyzacji zawieram role "asystenckie") I finałowy filtr też podobny: kombajny "indywidualnie skalowalne rozwiazania uniwersalne” ;) do kosza od razu, tak jak cudowne recepty: "W 5 min stworzysz swój sklep internetowy" (a to hasło od 20 lat jest niezmiennie na tapecie każdej technologii web ;)
Gdzie szukacie inspiracji do wykorzystania AI w swojej pracy?