Agenci AI dla Product Managerów

TL;DR: Product Managerowie to grupa w R&D, która najrzadziej używa AI, bo nie wie, gdzie zacząć. Eksperci pokazują konkretne zastosowania agentów dla PM: od competitive research, przez filtrowanie Slacka, po analizę feedbacku klientów na skalę. Klucz: zacznij od zadań czasochłonnych i mało ryzykownych.

TL;DR

Product Managerowie to grupa w R&D, która najrzadziej używa AI -- bo nie wiedza gdzie zacząć. Eksperci pokazują konkretne use casy agentów dla PM: od competitive research, przez filtrowanie Slacka, po analizę feedbacku klientów na skalę. Klucz: zacznij od zadań czasochłonnych i mało ryzykownych.

Kluczowe koncepcje

PMowie najrzadziej używają AI

Badanie Miro na 2-3000 osobach pokazało zaskakujący wynik:

"Okazało się, że PMowie to jest grupa w całej grupie R&D, która najrzadziej używa AI. Design, inżynierowie, programiści -- wszyscy używają AI dużo więcej niż product managerowie."

Główna bariera: "Ludzie nie wiedza gdzie zacząć, nie wiedza od czego, nie wiedza co działa."

Jak priorytetyzować use casy

Prosta heurystyka priorytetyzacji:

"Wybierz coś, co pochłania dużo czasu. Wybierz coś, czego nie lubisz, ale co jest mało ryzykowne."

Pierwsze use casy do wdrożenia:

• Market research -- cotygodniowe sprawdzanie co robi konkurencja
• Slack -- filtrowanie setek kanałów do tego, co istotne
• Email -- poranny briefing z priorytetami

Warunki startu:

• Dane dostępne bez nowych integracji (Slack, Gmail, Calendar już podłączone)
• Możliwość sprawdzania wyników -- drafty, nie wyślij
• Testuj 10-20 razy przed wypuszczeniem

Agenci na różnych etapach cyklu produktowego

Faza Discovery:

• Agent do competitive research (Zapier + Perplexity)
• Agent przeszukujący Reddit/forum w poszukiwaniu problemów użytkowników (LangChain)
• Analiza feedbacku z wielu źródeł (Notebook LM)

Faza Planning:

• Generowanie OKR na bazie danych (Claude z JSON schema)
• Pisanie dokumentów PRD (Claude Sonet -- znacznie lepszy niż Gemini w tym zadaniu)
• Asystent Head of Product z promptem systemowym i memory

Faza Delivery:

• Audyt UX designu vs benchmarki Baymard (n8n + RAG)
• AI code review (Cursor Backbot / CodeRabbit)
• Generowanie specyfikacji (Speckit)

Faza Analysis:

• Segmentacja klientów z danych CSV (Claude Cowork)
• Analiza korelacji (np. engagement vs konwersja)
• Sumaryzacja voice of customer z transkrypcji

Miro AI -- generowanie UI do walidacji

Narzędzie budowane w Miro (na bazie firmy Wizard):

"My nie generujemy kodu, generujemy tylko i wyłącznie UI. Use case jest taki, żeby właśnie testować z klientami, robić wczesna walidacje. Do tego kod jest niepotrzebny."

Prototyp UI w Miro -> feedback od klientów -> iteracja. Bez linijki kodu, w minuty.

Syntetyczny użytkownik -- trening przed wywiadami

Asystent ChatGPT stworzony do symulacji wywiadów z użytkownikami:

"Pogadałem dwa, trzy razy z robotem i jak przyszedłem na rozmowę z człowiekiem, to się okazało, że tak samo prosto."

Jak działa:

• Podajesz kontekst produktu (firma, branża, grupa docelowa)
• GPT generuje personę (np. "Tomasz, 34 lata, programista z Krakowa, nostalgia za klasycznymi grami")
• Prowadzisz wywiad głosowo
• Na koniec GPT ocenia jakość wywiadu: struktura, pytania naprowadzające, frameworki

"Ponad 400 konwersacji przeprowadzono z syntetycznym użytkownikiem eksperci."

Asystent Head of Product

Konfiguracja asystenta Claude z pamięcią długoterminową:

"Jest to asystent skonfigurowany w Claude, który bazuje na kontekście, który mu zadałem na temat projektów czy learningów."

Elementy:

• Prompt systemowy -- wygenerowany po długiej dyskusji o pryncypiach pracy
• Memory -- Claude zapisuje fakty z bieżących dyskusji
• Kontekst firmy -- aktualizowany na bieżąco (np. zmiana właściciela GOG)

Jak to wdrożyć

• Stworzyć syntetycznego użytkownika e-commerce do treningu zespołu przed wywiadami z klientami
• Skonfigurować agenta competitive research dla kluczowych klientów (Zapier + Perplexity)
• Wdrożyć porannego asystenta PM (n8n: Slack + Gmail + Calendar -> raport priorytetów)
• Zbudować RAG agenta do audytu UX stron e-commerce vs benchmarki Baymard
• Wykorzystać Notebook LM do zbiorczej analizy feedbacku z wielu projektów klienckich
• Przygotować szablon asystenta "zespół PM" w Claude z kontekstem firmy

Narzędzia i komendy

Powiązane tematy

• 02-budowanie-agentow -- jak technicznie zbudować agenta
• 03-wzorce-agentow -- wzorce architektoniczne agentów
• 01-research -- narzędzia researchowe
• 04-automatyzacja -- platformy automatyzacji