AI Product Sprint — od pomysłu do produktu w 70 minut

TL;DR: AI Product Sprint to proces budowania produktu, który zastępuje tradycyjny 4-6 tygodniowy cykl produktowy jednym intensywnym sprintem trwającym około 70 minut (bez liczenia wywiadów z użytkownikami). Kluczowa zmiana: zamiast od razu kodować, najpierw rozmawiamy z użytkownikami, formujemy hipotezę, testujemy prototypem, a dopiero potem wdrażamy. AI przyspiesza każdy etap, ale nie zastępuje rozmowy z człowiekiem.

TL;DR

AI Product Sprint to proces budowania produktu, który zastępuje tradycyjny 4-6 tygodniowy cykl produktowy jednym intensywnym sprintem trwającym ~70 minut (bez liczenia wywiadów z użytkownikami). Kluczowa zmiana: zamiast od razu kodować, najpierw rozmawiamy z użytkownikami, formujemy hipotezę, testujemy prototypem, a dopiero potem wdrażamy. AI przyspiesza każdy etap, ale nie zastępuje rozmowy z człowiekiem.

Kluczowe koncepcje

Problem: Prezes Driven Development (PDD)

Większość firm buduje produkty w sposób, który Piotr i nazywają "Prezes Driven Development":

"Wchodzi CEO do pokoju i mówi: Słuchajcie ludzie, ja mam pomysł. I ten pomysł zażre. Idzie do zespołu deweloperskiego biednego i każe im robić. Odpalamy cała fabrykę, wszyscy zaczynamy przerzucać te cegły. I najczęściej efekty tego są mizerne."

Statystyki potwierdzają problem:

• 80% funkcjonalności jest rzadko lub nigdy wykorzystywanych (raport Pendo)
• 10-20% eksperymentów wchodzi na produkcje w Google i Bing
• 41% kodu generowane przez AI (raport GitHub) -- ale szybszy kod nie oznacza lepszego produktu

"Jeżeli mamy zły proces, no to tylko poszczególne elementy tego procesu zostają przyspieszone, ale sam proces sam w sobie nie optymalizuje się na te wyniki."

Prawidłowy proces: 4 etapy sprintu

Etap 1: Research -- rozmowa z użytkownikiem

Syntetyczny użytkownik (ChatGPT) -- piaskownica do ćwiczenia wywiadów:

• Nie zastępuje prawdziwych rozmów, ale przygotowuje do nich
• Pozwala oswoić się z zadawaniem pytań, prowadzeniem wywiadów
• AI ocenia nasze zdolności: czy pytania są otwarte, czy naprowadzające

"Syntetyczny użytkownik nie jest po to, żeby wyciągać od niego insajty, bo to jest model, który nam po prostu odpowiada tak jak trochę chcemy usłyszeć. Natomiast pozwala nam się oswoić z zadawaniem pytań."

Przykład z case study Onboard Hero (fikcyjny SaaS do onboardingu handlowców):

• HR managerowie zgłaszali: "chcemy dashboard z metrykami"
• Po wywiadach okazało się, że prawdziwy problem to "czarna dziura onboardingu" -- handlowcy kończyli checklisty na 100%, ale nie radzili sobie w rozmowach z klientami
• Problem był u sales managerów, nie u HR

"Często jest tak, że ten kto zgłasza problem, to nie ten, kto potrzebuje rozwiązania."

Notebook LM do agregacji danych z wywiadów:

• Wrzucamy transkrypty z Fireflies, opinie z App Store, Google Store, dane z ankiet
• Model odpowiada TYLKO na podstawie wrzuconych danych (brak halucynacji)
• Każda odpowiedź jest zlinkowana z konkretnym źródłem
• Tworzy mapy myśli, fiszki, infografiki, prezentacje

Miro z AI do syntezy karteczek:

• Custom prompt na zaznaczonych karteczkach: "Przedstaw Executive Summary wniosków z tych wywiadów razem z hipotezami na featery"
• Automatyczna priorytetyzacja problemów wg ról (HR manager, sales manager, sales rep)
• Jeśli problem jest "critical" dla wszystkich trzech rol -- trafia na gore priorytetów

Etap 2: Hipoteza produktowa

W Claude (asystent projektowy z załadowanym kontekstem firmy):

• Wklejamy syntezę problemów z wywiadów
• Claude generuje hipotezy produktowe

Przykład hipotezy z case study:

"Wierzymy, że dodanie wskaźnika Sales Readiness do Onboard Hero, który pokazuje czy nowy handlowiec osiąga standardowe milestoney sprzedażowe (first call, first demo, first pipeline, first deal) -- rozwiąże problem braku widoczności po onboardingu."

Etap 3: Prototyp

Lovable -- AI builder do szybkich prototypów:

• Tworzymy prompt w Claude na podstawie hipotezy + screenów istniejącego produktu
• Claude generuje gotowy prompt dla Lovable
• Lovable buduje działający prototyp w minuty
• Stack: React + Tailwind, integracja z Supabase

"Spalić dwie godziny na prototypie zamiast dwa tygodnie na featurze, którego nikt nie używa."

Figma Make -- alternatywa z możliwością edycji designu:

• Generuje design z promptu
• Można skopiować do Figmy i pracować dalej z designerem
• Design da się eksportować do kodu

Pencil -- narzędzie design-to-code i code-to-design:

• Interfejs jak Figma, ale z promptowaniem
• Pod spodem Claude Code (Opus 4.6)
• Skanuje istniejące designy i tworzy nowe na ich podstawie
• Można generować aplikacje reactowe z designu

Etap 4: Wdrożenie i pomiar

Claude Code + Figma MCP -- od designu do produkcji:

• Cloud Code ściąga kontekst designu z Figmy przez MCP
• Generuje kod produkcyjny na istniejącym repozytorium
• Frontendowiec audytuje i wdraża

PostHog -- analityka i AB testy:

• Wipe-kodowanie integracji: "Hej, Cloud Code, dodaj mi PostHoga" -- jedna komenda
• Nagrywanie sesji użytkowników
• AB testy: czy nowa sekcja rzeczywiście zmniejsza churn
• Feature flagi do kontrolowanego wdrażania

"Early warning bije postmortem. Jeżeli widzisz porażkę na kwartalnym review, jesteś osiem tygodni za późno."

Porównanie: stary vs nowy świat

"Taki sprint dla nas zajął nam tutaj 60 minut. Oczywiście nie wliczaliśmy w tego rozmów z użytkownikami. One zazwyczaj zajmują najwięcej czasu i to jest etap, którego nie da się za bardzo przyspieszyć."

Product Builder -- nowa rola

Product Builder to osoba, która łączy kilka specjalizacji (engineering, design, product, marketing) i dzięki AI jest w stanie przejść przez cały proces end-to-end:

"Budowanie stało się naprawdę tanie. Trzeba się czymś innym wyróznic." -- Mark Andersen (a16z): "Przyszłość należy do generalistów, którzy będą w stanie operować dzięki AI w sześciu, ośmiu różnych specjalizacjach."

Satya Nadella (Microsoft): "Oni w Microsofcie już nie mają PMów, tylko full stack builderów."

Jak to wdrożyć

• Wdrożyć AI Product Sprint jako standardowy proces Discovery przed rozpoczęciem prac deweloperskich
• Skonfigurować asystenta projektowego w Claude z kontekstem firmy i klienta
• Użyć Notebook LM do agregacji feedbacku od klientów e-commerce (opinie, wywiady, tickety support)
• Budować prototypy w Lovable/Figma Make przed wydawaniem budżetu deweloperskiego
• Wdrożyć PostHog do AB testowania nowych featureów
• Zdefiniować rolę Product Buildera w zespołach -- osoba łącząca PM + design + dev

Narzędzia i komendy

Przykładowy workflow w Claude Code

# Podłączenie MCP Figma
claude mcp add figma

# Wdrożenie komponentu z designu Figma
# W Claude Code:
"Add sales readiness section to employee page from design [link-do-figma]"

Koszt referencyjny

• Prototyp w Lovable: kilkadziesiąt dolarów (darmowe plany wystarczają)
• Pełny produkt z Claude Code (przykład trenujonline.pl): ~400 USD za logowanie, płatności, streaming, CDN
• Porównanie: ta sama strona w Webflow przez freelancera -- 3 tygodnie + 4500 PLN

Powiązane tematy

• 02-product-engineering -- Ewolucja deva w Product Engineera
• 03-feedback-i-walidacja -- Szczegóły zbierania i analizy feedbacku z AI
• 04-no-code-dla-biznesu -- Replit i budowanie narzędzi bez kodowania
• notebook-lm -- Szczegóły pracy z Notebook LM
• langchain-agenci -- Budowanie agentów do researchu (Reddit scanning)