Zostań AI Product Managerem. Połącz najlepsze praktyki z wiedzą AI, by osiągnąć sukces.

Co realnie zmieniło się w obowiązkach PM-a, jakim toolkitem pracuje się dziś i jak buduje się produkty po skróceniu pętli iteracji.

• Jak zmieniły się rola i praca PM-a w erze AI?

  • Definicja i różnice między podobnymi zawodami (project manager, product owner, etc)
  • Klasyczne obowiązki PM-a vs. obowiązki dziś: co zniknęło, co się zautomatyzowało, co zyskało na znaczeniu
  • Nowe kompetencje: prompt literacy, ocena jakości outputu AI, praca z niepewnością
  • Skrócenie cyklu iteracji: godziny/dni zamiast sprintów
  • PM jako orkiestrator pracy AI i ludzi
• Toolkit PM AI

  • Narzędzia do researchu i syntezy (ChatGPT, Claude, Perplexity)
  • Narzędzia do prototypowania (Lovable, Claude Code, v0, Bolt)
  • Narzędzia do analizy danych i automatyzacji pracy PM-a
  • Jak wybrać narzędzie dla twojego stacku
• Jak buduje się produkty teraz

  • Skrócona pętla: hipoteza, prototyp, test
  • PM jako „jednoosobowa fabryka” prototypów
  • Zmiana roli inżynierów: z budowania na review i architekturę
• Przykłady narzędzi AI

  • Demo: ten sam proces PM-owy zrobiony klasycznie vs. z AI
  • Case studies firm, które zmieniły proces dzięki AI
  • Ćwiczenie: test 2-3 narzędzi na własnym przykładzie

Discovery wtedy, gdy użytkownik nie widział jeszcze produktu, a „dużo danych” nie znaczy „dane, których da się użyć”.

• Discovery w erze AI

  • Skrócony cykl discovery dzięki AI
  • Nowe źródła sygnału: rozmowy z agentami, telemetria z prototypów
  • PM jako kurator insightów
• Badanie potrzeby na nieznany produkt

  • Ograniczenia ankiet i wywiadów dla produktów AI-native
  • Wizard-of-Oz testing, concierge MVP
  • Obserwacja zachowań zamiast deklaracji
• „Dużo danych” to często dane bezużyteczne

  • Jakość vs. ilość danych, typowe pułapki
  • Ograniczenia prawne i prywatność
  • AI w porządkowaniu danych nieustrukturyzowanych

Trafne decyzje produktowe i argumenty, które bronią się w rozmowie z zarządem.

• Podejmowanie trafnych decyzji

  • Rama: dane + intuicja + kontekst biznesowy
  • Decyzje odwracalne vs. nieodwracalne
  • AI jako sparing partner do testowania decyzji
• Obrona produktu/feature'u

  • Mapowanie interesariuszy i ich motywacji
  • Narracja: problem, dowód, rozwiązanie, wpływ
  • Zarządzanie oczekiwaniami i obiekcjami
  • Obsługa eskalacji i trudnych pytań
  • Jobs to Be Done
• Rozmowa z CFO/CEO

  • Język biznesowy: ROI, koszt alternatywny, North Star metric
  • Business case z pomocą AI
  • Prezentacja danych na jednym slajdzie
  • Ćwiczenie: 3-minutowy pitch uzasadniający feature

Roadmapa, priorytety i droga od pomysłu przez POC i MVP do product market fit - spięte z wizją i celami biznesowymi.

• Tworzenie roadmapy

  • Typy roadmap: outcome-based, feature-based, now-next-later
  • Powiązanie roadmapy z wizją i strategią
  • Komunikacja roadmapy do różnych odbiorców
  • Częstsze rewizje roadmapy dzięki szybszym pętlom feedbacku
• Zarządzanie produktem

  • Wizja i strategia jako punkt odniesienia dla decyzji
  • SWOT jako narzędzie okresowego audytu
  • Zarządzanie backlogiem pod kątem wartości
  • Cykl życia produktu i decyzje na każdym etapie
• Priorytetyzacja inicjatyw

  • Frameworki: RICE, Value vs. Effort, Kano
  • Priorytetyzacja oparta o metryki/KPI
  • Decyzje przy niepełnych danych
• Droga do produkcji

  • Etapy: pomysł, analiza rynku, POC, MVP, PMF
  • Sygnały prawdziwego vs. fałszywego PMF
  • Rola segmentacji i kohort w potwierdzaniu PMF

Konfigurujesz terminal od zera i uczysz agenta AI pracować na kontekście Twojego produktu.

• Budowa kontekstu produktu

  • Co to jest „kontekst” dla agenta (PRD, dane, styl komunikacji)
  • Struktura plików i wiedzy dla agenta
  • Kontekst jako żywy, aktualizowany dokument
• Uruchomienie i konfiguracja terminala

  • Podstawy terminala dla PM-a bez tech backgroundu
  • Instalacja i konfiguracja narzędzia (np. Claude Code)
  • Podstawowe komendy i nawigacja po projekcie
• Jak zacząć z produktem?

  • Wybór pierwszego, małego projektu
  • Definiowanie zakresu MVP dla własnego narzędzia
  • Przykłady: asystent do raportów, generator PRD, bot dokumentacji
• Praca z agentem

  • Formułowanie zadań i instrukcji
  • Iteracja i poprawianie wyników
  • Kiedy przejąć kontrolę, kiedy zaufać agentowi
• Bezpieczeństwo

  • Dane wrażliwe: czego nie wklejać do agenta
  • Uprawnienia i sandboxing
  • Weryfikacja wyników przed wdrożeniem
  • Zgodność z politykami firmowymi

Od PRD do klikalnego prototypu - własnymi rękami, bez angażowania działu IT.

• Tworzenie PRD

  • Struktura dobrego PRD
  • AI przyspiesza szkic, user stories, kryteria akceptacji
  • PRD jako input dla agenta budującego prototyp
  • Komunikowanie wymagań projektowych zespołowi
• Prototyp bez IT (Lovable, Claude Code)

  • Przegląd narzędzi no-code/AI-code
  • Od pomysłu do klikalnego prototypu
  • Ograniczenia: co da się zbudować bez inżynierów
• Praca z LLM przy prototypowaniu

  • Iteracyjne promptowanie: od ogółu do szczegółu
  • Debugowanie i poprawianie wyników
  • Utrzymanie spójności produktu w kolejnych iteracjach

Definiujesz, co znaczy dobra odpowiedź, budujesz eval i dobierasz model do zadania - z kosztami na stole - zanim produkt trafi do użytkowników.

• Co znaczy dobra odpowiedź?

  • Kryteria jakości: trafność, ton, bezpieczeństwo, faktyczność
  • Rubryki oceny i kto ocenia
  • „Działa technicznie” vs. „działa dla użytkownika”
• Budowa eval

  • Golden dataset i metryki (accuracy, hallucination rate, satysfakcja)
  • Ciągła ewaluacja przy zmianie promptu/modelu
  • Eval jako podstawa decyzji o wdrożeniu
• Dobór modeli i architektury

  • Który model do jakiego zadania - jakość vs. szybkość vs. koszt
  • Self-host vs. API (Claude i inni) - kiedy co ma sens
  • Koszty: tokeny, infrastruktura, ukryte koszty skalowania przy wzroście użycia
• Testy przed wdrożeniem (skrócone)

  • Automatyzacja testów regresyjnych z pomocą AI
  • Specyfika testowania funkcji AI/LLM (niedeterminizm)

Po premierze: szybsza analiza, dashboard i testy A/B, które mówią, czy produkt naprawdę działa.

• Jak AI przyspiesza analizę

  • Zapytania w języku naturalnym do danych
  • Automatyczne podsumowania i wykrywanie anomalii
  • Kiedy należy skupić się na ręcznej analizie
• Budowa dashboardu

  • Dobór metryk/KPI
  • Dashboard dla zarządu vs. operacyjny
  • AI w szybszej budowie i dostosowaniu dashboardu
• Testy A/B i inne pojęcia ważne dla releasu

  • Podstawy metodologii A/B testingu
  • Specyfika testów funkcji AI (prompty, modele, metryki jakościowe)
  • Analiza wyników i decyzje
  • Pułapki: fałszywa istotność, zbyt krótki test
• Nagrywanie interakcji z użytkownikami

  • Narzędzia do session replay i wykrywania wzorców
  • Analiza rozmów użytkownika z agentem jako źródło insightów
  • Prywatność i zgoda użytkowników