Návod pro AI Produktové Lídry: Produktivita a Vývoj Produktů

Tento dokument shrnuje klíčové strategie a postřehy pro produktové lídry v éře umělé inteligence, založené na zkušenostech Rachel Woolen, CPO společnosti Webflow. Hlavní myšlenky se soustředí na dvě klíčové oblasti: využití AI pro zvýšení osobní produktivity a principy úspěšného vývoje a dodávání AI-nativních produktů.

Klíčové poznatky zahrnují koncept ICPO (Individual Contributor Chief Product Officer), který popisuje lídra schopného samostatně získávat odpovědi na jakékoli otázky pomocí AI nástrojů jako Claude Code a Cursor. Toho je dosaženo budováním sady osobních AI agentů – „agenturního” šéfa kabinetu – kteří automatizují úkoly jako je analýza kalendáře, třídění e-mailů a provádění datových dotazů v Snowflake.

Pro úspěšné dodávání AI-nativních funkcí jsou klíčové tři lekce:

1. Robustní evaluace (evals): Vytváření komplexních testovacích scénářů pro AI modely je zásadní pro zajištění stability produktu, zejména při změnách podkladových modelů.
2. Využití vlastních silných stránek: AI funkce by měly být úzce propojeny s hlavními kompetencemi a odlišujícími prvky stávajícího produktu, nikoli pouze jako samostatné doplňky.
3. Distribuce na prvním místě: Produktové strategie musí od začátku počítat s novou vlnou distribuce – optimalizací pro odpovídací enginy (AEO) – která nahrazuje tradiční SEO a ASO.

Implementace těchto přístupů vyžaduje organizační transformaci zahrnující zajištění přístupu k nástrojům, podporu týmu prostřednictvím školení a „builder days” a úpravu kariérních žebříčků tak, aby odrážely nové požadavky na dovednosti.

Koncept ICPO (Individual Contributor Chief Product Officer) představuje novou éru leadershipu, kde vedoucí pracovníci nejsou závislí na ostatních při získávání informací. Podle Rachel Woolen to znamená „být schopen jako lídr získat vlastní odpovědi na prakticky jakoukoli otázku”.

K dosažení tohoto cíle je nutné:

1. Uspořádat data: Zajistit, aby data byla v takovém stavu, aby k nim mohl kdokoli v týmu přistupovat a samoobslužně získávat odpovědi.
2. Vybavit tým správnými nástroji: Poskytnout týmu nástroje, které odpovídají jejich úkolům a umožňují jim postupně rozvíjet své dovednosti.
3. Jít příkladem: Aktivně experimentovat s nástroji a pracovními postupy, abyste inspirovali tým a ukázali, že je v pořádku zkoušet nové věci, i když ne vždy fungují.

„Myslím, že součástí toho, být dnes skvělým lídrem, je být také skvělým individuálním přispěvatelem a co nejvíce si ‚ušpinit ruce’.” – Rachel Woolen

Rachel Woolen využívá kombinaci agentů v Claude Code a vlastních aplikací k vytvoření svého „agenturního” šéfa kabinetu, který jí pomáhá řídit každodenní úkoly. Tito agenti fungují v IDE prostředí jako je Cursor.

• Agent pro kalendář: Jednou denně nebo týdně analyzuje kalendář a poskytuje přehled o tom, jak byl stráven čas.
  • Identifikuje příležitosti k delegování: Navrhuje schůzky, kterých se místo ní může zúčastnit někdo z jejích podřízených.
  • Upozorňuje na neefektivitu: Označuje oblasti, kde dochází k přílišnému přepínání kontextu nebo dvojitým rezervacím.
  • Pomáhá s plánováním: Navrhuje, které schůzky v následujícím týdnu zrušit pro zvýšení efektivity.
• Agent pro e-maily: Provádí třídění e-mailové schránky.
  • Filtruje nevyžádanou poštu: Automaticky identifikuje a navrhuje k archivaci e-maily jako oznámení z kalendáře nebo marketingové zprávy.
  • Připravuje návrhy odpovědí: Pro e-maily, které vyžadují reakci, vytvoří koncepty odpovědí. Neodesílá je automaticky, ale výrazně urychluje proces.
  • Identifikuje problémy: Upozorňuje na praktické problémy, například na pozvánku na schůzku bez odkazu na videohovor.

Tento agent umožňuje klást dotazy v přirozeném jazyce přímo do datových skladů, jako je Snowflake, bez nutnosti zapojovat datového vědce.

• Přímý dotaz na data: Umožňuje rychle zjistit specifické informace, například kolik webových stránek má daný zákazník ve svém pracovním prostoru Webflow nebo jaké funkce používá. Woolen uvádí: „Je to skoro jako mít datového vědce v kapse.”
• Nastavení: Agent funguje díky propojení s interními datovými modely a autentizuje se pomocí SSO přihlašovacích údajů uživatele, což zajišťuje, že uživatel má přístup pouze k datům, ke kterým má oprávnění. Vše probíhá lokálně přes pracovní účet Anthropic.
• Proaktivní monitoring: Lze nastavit agenta, který sleduje trendy v datech a proaktivně hlásí významné změny nebo nesrovnalosti.

Proces vytvoření nového AI agenta v nástrojích jako Cursor a Claude Code je iterativní a intuitivní.

1. Vytvoření agenta: V rozhraní pro správu agentů se vytvoří nový agent. Pomocí přirozeného jazyka se mu zadá, co má dělat. Příklad: „Napiš příspěvek na LinkedIn a vygeneruj meme obrázek pomocí modelu pro generování obrázků OpenAI. Nepoužívej pomlčku em dash.”
2. Poskytnutí kontextu: Agentovi se poskytnou referenční materiály. To lze provést jednoduchým přetažením souborů (např. textových dokumentů s úspěšnými příspěvky nebo článků o osvědčených postupech) přímo do rozhraní terminálu.
3. Testování a iterace: První verze agenta je zřídka dokonalá. Je třeba jej opakovaně testovat a upravovat jeho pokyny na základě výsledků.
   • Woolen zdůrazňuje: „Mnoho z budování agenta spočívá v jeho vyzkoušení a následném upravení toho, co chcete, aby agent dělal.”
4. Zpřesňování: Po několika (typicky 3–4) použitích je agent obvykle „vyladěn” a funguje podle představ. Tento proces je neustálý, protože s příchodem nových modelů (např. Sonnet 4.5) se schopnosti agentů zlepšují a umožňují provádět delší a složitější úkoly.

Zavedení AI nástrojů a postupů do produktové organizace vyžaduje systematický přístup, který zohledňuje přirozenou adopční křivku v týmu.

Pyramida adopce:

1. Základna – Přístup: Zajistit, aby měl každý přístup k potřebným nástrojům (např. licence pro Cursor, Claude Code, Figma Make) a datům (např. přístup k MCP serverům pro Snowflake).
2. Střední úroveň – Podpora: Poskytnout podporu prostřednictvím:
   • Školení: Organizovat workshopy zaměřené na konkrétní nástroje.
   • Builder Days: Pořádat akce, kde členové týmu musí demonstrovat něco, co vytvořili, a tím je donutit vystoupit z komfortní zóny.
   • Šampioni: Využít nadšence a první osvojitele v týmu k tomu, aby pomáhali ostatním překonávat technické překážky.
3. Vrchol – Incentivy: Upravit interní procesy a metriky tak, aby motivovaly k adopci.
   • Přepsání kariérních žebříčků: Zahrnout dovednosti v oblasti AI jako očekávání pro kariérní postup.
   • Změna procesů: Posunout se od tradičních produktových dokumentů (PRD) k interaktivním prototypům, což umožňuje rychlejší a efektivnější harmonizaci práce mezi různými designéry a týmy.

Evaluace (evals) jsou v podstatě testovací scénáře pro AI modely a představují novou klíčovou dovednost pro produktové týmy.

• Příklad z praxe: Tým Webflow pracoval na novém produktu pro generování kódu (codegen). Těsně před spuštěním změnili podkladový AI model, což způsobilo, že produkt přestal fungovat. Důvodem bylo, že jejich stávající sada evaluací neměla dostatečné pokrytí, aby tuto chybu odhalila.
• Důležitost pokrytí: Je nutné mít jak testy, u kterých se očekává úspěch („dream evals”), tak testy, které jsou navrženy tak, aby záměrně selhaly. To pomáhá pochopit hranice a slabiny modelu.
• Nová dovednost pro PM: Produktoví manažeři se musí naučit psát efektivní evaluace a zajistit jejich dostatečné pokrytí, případně využívat syntetické evaluace generované jinými modely.

Při rozhodování, které AI funkce vyvíjet, je klíčové zaměřit se na oblasti, kde má firma přirozenou konkurenční výhodu.

• Příklad Webflow: Společnost Webflow se při vývoji svého produktu pro generování aplikací (appgen) zaměřila na své silné stránky:
  • Designový systém a CMS: Aplikace generované AI nativně využívají existující designový systém a obsah z CMS zákazníka.
  • Produkční prostředí: Na rozdíl od prototypovacích nástrojů Webflow generuje produkční aplikace, které běží na jejich robustním hostingu a využívají jejich bezpečnostní infrastrukturu.
  • Integrace do workflow: Produkt je plně integrován do stávajících pracovních postupů zákazníků.
• Strategický přístup: Cílem není jen přinést na trh dalšího kódovacího agenta, ale poskytnout „způsob, jak pomocí promptu vytvořit aplikaci až do produkce”, což je výrazně odlišná hodnota.

Způsob, jakým uživatelé objevují produkty, se neustále vyvíjí. Produktoví manažeři musí tuto změnu začlenit do své strategie od samého počátku.

Evoluce distribuce:

1. Vlna 1 (Internet): Optimalizace pro vyhledávače (SEO).
2. Vlna 2 (Mobil): Optimalizace pro obchody s aplikacemi (ASO).
3. Vlna 3 (Sociální sítě): Budování pro viralitu a sdílení.
4. Vlna 4 (AI): Optimalizace pro odpovídací enginy (Answer Engine Optimization – AEO).

• Co je AEO? Jedná se o strategii, jak zajistit, aby byl váš produkt, značka a informace o něm správně indexovány a prezentovány v AI enginech jako ChatGPT. To zahrnuje například aktualizaci FAQ na webu, aby je AI mohla zpracovat, nebo vytváření aplikací pro platformy jako ChatGPT.
• Nová příležitost: Tato změna představuje obrovskou příležitost pro růst a narušení stávajících způsobů objevování produktů. Produktové týmy, které pochopí a přizpůsobí se tomuto posunu, získají významnou konkurenční výhodu.