Kierownik produktu wspierany przez AI: Jak dr Nancy Li uruchamia produkty AI w ciągu kilku tygodni
Poznaj metodykę dr Nancy Li dotyczącą tworzenia produktów opartych na AI, pokazującą, jak automatyzować pracę kierownika produktu, szybko weryfikować pomysły i uruchamiać produkty AI w ciągu kilku tygodni, zapewniając mierzalną wartość.
Nancy Li
Dyrektorka ds. produktów, youtuberka i wyróżniona przez LinkedIn ekspertka
Przywództwo w branży: Dr Nancy Li jest cenioną dyrektorką ds. produktów, youtuberką oraz wyróżnioną przez LinkedIn ekspertką w dziedzinie zarządzania produktami AI.
Zarządzanie projektami AI: AI zmienia sposób realizacji projektów, kładąc większy nacisk na podejmowanie decyzji niż na samo dokumentowanie.
Automatyzacja zadań: Automatyzacja kluczowych zadań związanych z zarządzaniem produktem pozwala zaoszczędzić znaczną ilość czasu, zwiększając efektywność i produktywność.
Cykl życia produktu AI: Ustrukturyzowana metodyka tworzenia produktów AI przyspiesza ich uruchamianie, jednocześnie zapewniając, że zastosowania AI dostarczają rzeczywistą wartość.
Przyszłość ról zawodowych: AI może zastąpić niektóre role, ale podkreśla potrzebę istnienia wykwalifikowanych kierowników produktów wspieranych przez AI.
Dr Nancy Li jest uznaną dyrektorką ds. produktu, YouTuberką i LinkedIn Top Voice. Założyła Product Manager Accelerator, dwa produkty wykorzystujące AI oraz AI Product Management Bootcamp — ten ostatni odpowiada za wprowadzenie na rynek ponad 40 rzeczywistych produktów opartych na AI.
Porozmawialiśmy z nią, aby zrozumieć, jak to robi. Podzieliła się z nami swoim sposobem na szybkie i skuteczne realizowanie projektów.
Kształcenie menedżerów produktu
Założyłam Product Manager Accelerator, który pomógł ponad 1500 menedżerów produktu zdobyć wymarzone stanowiska PM w firmach FAANG i startupach-jednorożcach — a także awansować na stanowiska liderów produktu. Założyłam również AI Product Management Bootcamp, który pomógł wprowadzić na rynek 40 rzeczywistych produktów opartych na AI.
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
Ostatnio opracowaliśmy dwa produkty oparte na AI dla naszych studentów: AI Study Companion i AI Interviewer Copilot. Obecnie korzystają z nich studenci PM Accelerator, a w 2026 roku wprowadzimy te produkty do użytku przez użytkowników zewnętrznych.
Byłam również jedną z najmłodszych osób, które uzyskały doktorat z inżynierii na BU, a także absolwentką MIT Sloan School of Business. Jestem wielokrotnie nagradzaną dyrektorką ds. produktu i YouTuberką. Pisano o mnie w Forbes, a także należę do grona LinkedIn Top Voice.
Jak AI zmienia realizację projektów — od artefaktów do decyzji
W wyniku rozwoju AI realizacja projektów zmienia się z tworzenia artefaktów w podejmowanie decyzji. Poświęcamy mniej czasu na dokumentację i koordynację, a więcej na właściwe definiowanie problemów, weryfikowanie założeń i projektowanie przepływów pracy wykorzystujących AI.
W wyniku rozwoju AI realizacja projektów zmienia się z tworzenia artefaktów w podejmowanie decyzji.
Jest szybciej, bardziej iteracyjnie i w coraz większym stopniu polega na koordynowaniu wspólnej pracy ludzi i AI — a nie na zarządzaniu przekazywaniem zadań.
Jako CEO i CPO mogłam zmniejszyć mój zespół o połowę i dwukrotnie zwiększyć wyniki dzięki wykorzystaniu potencjału AI.
Które podstawowe zadania PM można zautomatyzować
Oszczędzam co najmniej osiem godzin tygodniowo na zadaniach związanych z zarządzaniem produktem dzięki automatyzacji pracy. Następujące zadania powinny być zautomatyzowane:
- Tworzenie wymagań
- Tworzenie prototypów
- Badania rynku
- Debugowanie
- Wywiady z klientami — używamy Dovetail do podsumowywania notatek ze spotkań i przekształcania ich w wymagania.
- Wdrażanie się w nowe projekty
- Zdobywanie wiedzy na dowolny temat, na przykład na temat wiadomości branżowych
- Podsumowywanie istniejących stosów technologicznych
- Tworzenie diagramów architektury systemu na podstawie istniejącej bazy kodu
Należy jednak pamiętać, że w niektórych obszarach nadal niezbędny jest ludzki wkład, na przykład przy przechodzeniu od prototypu do produktów gotowych do wdrożenia oraz przy tworzeniu strategii produktu, która rzeczywiście pomoże się wyróżnić.
W niektórych obszarach nadal niezbędny jest ludzki wkład, na przykład przy przechodzeniu od prototypu do produktów gotowych do wdrożenia oraz przy tworzeniu strategii produktu, która rzeczywiście pomoże się wyróżnić.
Jak AI zmienia podstawowe praktyki realizacji projektów w zespołach produktowych
Wszystko to wpływa na praktyki związane z realizacją projektów.
AI skraca czas definiowania zakresu projektu o 50%. Obecnie możesz bardzo łatwo zbierać opinie klientów i prowadzić badania rynku.
A chociaż dostosowanie zespołów wciąż wymaga ludzkiego podejścia, sztuczna inteligencja może pomóc podsumowywać spotkania zespołu i w ten sposób oszczędzać czas.
Struktura tworzenia produktów AI
Jak wspomniałam, mój bootcamp pomógł uruchomić ponad 40 produktów AI. Aby to osiągnąć, stworzyliśmy strukturę hipotezy AI. To prosty, powtarzalny system, którego używamy do weryfikowania pomysłów na AI przed ich zbudowaniem.
Zaczyna się od zdefiniowania problemu z wykorzystaniem naszej struktury GUCCI (Cele i misja, Niezaspokojone potrzeby, Segmentacja klientów, Konkurencja oraz Zintegrowany ekosystem), w ramach której precyzujemy cel użytkownika, jego bolączkę, ograniczenia oraz wpływ, jaki chcemy osiągnąć.
Następnie formułujemy hipotezę AI — jasne stwierdzenie określające, jakich danych wejściowych potrzebuje AI, jakie dane wyjściowe powinno generować oraz w jaki sposób usprawni przepływ pracy. To wyznacza naszą strategię danych i szybką weryfikację koncepcji AI, aby przetestować wykonalność techniczną.
Następnie bezpośrednio z klientami weryfikujemy dane wejściowe i wyjściowe AI, aby potwierdzić, czy funkcja rzeczywiście rozwiązuje realny problem. Tylko zweryfikowane pomysły przechodzą do produktu MVP, gdzie projektujemy pełną ścieżkę użytkownika z obsługą AI.
Gdy MVP działa, mierzymy, czy osiągnęliśmy dopasowanie produktu AI do rynku. Jeśli tak, skalujemy rozwiązanie za pomocą strategii uogólniania, rozszerzamy przypadki użycia i wykorzystujemy rzeczywiste dane użytkowników, aby wzmacniać naszą przewagę w obszarze danych i produktu.
Ten cykl życia — GUCCI → hipoteza AI → PoC → MVP → PMF → skalowanie — pozwala nam konsekwentnie uruchamiać produkty AI w ciągu około trzech miesięcy, a jednocześnie gwarantuje, że AI jest wykorzystywana tylko tam, gdzie rzeczywiście tworzy mierzalną wartość. Więcej o tym procesie przeczytasz tutaj.
Jak zarządzanie produktem oparte na specyfikacji przyspiesza dostarczanie produktów AI
Kolejną ważną kwestią jest to, że odeszliśmy od tradycyjnych metod zarządzania projektami — pisania wymagań, oczekiwania na przygotowanie makiet przez projektantów oraz oczekiwania na stworzenie pierwszego prototypu przez inżynierów. Obecnie korzystamy z procesu zarządzania produktem „opartego na specyfikacji”, co oznacza, że używamy narzędzi AI do szybkiego pisania wymagań i generowania prototypów.
Obecnie korzystamy z procesu zarządzania produktem opartego na specyfikacji, co oznacza, że używamy narzędzi AI do szybkiego pisania wymagań i generowania prototypów.
Potrafimy przekształcić wymagania dotyczące produktu w prototypy w ciągu godziny, bez pisania kodu, i szybko eksperymentować z pomysłami. Usunięcie zależności od projektantów i programistów skraca harmonogramy oraz z łatwością oszczędza kierownikom produktu wiele godzin każdego tygodnia.
Oto jak to zrobić:
- Poproś ChatGPT o pomoc w opracowaniu wymagań dotyczących produktu dla swoich pomysłów
- Wprowadź nasze pomysły na produkty
- ChatGPT zada następnie pytania doprecyzowujące i zaprojektuje szczegółową mapę ścieżki użytkownika
- Poproś ChatGPT o wygenerowanie wymagań.
- Wprowadź te wymagania do Google AI Studio, aby wygenerować prototyp.
Dlaczego filozofia stawiająca scenariusz na pierwszym miejscu tworzy mierzalną wartość
W dużym stopniu stawiamy na agentów. W rzeczywistości kierunek rozwoju naszego podstawowego produktu w dużej mierze opiera się na przepływach pracy z udziałem agentów — zarówno w naszej firmie, jak i w naszych produktach. Oznacza to powierzanie AI odpowiedzialności za wyniki, a nie tylko za wykonywanie poleceń.
Wewnętrznie agenci pomagają nam przekształcać złożone przepływy pracy w skalowalne, wysokiej jakości i powtarzalne procesy. W połączeniu z naszą kompleksową pętlą oceny systemy agentowe stały się niezawodnym silnikiem stojącym za jakością dostarczanych przez nas rozwiązań.
Na przykład korzystamy z agentów, którzy pobierają dane klientów, generują spostrzeżenia, tworzą wstępne wersje PRD, generują warianty projektów i tworzą prototypy projektów. Stworzyliśmy również „drugą pamięć AI”, która może wspólnie ze mną przeprowadzać burze mózgów jako młodszy kierownik produktu.
W naszych produktach koncentrujemy się na przepływach pracy, które przynoszą realną wartość naszej społeczności edukacyjnej: asystentach nauki, inteligentnym przetwarzaniu dokumentów i wieloetapowym rozumowaniu.
Nasza filozofia jest prosta: AI musi służyć scenariuszowi, a scenariusz musi tworzyć mierzalną wartość.
Naszym zdaniem AI nie polega na pogoni za najnowszym modelem — chodzi o zdyscyplinowaną inżynierię, projektowanie oparte na scenariuszach oraz kunszt doskonalenia każdego elementu, aż rzeczywiście zacznie służyć użytkownikowi.
Naszym zdaniem sztuczna inteligencja nie polega na pogoni za najnowszym modelem — chodzi o zdyscyplinowaną inżynierię, projektowanie oparte na scenariuszach oraz kunszt doskonalenia każdego komponentu, aż będzie naprawdę służył użytkownikowi.
Jak agenci mogą stać się bardziej zaawansowani dzięki LangGraph
Przyjrzyjmy się przepływowi pracy opartemu na agentach. Ten konkretny przypadek użycia może nie mieć szerokiego zastosowania, ale uważam, że szczegóły jego implementacji mogą pomóc w zaawansowanych przepływach pracy opartych na zarządzaniu produktem.
We wczesnej fazie prac nad naszym AI Interviewer Copilot nasz system był przede wszystkim asystentem skoncentrowanym na RAG, zbudowanym na LangChain. Sprawdzał się dobrze przy szybkiej iteracji i pomógł nam stworzyć solidne podstawy w zakresie przetwarzania dokumentów oraz jakości wyszukiwania, jednak wraz ze wzrostem funkcjonalności i złożoności asystenta — obejmującej wieloetapowe rozumowanie, nowe typy zadań, personalizację oraz współpracę między różnymi modułami rozumowania — czysty potok RAG przestał być wystarczający.
Początkowym wyzwaniem nie była wyłącznie złożoność, lecz także zapewnienie niezawodnego, powtarzalnego dostarczania wysokiej jakości, gdy źródła treści były niejednorodne i stale się zmieniały. Potrzebowaliśmy frameworka, który obsługiwałby RAG oparty na agentach, gdzie wielu wyspecjalizowanych agentów współpracuje w kontrolowany i możliwy do przeanalizowania sposób.
To doprowadziło do przyjęcia LangGraph. Zapewnia on determinizm, przejrzystość i jawne zarządzanie stanem, które są niezbędne podczas budowania asystenta konwersacyjnego, którego etapy rozumowania muszą być możliwe do audytowania, wyjaśnienia i powtórzenia. Przejście na LangGraph dobrze odpowiadało również naszemu długoterminowemu kierunkowi: budowaniu inteligentnego asystenta zamiast systemu pytań i odpowiedzi działającego w ramach pojedynczej interakcji.
Dlatego przebudowaliśmy przepływ dostarczania, wykorzystując nowoczesną orkiestrację sztucznej inteligencji:
- LangGraph do deterministycznych przejść stanów między wieloma agentami
- Pętle oceny osadzania i wyszukiwania w celu ustabilizowania agenta RAG
- Przetwarzanie dokumentów z zachowaniem metadanych, aby zapobiegać dryfowi semantycznemu
Obecnie jest to system wieloagentowy składający się z agenta RAG, agenta przeglądu CV oraz agenta orkiestracji kontekstu. Zaimplementowaliśmy kompletny, kompleksowy framework oceny — obejmujący dokładność na poziomie komponentów (dzielenie na fragmenty, osadzanie, wyszukiwanie) oraz dokładność na poziomie systemu (trafność końcowej odpowiedzi, wskaźnik halucynacji).
Dzięki ciągłemu dostrajaniu każdego komponentu i integracji automatycznych testów regresji zapewniliśmy, że system osiągał ponad 90% dokładności przed każdym większym wydaniem.
Ostatecznie uważamy, że nowoczesnego systemu sztucznej inteligencji nie definiuje żaden pojedynczy model. Definiuje go dobrze zorkiestrowany ekosystem komponentów: inteligencja dokumentów, stabilność wyszukiwania, współpraca wielu agentów, struktury pamięci oraz ciągła ocena.
Uważamy, że nowoczesnego systemu sztucznej inteligencji nie definiuje żaden pojedynczy model. Definiuje go dobrze zorkiestrowany ekosystem komponentów: inteligencja dokumentów, stabilność wyszukiwania, współpraca wielu agentów, struktury pamięci oraz ciągła ocena.
Jak debugowanie wspomagane przez sztuczną inteligencję przyspiesza dostarczanie
Debugowanie wspomagane przez sztuczną inteligencję było ważną częścią tej udanej implementacji — w dużym stopniu na nim polegaliśmy.
Narzędzia takie jak Claude Code i Cursor pomagają nam szybko diagnozować problemy z integracją, generować testy jednostkowe oraz analizować trudne przypadki brzegowe w zachowaniu promptów. Znacząco zwiększyło to szybkość naszego rozwoju, zwłaszcza podczas naprawiania błędów logicznych lub nieoczekiwanych wyników modelu.
Jak w praktyce wygląda zestaw narzędzi do zarządzania produktem oparty przede wszystkim na sztucznej inteligencji
Oto nasz zestaw technologii PM:
- Google AI Studio do prototypowania
- Claude Code do identyfikowania problemów, analizowania przypadków brzegowych i generowania ukierunkowanych testów jednostkowych
- Cursor do debugowania
- ChatGPT do tworzenia PRD
- ChatPRD do zarządzania produktem
- Dovetail do pozyskiwania wymagań z wniosków wyciągniętych z obserwacji klientów
- Miro do współpracy
Moim faworytem może być Claude Code. Konsekwentnie pomaga nam dostrzegać problemy z integracją lub luki logiczne znacznie wcześniej niż samo tradycyjne debugowanie. Jest też zdecydowanie lepszy niż Lovable. Mimo że wokół Lovable jest sporo szumu, nie nadaje się ono do zaawansowanej inżynierii AI na poziomie produkcyjnym.
Czy AI zastąpi kierowników projektów i osoby pełniące role produktowe?
Ostatecznie uważam, że AI zastąpi kierowników projektów. Nie potrzebujemy już kierowników projektów do zarządzania procesami! W rzeczywistości wiele stanowisk na poziomie początkującym zostanie zastąpionych przez AI — dotyczy to inżynierów oprogramowania, projektantów i analityków danych.
Potrzebujemy jednak większej liczby menedżerów produktu wspieranych przez AI, którzy potrafią podejmować decyzje z wykorzystaniem AI, kierować międzyfunkcyjnymi zespołami realizującymi wizje produktów i skutecznie zarządzać interesariuszami, a także szybko osiągać rezultaty.
Moja rada? Musisz szybko podnieść swoje kompetencje w zakresie wykorzystywania istniejących narzędzi AI i na nowo zdefiniować dostarczanie produktów. Rozważ też skoncentrowanie się konkretnie na produktach AI. Z mojego punktu widzenia możesz albo tworzyć produkty AI i przewodzić innowacjom, albo zostać zastąpiony.
Śledź jej działania
Możesz śledzić działania dr Nancy Li, gdy wprowadza produkty AI na rynek i uczy innych, jak robić to samo, na platformach YouTube, LinkedIn, X, w jej podcaście oraz na stronie internetowej PM Accelerator. Możesz również sprawdzić jej nowy program szkoleniowy z zarządzania produktami AI.
W The Digital Project Manager pojawią się kolejne wywiady z ekspertami!
