Ekspert SI i były kierownik produktu dogłębnie analizuje wykorzystanie agentowych przepływów pracy w realizacji projektów
Nate Jones jest byłym kierownikiem produktu, który obecnie tworzy własne produkty — jednocześnie edukując szerokie grono odbiorców na temat wykorzystywania systemów agentowych na ich korzyść. To właśnie z nim warto porozmawiać, jeśli chcesz poznać szczegóły stosowania agentowych potoków pracy w realizacji projektów. I właśnie dlatego usiedliśmy z nim do rozmowy.
Nate Jones
Kierownik produktu w Rockerbox
Agentowe przepływy pracy na nowo definiują realizację projektów: Agenci SI mogą obecnie zajmować się sortowaniem, planowaniem i dokumentacją na dużą skalę. W połączeniu z jasnymi zasadami biznesowymi znacznie zwiększają szybkość i spójność realizacji projektów.
Nowy kierownik projektu zarządza agentami: Kierownicy produktu i kierownicy projektów muszą przejść od tworzenia artefaktów do weryfikowania rezultatów agentów. Ich praca koncentruje się teraz na nadzorze, kontroli jakości oraz kierowaniu systemami SI tak, aby mogły się uczyć i doskonalić.
Wdrożenie SI wymaga głębokiej zmiany operacyjnej: Przejście na przepływy pracy oparte na SI nie odbywa się na zasadzie podłączenia i uruchomienia. Wymaga nowych nawyków, uporządkowanego zarządzania kontekstem i przejrzystej dokumentacji, aby ludzie mogli skupić się na 2% strategicznej pracy, która napędza 98% działań wykonywanych przez SI.
Oto, co nam powiedział.
Poznaj „pana Rogersa sztucznej inteligencji” i jego obsesję na punkcie AI
Jestem Nate’em — w internecie znanym jako gość w czapce, który dużo mówi o AI. Niedawno ktoś nazwał mnie „panem Rogersem sztucznej inteligencji” i naprawdę mi się to spodobało. Zajmowałem się zarządzaniem produktem, więc doskonale znam wyzwania związane z dostarczaniem produktów, a obecnie współpracuję z firmami, które pracują nad dostarczaniem agentowych systemów AI.
Moim zdaniem najważniejszą rzeczą, jaką możesz teraz zrobić, jest nauka AI. Właśnie dlatego jej uczę.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Mam na jej punkcie obsesję. A ludzie, których znam i którzy również mają na tym punkcie obsesję, najlepiej radzą sobie w swoich karierach. Musisz traktować tempo biegłości — czyli to, jak szybko doskonalisz umiejętność korzystania z narzędzi AI — jako podstawowy wskaźnik kariery.
Jak 10-krotnie zwiększyć swoją efektywność i szybkość dostarczania dzięki AI w ciągu 24 miesięcy
AI zmieniła wszystko! Całkowicie zmieniła moją rolę. Teraz domyślnie zaczynam od AI.
Właściwie powiedziałbym, że w ciągu 24 miesięcy 10-krotnie zwiększyłem zakres i szybkość dostarczania, jednocześnie podnosząc jakość. Oto, jak możesz zrobić to samo:
- Zmień sposób myślenia: w pierwszej kolejności korzystaj z LLM. To jedyny sposób na naukę.
- Oczekuj rezultatów, nie tylko porad: AI to potężne narzędzie, które może dostarczać kompletne rezultaty, szczególnie w zarządzaniu projektami. Musisz tylko wymagać od niego dostarczenia rezultatu. Stawiaj mu wysokie wymagania jakościowe. Mów mu bezpośrednio, gdy jego wynik nie jest wystarczająco dobry. Następnie przyjrzyj się sobie, ponieważ problem niemal zawsze polega na tym, że nie przekazałeś jasno swojej intencji, a LLM wnioskuje na podstawie nieprecyzyjnego polecenia, co prowadzi do nieprzydatnych rezultatów.
- Korzystaj z pomocy LLM przy tworzeniu promptów: LLM może pomóc Ci tworzyć prompty, co pozwala zaoszczędzić mnóstwo czasu.
- Naucz się optymalnie korzystać z LLM: naucz się bardzo precyzyjnie dzielić dane wejściowe i tworzyć prompty. Poświęcaj szczególną uwagę danym wejściowym, danym oraz uporządkowanemu kontekstowi, który przekazujesz modelowi.
Jak automatyzować klasyfikację zgłoszeń i dekompozycję zadań za pomocą systemów agentowych
Tworzenie skalowalnego procesu klasyfikacji zgłoszeń i dekompozycji zadań z wykorzystaniem systemów agentowych było bardzo ważne. Szczególnie w kontekście uzyskania przejrzystych, typowanych i deklaratywnych architektur planowania oraz przepływów agentowych.
Oto kompleksowy przepływ pracy agentowego systemu klasyfikacji zgłoszeń:
- Rozmowa z klientem jest transkrybowana za pomocą Granola (aplikacja do robienia notatek). Następnie transkrypcja trafia do agentowego potoku.
- Pierwszy agent wykorzystuje GPT-5 Thinking do przeanalizowania transkrypcji i rozpoznania głosu klienta. Generuje jasno sformułowane potrzeby.
- Ten wynik jest przekazywany kolejnemu agentowi, który za pośrednictwem MCP wywołuje Notion (oprogramowanie do zarządzania projektami), zapisuje informacje i potrzeby klienta oraz dołącza pełną transkrypcję w celach informacyjnych.
- Kolejny agent uruchamia LLM do analizy — w moim przypadku Gemini 2.5 Pro — aby przeskanować całą bazę danych Notion przy użyciu niestandardowego promptu. W rezultacie otrzymujemy ważony obraz priorytetów potrzeb na podstawie wszystkich znanych zgłoszeń.
- Następnie kolejny agent wykorzystuje lekki LLM (taki jak GPT Turbo) do wysłania zapytania do Linear za pośrednictwem MCP. Porównuje te priorytety z istniejącymi zgłoszeniami, identyfikuje nakładanie się tematów i wskazuje ewentualne luki.
- Jeśli występują luki, przepływ pracy wraca do GPT-5 Thinking z promptem polecającym wygenerowanie problemów produktowych i wymagań dotyczących rozwiązania.
- Następnie agent wywołuje ChatPRD za pośrednictwem MCP, aby przygotować dokument wymagań produktu (PRD).
- Potem GPT-5 Non-thinking przejmuje zadanie i dzieli PRD na pojedyncze zgłoszenia — to bardzo liniowy etap — a następnie wysyła je z powrotem do Linear za pośrednictwem MCP.
- Na koniec, jeśli chcesz pójść jeszcze dalej, kolejny agent może pobrać listę ludzkich i agentowych programistów (takich jak Devin AI) i rozpocząć automatyczne przydzielanie zadań w Slacku.
Tworzenie na dużą skalę systemów agentowych do sortowania i dekompozycji zgłoszeń było niezwykle ważne. Szczególnie w kontekście uzyskiwania przejrzystych, typowanych i deklaratywnych architektur planowania oraz przepływów agentów.
Czym są przepływy agentowe i jak je budować z myślą o skalowalnym dostarczaniu
Przepływy agentowe to temat na cały osobny dzień nauki, ale w skrócie wygląda to tak: przekazujesz LLM-owi narzędzia, wytyczne i zakres, aby rozwiązał za Ciebie problem. Tworzysz go za pomocą API, a Twoim celem jest pobranie odpowiednich danych — na przykład za pośrednictwem serwera MCP firmy Atlassian lub podobnego systemu — a następnie połączenie przychodzących zgłoszeń z właściwymi instrukcjami, aby zainicjować autonomiczne działanie.
Właśnie tutaj ważne jest przejrzyste deklaratywne formułowanie instrukcji. Zauważyłem, że dobre rezultaty daje mniejsze poleganie na języku instrukcji i wbudowywanie struktury bezpośrednio w przepływ pracy. Umożliwia to skalowanie na różne typy zgłoszeń. Osiągnięcie deterministycznej inteligencji — gdy wyniki są spójne i przewidywalne — poprzez wymuszanie przejrzystości i reguł biznesowych w przepływach pracy pozwala obsługiwać tysiące zgłoszeń.
Spójrz tylko na opisany powyżej przepływ agentowy. Nie chodzi w nim o dobre formułowanie instrukcji. Zawiera jedną lub dwie instrukcje, ale w większości składa się z reguł biznesowych, zwracanych danych i starannie uporządkowanych zadań związanych z rozumowaniem, podzielonych na małe części. Duże instrukcje dla modeli myślących nie są tak niezawodne jak wiele sekwencyjnych zadań dla prostych modeli. Należy jednak pamiętać, że w przypadku prostych modeli trzeba wbudować mechanizmy weryfikacji.
Dlaczego wdrażanie AI w przepływach dostarczania wymaga poważnego zarządzania zmianą
Ogólnie rzecz biorąc, zaskoczyło mnie, ile pracy wymaga wdrożenie AI w przepływach pracy! To ogromny wysiłek związany z zarządzaniem zmianą — prawdopodobnie największy, jaki widzieliśmy w branży technologicznej. Trzeba przeorientować cały przepływ pracy, zakładając, że człowiek zapewnia 2% uwagi, a LLM 98%.
Cały proces pracy trzeba zbudować od nowa.
Jak wygląda przejście do takiego świata? Jaki jest właściwy zakres 2% uwagi człowieka, aby mógł uzyskać realną dźwignię dzięki temu skupieniu? Jak można znacząco zwiększyć zakres działań, nawet dziesięciokrotnie, dzięki dodatkowemu zaangażowaniu LLM? Jak przebudować szablony, oczekiwania dotyczące kontekstu i dokumentacji oraz cały proces?
Pomyśl o tym w ten sposób — Twoim zadaniem w obszarze produktu nie jest już tworzenie artefaktów. Twoim zadaniem jest:
- Myśleć o przyszłym kierunku
- Weryfikować systemy agentowe, które zaczynają słuchać, tworzyć za Ciebie dokumenty PRD i przekazywać je zespołowi deweloperskiemu.
- Aktywnie angażować się i interweniować tam, gdzie widzisz lepsze rozwiązania.
Twórz więc systemy, które pozwolą Ci przeglądać strumień pomysłów generowanych przez AI.
Podobnie w projektach zadanie polegające na utrzymywaniu właściwego kierunku nie dotyczy artefaktów ani spotkań. Nie chodzi też o aktualizacje dla interesariuszy. Chodzi o analizowanie zautomatyzowanego przepływu, takiego jak opisany powyżej, i stwierdzenie: „Nie, uważam, że znajduje się tu błędne oszacowanie podstawowe”, a następnie wkroczenie do pracy i bezpośrednie dopilnowanie jej poprawności — przy jednoczesnym zapewnieniu, że system wyciągnie wnioski z tej interwencji.
Teraz zarządzasz agentami.
Jak wygląda stos technologiczny AI Nate’a Jonesa do tworzenia i zarządzania projektami
Oto mój stos technologiczny — może posłużyć Ci jako inspiracja:
- Linear to świetny wybór do zarządzania projektami — stworzony z myślą o AI
- Funkcje AI Superhuman (oprogramowania zwiększającego produktywność) do wyszukiwania, tworzenia wiadomości i zarządzania kalendarzem, które upraszczają korespondencję
- Granola do tworzenia transkrypcji spotkań
- Perplexity do pracy badawczej
- ChatGPT Deep Research do wstępnego przeglądu złożonych tematów
- GPT-5 Pro do bardzo złożonego myślenia i rozwiązywania problemów
- Codex do rozwiązywania problemów z kodem pod kierunkiem użytkownika
- Claude do zmagania się z redakcją i tworzeniem tekstów
- Claude Code jako agent ogólnego przeznaczenia z dostępem do lokalnych plików
- Claude na urządzeniach mobilnych jako osobisty asystent
- Riverside do nagrywania wspomaganego przez AI
- Comet Browser do inteligentnego przeglądania internetu z pomocą AI
Powiem tak: Ludzie nie doceniają możliwości używania narzędzi w Claude. Można za jego pomocą tworzyć arkusze Excel i prezentacje PowerPoint od podstaw. Claude Code można też wykorzystywać do znacznie więcej niż tylko programowania. Właściwie napisałem cały artykuł na ten temat.
Dlaczego AI eliminuje spotkania i umożliwia w pełni asynchroniczną współpracę
Dzięki AI możesz teraz pracować w znacznie bardziej asynchroniczny sposób. Stworzyłem całe produkty bez ani jednego spotkania ze współtwórcami. Wystarczy mieć doskonałe systemy dokumentacji i podejmować decyzje w Slacku.
AI umożliwia to dzięki dokumentacji wspomaganej przez AI, programowaniu wspomaganemu przez AI i nie tylko.
Ale przede wszystkim chodzi o zmianę sposobu myślenia.
Dlaczego tradycyjne zarządzanie projektami znika w erze AI
Wyczucie nie zniknie. Odpowiedzialność również. Ani zarządzanie interesariuszami i relacjami. To samo dotyczy niedeterministycznych zadań z niejednoznacznym kontekstem. Do tego potrzebni są ludzie.
Jednak zarządzanie projektami jako praktyka zaganiania kotów i popychania projektów do przodu zniknie. Cała praca związana z utrzymywaniem projektów na właściwym torze zostanie przejęta przez AI.
Dlatego radzę zacząć czerpać entuzjazm z niejednoznacznych, ludzkich aspektów tej pracy. I mocno zaangażować się w tworzenie systemów agentów AI oraz zarządzanie nimi — możesz zacząć od konstruktora agentów OpenAI i n8n.
Radzę zacząć czerpać entuzjazm z niejednoznacznych, ludzkich aspektów tej pracy. I mocno zaangażować się w tworzenie systemów agentów AI oraz zarządzanie nimi — możesz zacząć od konstruktora agentów OpenAI i n8n.
Śledź na bieżąco
Możesz śledzić Nate’a i uczyć się od niego za pośrednictwem jego newslettera oraz kanału YouTube.
Na The Digital Project Manager pojawi się więcej wywiadów z ekspertami.
