Sztuczki zwiększające produktywność dzięki AI i inżynierii promptów, których będziesz potrzebować w 2025 roku

Przeczytaj transkrypcję:

Testujemy transkrypcję naszych podcastów za pomocą programu komputerowego. Wybaczcie wszelkie literówki, ponieważ bot nie zawsze działa w 100% poprawnie.

Hannah Clark: Kiedy spoglądam wstecz na wszystkie tematy, które poruszaliśmy w programie w tym roku, zdecydowanie bardzo dużo rozmawialiśmy o AI. Mam więc nadzieję, że nie macie nic przeciwko temu, że dorzucimy jeszcze jeden odcinek do tej listy, ponieważ ten jest prawdopodobnie najbardziej praktycznym odcinkiem o AI, jaki dotąd nagraliśmy.

Moim dzisiejszym gościem jest Tal Raviv, geniusz stojący za popularnym kursem zatytułowanym „Zbuduj własny system produktywności PM i drugiego pilota AI”, co jest dość wyszukaną nazwą. To także spore osiągnięcie dla kogoś, kto wcześniej określał się jako sceptyk AI. Dla Tala przełomem było zrozumienie, dlaczego tak wielu menedżerów produktu ma trudności z wydobyciem pełnej wartości z narzędzi opartych na dużych modelach językowych oraz odkrycie taktyk, które naprawdę mogą zmienić produktywność.

I tak, omówimy te taktyki w tym odcinku. Porozmawiamy o tym, dlaczego wdrażanie AI przypomina wdrażanie nowego członka zespołu, dlaczego iteracyjne projektowanie promptów jest kluczowe, a także o praktycznych wskazówkach dotyczących rozpoczęcia eksperymentowania z narzędziami AI i budowania pewności we własnych umiejętnościach. Zaczynajmy.

Witajcie ponownie w podcaście Klubu CPO. Jest dziś ze mną Tal Raviv.

Talu, bardzo dziękuję, że do nas dołączyłeś. To naprawdę ekscytujące. Czy możesz opowiedzieć nam trochę o swoim doświadczeniu i o tym, jak dotarłeś do miejsca, w którym jesteś dzisiaj?

Tal Raviv: Jasne. Zacząłem od studiowania inżynierii chemicznej, która nie ma absolutnie nic wspólnego z tym, czym zajmuję się dziś.

To znaczy, ma o tyle, że nauczyła mnie dobrze przyswajać trudne rzeczy i zagłębiać się w temat. Założyłem firmę SaaS z kilkorgiem znajomych ze studiów i prowadziliśmy ją przez cztery lata. Kiedy nadszedł czas, by znaleźć prawdziwą pracę, rozejrzałem się i pomyślałem: właściwie zajmuję się obsługą klienta, marketingiem, programowaniem i projektowaniem.

Jak wyglądałaby prawdziwa praca obejmująca to wszystko? Wtedy pojawiła się nowa dziedzina — zarządzanie produktem. Złożyłem podanie i dziś prawdopodobnie nie udałoby mi się wejść do tej branży, ale wtedy mi się udało.

Hannah Clark: Świetnie. Dziś będziemy rozmawiać o czymś, do czego wszyscy próbują się przebić — o skutecznym korzystaniu z AI. Myślę, że wszyscy próbujemy zrozumieć, jak wykorzystywać tę technologię skuteczniej i bardziej praktycznie. Skupimy się więc na tym, jak możemy używać AI w naszych codziennych procesach pracy.

Zanim jednak przejdziemy do tematu, poświęćmy chwilę na rozmowę o tym, co dzieje się w Twoim życiu. Prowadzisz kurs grupowy pomagający menedżerom produktu skuteczniej wykorzystywać AI. Jaka droga doprowadziła Cię do tej decyzji?

Tal Raviv: Zacząłem pracować nad tym kursem wspólnie z Maven. Z jednej strony zajmowałem się wieloma inicjatywami Riverside związanymi z generatywną AI i nimi kierowałem. Jednocześnie zupełnie nie korzystałem z AI na co dzień. Myślałem: „O, to świetne rozwiązanie dla produktu”.

To nie ma nic wspólnego z moją codzienną pracą. Nigdy nie pomoże mi w tych wszystkich rzeczach, przy których potrzebuję wsparcia. Kurs ostatecznie stał się więc programem o produktywności i budowaniu systemów zwiększających własną produktywność. Jako menedżer produktu możesz też w bardzo dużym stopniu zwiększyć produktywność swojego zespołu.

Przyglądasz się organizacji, zarządzasz emocjami i zajmujesz się tymi wszystkimi niskotechnologicznymi sprawami. Tego właśnie uczę na kursie. Równolegle dużo eksperymentowałem z AI. Przełom nastąpił wtedy, gdy zacząłem postrzegać ją jako coś, czego mogę używać osobiście. Pracowałem w Riverside i znalazłem się między młotem a kowadłem.

Nie było sposobu, żebym osiągnął to, co musiałem, bez wykorzystania ChatGPT. Nawet wtedy opierałem się, narzekałem i protestowałem, aż lider mojego zespołu inżynieryjnego powiedział: „Po prostu Ci pokażę. Przestań. Tak się to robi”. To otworzyło mi oczy na bardzo prostą zasadę: powodem, dla którego nie korzystałem z tego właściwie, było to, że nie dostarczałem wystarczającego kontekstu — dokładnie tak samo jak w przypadku człowieka.

To było dla mnie mentalne przesunięcie. Zacząłem pytać: ile kontekstu mogę jej przekazać? Co by było, gdybym dał jej tyle samo kontekstu, ile dałbym nowej osobie, którą wdrażam do pracy? Co by było, gdybym rozmawiał z nią tak jak z nowym pracownikiem?

A potem: co by było, gdybym angażował ją w konkretną inicjatywę, tak jak nowego członka zespołu? Zmieniłem swój model mentalny i zacząłem naprawdę myśleć o tym, co zapewniłoby człowiekowi dobre warunki do osiągnięcia sukcesu. Robiłem to w wolnym czasie i uczyłem tego na kursie, aż zacząłem sobie uświadamiać: „O mój Boże, to naprawdę może być przydatne w pracy”.

Zajęło mi dużo czasu — dopiero w 2024 roku to do mnie dotarło — a następnie stopniowo włączyłem ten temat do kursu. Teraz pierwsze dwa tygodnie kursu dotyczą uporządkowania własnego podwórka i wszystkich rzeczy, które nadal mają znaczenie, nawet w czasach AI. Ostatni tydzień to intensywna sesja obejmująca trzy spotkania, podczas których budujemy drugiego pilota AI dla menedżera produktu.

Hannah Clark: Świetnie. Niedługo chętnie przejdę bardziej szczegółowo przez każdy z tych tematów, szczególnie przez wdrażanie AI. Sam pomysł wdrażania AI jest niezwykle interesujący.

Zanim do tego przejdziemy, wspomniałeś o swoim początkowym sceptycyzmie wobec pracy z AI. Myślę, że to coś powszechnego zarówno w zarządzaniu produktem, jak i w innych dziedzinach. Dlaczego Twoim zdaniem tak jest? Dlaczego ludzie są sceptyczni lub wahają się przed przejściem od świadomości do wdrożenia?

Tal Raviv: Myślę, że przez większość ostatnich dwóch, może dwóch i pół roku od pojawienia się ChatGPT nie radził sobie on zbyt dobrze z wieloma zadaniami albo wymagał tak dużo redagowania i myślenia, że przypominało to zatrudnianie kogoś bardzo początkującego. Właśnie dlatego nie zatrudniamy stażysty do określonej roli — stworzyłby więcej pracy, niż byłby wart.

Po pierwsze, zmieniło się to, że AI stała się znacznie lepsza. Okna kontekstowe się powiększyły, osobowości modeli stały się lepsze, a same modele po prostu zyskały większą inteligencję. Niedawno odbyło się słynne wystąpienie, w którym na scenie pojawili się szefowie produktu Anthropic i OpenAI. Powiedzieli mniej więcej, że inteligencja nie jest już wąskim gardłem.

Można sprawić, by AI była jeszcze inteligentniejsza, ale to nie jest problem. Problemem jest wstępne trenowanie, kontekst albo po prostu to, co model wie i z czym miał kontakt. Jeśli zwracamy się do dużego modelu językowego z jednym zdaniem promptu, nawet jeśli jest to prompt opracowany i dopracowany przez największego eksperta na świecie, nadal pozostaje jednym zdaniem.

W efekcie model poda Ci zasadniczo średnią z internetu. Jeśli jednak chcesz, by wykonał rodzaj pracy, którą Ty wykonujesz, musisz pamiętać, że żaden z nas jako jednostka nie jest średnią z internetu. Wnosimy własną wiedzę, łączymy ją i syntetyzujemy. Punktem wyjścia powinno być więc przekazanie modelowi tej wiedzy i sprawdzenie, co potrafi z nią zrobić.

Hannah Clark: To bardzo trafna uwaga. Czasami wchodzimy na czat i oczekujemy, że model wie wszystko, więc powinien udzielić idealnej odpowiedzi. To tak, jakby zatrzymać kogoś na ulicy w drodze do sklepu spożywczego i powiedzieć: „Hej, możesz napisać dokument wymagań produktu?”.

Ta osoba podejmie najlepszą próbę, ale bez całego kontekstu i wiedzy własnej, którą Ty posiadasz. To jeden z tych momentów, kiedy nagle uświadamiamy sobie coś oczywistego.

Tal Raviv: Podam jeszcze jeden przykład. Kiedy rozmawiam z osobami, które nie zajmują się zarządzaniem produktem, tłumaczę to, korzystając z mojego eksperymentu z używaniem AI jako dietetyka i narzędzia pomagającego mi trzymać się planu.

Gdybym pracował z prawdziwym dietetykiem, nie przyszedłbym do niego i nie powiedział: „Świetnie, powiedz mi, co, ile i kiedy mam jeść”. Dietetyk odpowiedziałby: „Może najpierw usiądziemy i zadam Ci kilka pytań?”. A ja na to: „Nie. Chcę tylko, żebyś mi powiedział. Jesteś kiepskim dietetykiem”.

Wyszedłbym. Taka rozmowa by się nie wydarzyła. A jednak właśnie tak rozmawiamy z AI.

Hannah Clark: Dokładnie. Mam nadzieję, że Twój eksperyment się sprawdza.

Chcę porozmawiać o tym drugim pilocie AI. To wszystko jest naprawdę interesujące. Możemy podejść do skutecznego korzystania z AI z wielu stron.

Zacznijmy więc od narzędzia. Opowiedz mi o tym narzędziu — drugim pilocie AI. Co jest tutaj przełomowego?

Tal Raviv: Omówię jego elementy. Najpierw wybierasz ChatGPT, Claude’a albo coś innego. Osobiście bardzo lubię do tego Claude’a. W praktyce funkcja projektów jest płatna, ale zdecydowanie warta swojej ceny.

Jest naprawdę dobra z powodów, które zaraz opiszę, i bardzo ułatwia pracę. Wszystko wymaga zaledwie jednego kliknięcia. To samo można osiągnąć z dowolnym dużym modelem językowym, używając odrobiny prowizorki i ręcznej pracy. Po pierwsze, korzystasz z niestandardowych instrukcji, promptu systemowego czy dowolnej innej nazwy, aby powiedzieć modelowi, jak ma się zachowywać.

Chcesz, by był kimś, kto Cię kwestionuje, zadaje wiele pytań i niekoniecznie akceptuje Twoje założenia. Kimś w rodzaju idealnego współpracownika siedzącego obok podczas wspólnej pracy menedżerów produktu. Powinien naciskać na określone zachowania lub wartości. Ja wyznaczyłem sobie nastawienie na działanie i próbę szybkiego dostarczania wartości klientom.

Staraj się podejmować decyzje bez kompletu danych, ale w innych branżach lub firmach może być zupełnie inaczej. To jest osobowość, którą zatrudniasz — pomyśl o procesie rekrutacji. To właśnie taki człowiek byłby Twoim wymarzonym pracownikiem. Następnie go zatrudniasz i wdrażasz.

Gdyby do zespołu dołączył nowy menedżer produktu, prawdopodobnie otrzymałby dokument dotyczący misji, wizji i strategii. Dostałby prezentację z charakterystyką person klientów. Gdyby był moim trenerem, przekazałbym mu moje ostatnie oceny okresowe, informacje o trudnościach i uwagi otrzymywane od menedżera.

Wracając do nowego menedżera produktu: przekazałbym mu również trochę plotek. „Usiądźmy, napijmy się kawy i opowiem Ci o interesariuszach. Powiem Ci o osobach, które będą w Twoim zespole, w czym są szczególnie dobre i gdzie potrzebują od Ciebie większego wsparcia”.

„Oto ten interesariusz. Co sprawia, że czuje się dobrze i na którym etapie procesu? Nie nadepnij jednak na tę minę”. I tak dalej. Oto schemat organizacyjny, oto mój zespół. Tego może być nieskończenie wiele. Nowa osoba dołączająca do firmy chłonęłaby te informacje z różnych źródeł.

Zatrudniłeś ją, wdrożyłeś, a teraz musisz skierować ją do pracy. Mówisz: „Potrzebuję, żebyś zajął się tą inicjatywą” albo „Chcę, żebyś pomógł mi pokierować tą inicjatywą”. Rozpoczynasz wątek i mówisz: „Prawie nic nie wiem o tej inicjatywie. Właśnie dowiedziałem się o niej podczas przypadkowej rozmowy z założycielem. Musimy działać szybko. Oto, co wiem. Oto, co myślę”.

Prowadzisz z nim rozmowę. W całym wątku dotyczącym tej inicjatywy możesz prosić o różne rezultaty. Może to być zwykłe pisanie dokumentów, ale możliwości są znacznie większe.

AI może być partnerem do myślenia, symulować trudną rozmowę albo odpowiedzieć na pytanie: „Co jest najważniejszą rzeczą, którą powinieneś zrobić teraz?”. Odpowiedzi potrafią być niesamowite. W tym właśnie dzieje się magia, ponieważ model stale odwołuje się do prawdziwych nazwisk osób w organizacji.

Może powiedzieć: „To okazja, by naprawdę zastosować się do informacji zwrotnej, która stale pojawia się w Twoich ocenach okresowych” albo „To dobry moment, by zaangażować tego interesariusza”. Jestem zdumiony trafnością i wyczuciem czasu takich sugestii.

W trakcie inicjatywy sugeruję przekazywanie jeszcze większej ilości informacji, w tym plotek. Im więcej kontekstu, tym lepiej. Wyobraź sobie, że pracujesz nad czymś i po dwóch tygodniach odbywasz przypadkową rozmowę z szefem sprzedaży, który narzuca Ci nowe ograniczenie. Albo menedżer mówi: „Jeśli to nie osiągnie tego celu, nie ma sensu tego wdrażać”.

Wracasz do biurka i myślisz: „O mój Boże, nie uwierzysz, jaką właśnie odbyłem rozmowę”. Możesz przekazać to swojemu drugiemu pilotowi. On również powinien o tym wiedzieć.

Na koniec warto zamknąć pętlę i poinformować go, co się wydarzyło, oraz udostępnić wyniki retrospektywy. Możesz powiedzieć: „To koniec historii. Wdrożyliśmy rozwiązanie. Zadziałało albo nie zadziałało. Powiedz mi, czego nowego nauczyłeś się w tym wątku”.

„Co inny nowy menedżer produktu powinien wiedzieć i czego nauczyć się z tej inicjatywy?”. W Claude’ie dodajesz to jednym kliknięciem, a w ChatGPT kopiujesz i wklejasz z powrotem do wiedzy projektu. Możesz też wykorzystać to w kolejnym wątku. Kontekst, który dodałeś tym razem, staje się po prostu trochę większy.

To dlatego lubię Claude’a — wystarczy jedno kliknięcie. Jest zoptymalizowany pod tym kątem i natychmiast stosuje nowe informacje we wszystkich wątkach. W skrócie właśnie tak budujesz drugiego pilota, który z czasem staje się mądrzejszy, bardziej doświadczony i od razu wykorzystuje lekcje z innych inicjatyw.

Hannah Clark: Jestem teraz trochę oszołomiona. Szczerze mówiąc, to znacznie bardziej kompleksowe i imponujące, niż się spodziewałam.

Czy była to rozmowa, którą odbyłeś wcześniej ze swoim współpracownikiem, kiedy powiedział: „Nie, pozwól, że Ci pokażę”? Jak odkryłeś, że narzędzie ma taką zdolność zapamiętywania, podejmowania decyzji i wykazywania inteligencji emocjonalnej, a do tego potrafi wykonywać wszystkie te praktyczne zadania? Jestem przytłoczona.

Tal Raviv: Nie wiedziałem. Dla mnie wszystko połączyło się w moment olśnienia podczas rozmowy ze współpracownikiem. Powiedział: „Pamiętasz ten przykład? Mówiłeś, że musisz bardzo szybko napisać wiele historyjek użytkownika, które wyczerpują Cię psychicznie, zajmują mnóstwo czasu i muszą być bardzo precyzyjne”.

„Jak ChatGPT miałby Ci w tym pomóc?”. Próbowałem robić zrzuty ekranu z Figmy i korzystać z wtyczek Figmy. To wymagało więcej pracy, niż było warte. Zasugerował: „Usiądź w ChatGPT, przekaż mu szablon, a następnie powiedz wszystko, co musi wiedzieć o tej historyjce użytkownika”.

Pomyślałem: „To dużo pisania”. Odpowiedział: „Nie pisz. Dyktuj. Po prostu mów”. Kolejnym ważnym osiągnięciem ostatnich dwóch lat jest to, że zamiana mowy na tekst stała się bardzo dobra. OpenAI udostępniło model Whisper, a wielu twórców aplikacji wdrożyło go w systemie macOS, aplikacjach na telefon i innych miejscach.

W porównaniu z wbudowanym dyktowaniem Apple czy Windows jest o wiele dokładniejszy. To sprawia, że korzystanie z niego jest znacznie przyjemniejsze i bardziej użyteczne. Mogę po prostu przytrzymać przycisk i długo mówić, a transkrypcja jest bardzo dokładna.

Proces zaczyna więc przypominać rozmowę, którą prowadziłbym z nowym inżynierem dołączającym do inicjatywy albo podczas jej rozpoczynania. ChatGPT bardzo dobrze przyjmuje kontekst, porządkuje go w określony sposób i uzupełnia luki.

Kiedy to zrobiłem, byłem zachwycony. Po pierwsze, model nigdy nie widział projektów, a mimo to dodał do historyjek użytkownika rzeczy, o których sam nie pomyślałem. Uzupełnił luki. Prawie nie musiałem niczego edytować. Jeśli coś usuwałem, były to głównie powtórzenia.

Model po prostu przesadnie się postarał. To był mój moment olśnienia: „A więc chodzi o kontekst”. Następnie dochodzi średnia wiedzy z internetu. Produkty nie są przecież aż tak wyjątkowe. Model potrafi rozpoznać, że w tym miejscu przyda się kreatywna hipoteza i połączyć kropki.

Kiedy zacząłem myśleć w ten sposób, nieustannie sprawdzałem, jak daleko mogę przesunąć granicę i ile kontekstu mogę mu przekazać.

Hannah Clark: To niesamowite. Przejdźmy więc do bardziej praktycznego, instruktażowego trybu. Jestem pewna, że wielu słuchających nas menedżerów produktu aż pali się do wykorzystania tego narzędzia.

Mamy wybrany duży model językowy. Jeśli ktoś chce po prostu zacząć, jakie kluczowe kroki zaleciłbyś podczas jego wdrażania?

Tal Raviv: Zacząłbym prosto. Jeśli nie płacisz za wersję profesjonalną którejś z tych usług, powinieneś to rozważyć z innych powodów, ale nie musisz robić tego specjalnie w tym celu.

Rozpocznij jeden wątek i powiedz modelowi, jak ma się zachowywać. Krok zerowy to pobranie czegoś w rodzaju lepszego narzędzia do dyktowania, na przykład Superwhisper, Better Dictation czy Wispr Flow. Jest ich mnóstwo. Poćwicz dobre dyktowanie — wszystko, co opiszę później, stanie się dzięki temu łatwiejsze.

Otwórz nowy wątek i powiedz, jak model ma się zachowywać. To jest prompt systemowy. Umieszczenie go na początku wątku odpowiada za około 90% wartości. Następnie, jeśli masz dokument, skopiuj stronę docelową swojego produktu albo opowiedz, jak opisałbyś go podczas przyjęcia koktajlowego.

Nawet jeśli nie dodasz schematu organizacyjnego, informacji o interesariuszach ani ocen okresowych, niewielka ilość kontekstu jest o wiele lepsza niż jego brak. Możesz na tym poprzestać. Zrób tylko trochę.

Następnie dodaj kontekst inicjatywy, nad którą chcesz pracować. To może być kolejne 60 sekund wypowiedzi: „Oto, co wiem. Mamy taki sygnał. Otrzymujemy takie zgłoszenia do działu wsparcia”. I tyle. Naciśnij Enter i zobacz, co się stanie.

Hannah Clark: Czy w ramach swojego kursu widziałeś, jak inni przechodzą przez ten proces? Czy udało Ci się zobaczyć, jak inne osoby czerpią z niego wartość? Chętnie posłucham anegdot o tym, jak wygląda to w praktyce.

Tal Raviv: Zorganizowaliśmy kilka grup beta, a następnie zaczęliśmy tworzyć społeczność. To właśnie jej członkowie naprawdę popychają ten temat do przodu i eksperymentują znacznie szerzej niż tylko jedna osoba, taka jak ja.

Chcę się czymś podzielić — właśnie to otworzyłem. Zapisuję momenty olśnienia wszystkich uczestników. Jedna osoba stworzyła naprawdę imponujące prototypy. Nie chodzi o prototypy, które widzieliśmy w demonstracjach na Twitterze, ale o rzeczy niezwykle precyzyjne, ponieważ model otrzymał tak dużo kontekstu.

Niektórzy menedżerowie produktu wykorzystują AI do poznawania branży, w której nagle się znaleźli. Mam też przykład osoby spoza zarządzania produktem, która używała jej do planowania kwartalnego. To lider produktu, więc zakres kontekstu był jeszcze większy, niż kiedykolwiek sam próbowałem przekazać.

Wiele osób używa AI jako partnera do myślenia. Uważam, że to bardzo dobry model mentalny. Chodzi o rozmowę, zrozumienie i pomoc w wymyślaniu lepszych rozwiązań. Przy pisaniu dokumentów wymagań produktu jedna osoba powiedziała, że szczególnie pomaga jej to, iż model najpierw zadaje wiele pytań.

Model wie, czego nie wie, i rozpoczyna rozmowę: „Zanim napiszę ten dokument, chciałbym wiedzieć następujące rzeczy”. A Ty myślisz: „Oczywiście. Zapytaj mnie o wszystko i po prostu go napisz”. To naprawdę fascynujący przykład.

Ludzie przesuwają granice znacznie dalej, niż ja sam to robiłem.

Hannah Clark: To niesamowite. Już czuję, jak w głowie obracają mi się trybiki i zastanawiam się, jak mogłabym to wykorzystać. Brzmi, jakby wiele z tych ogólnych zasad można było zastosować w różnych obszarach. Bardzo ciekawe.

Przejdźmy trochę do projektowania promptów, ponieważ rozmawiamy o przekazywaniu kontekstu i o tym, jak ważne jest dostarczanie dużemu modelowi językowemu informacji dobrej jakości oraz odpowiednie projektowanie promptów. Jakie najlepsze praktyki i strategie stosujesz, aby tworzyć lepsze prompty i dostarczać kontekst wyższej jakości?

Tal Raviv: Pamiętam okres na LinkedIn, kiedy cały kanał był pełen prezentacji o projektowaniu promptów, a ludzie zmieniali swoje stanowiska na „inżynier promptów”.

Miałem wtedy dziwne przeczucie, że to nie może długo działać w ten sposób. Traktowanie promptów jak magicznych zaklęć, mikstur czy zbieranych Pokémonów po prostu nie wydawało mi się właściwe. Z czasem stało się jasne, że takie podejście traciło znaczenie.

Jeśli chodzi o projektowanie promptów, są dwie rzeczy. Po pierwsze, kontekst, o którym już mówiłem. Traktuj AI jak człowieka i korzystaj z dyktowania, bo znacznie to ułatwia. Po drugie, po prostu powiedz, czego chcesz. Tak jak w rozmowie z człowiekiem jasno określ swoje oczekiwania, a następnie naciśnij Enter.

Jeśli wynik nie jest tym, czego oczekiwałeś, zastanów się, dlaczego model nie zrobił tego, czego chciałeś, wróć do poprzedniej wiadomości i doprecyzuj. W każdym używanym narzędziu na dymku wiadomości znajduje się mała ikona ołówka.

Możesz cofnąć się, edytować wiadomość, dodać zdanie, powiedzieć: „Nie chcę, żebyś podchodził do tego w ten sposób”, albo wyraźnie wskazać, co ma zostać uwzględnione. Model ponownie odczyta wszystko poniżej tej wiadomości i wykona zadanie jeszcze raz.

Ten ołówek jest moim zdaniem najważniejszym narzędziem projektowania promptów. W rzeczywistości po prostu coś testujesz. Jeśli nie działa, zmieniasz to i próbujesz ponownie. Nie musisz martwić się specjalną frazą ani prosić modelu, by myślał w konkretny sposób.

Wszystkie te rzeczy stopniowo zanikają. Nie są właściwą umiejętnością. Właściwą umiejętnością jest eksperymentowanie, zagłębianie się, iterowanie i brak strachu przed narzędziem. To przede wszystkim zmiana sposobu myślenia.

Hannah Clark: Projektanci stron internetowych, to coś dla Was. Mam 30 sekund, żeby opowiedzieć o Wix Studio, platformie internetowej dla agencji i przedsiębiorstw. Oto cztery rzeczy, które możesz zrobić w Studio w 30 sekund lub krócej. Dostosuj projekty do każdego urządzenia dzięki responsywnej AI. Ponownie wykorzystuj zasoby, takie jak szablony, widżety, sekcje i biblioteki projektów, między stronami oraz udostępniaj je zespołowi. Dodawaj animacje bez kodu i gradientowe tła bezpośrednio w edytorze. Eksportuj projekty z Figmy do Wix Studio jednym kliknięciem. Czas minął, ale lista się nie kończy. Wejdź do Wix Studio i przekonaj się sam.

Okej, podoba mi się to. Jest praktyczne, ale nie jest intuicyjne, by od razu pomyśleć: jak mogę inaczej podejść do projektowania promptów?

Chcę porozmawiać o tym, jak Ty do tego podchodzisz, ponieważ być może nie wyjaśniliśmy dotąd wystarczająco jasno, że brzmi to jak narzędzie, które sprzedajesz.

To jednak bardziej zestaw umiejętności niż narzędzie. Dlaczego zdecydowałeś się skupić na warsztacie i oferować go w tej formie, zamiast zbudować skalowalną AI, która robiłaby już wszystko to, o czym mówimy?

Tal Raviv: Jako zawodowy twórca produktów i programista byłem bardzo kuszony.

Moją pierwszą reakcją było: „To cenna obserwacja. Jak mogę zbudować wokół niej produkt?”. Kiedy jednak przyjrzałem się temu, czego brakuje i co powstrzymuje bardzo inteligentnych ludzi przed robieniem bardzo inteligentnych rzeczy, zrozumiałem, że nie chodzi o funkcjonalność, interfejs, efekt sieciowy ani nic, co zwykle zapewniają produkty.

Chodzi po prostu o pozwolenie, wskazówki lub zmianę sposobu myślenia. Mogłem zbudować produkt, a następnie przez kolejny rok zastanawiać się, jak przeprowadzić wdrożenie, ponieważ wszystko, co opisałem, byłoby dla kogoś ogromnym procesem do wykonania samodzielnie, w wolnym czasie.

Nikt by tego nie zrobił. Mogę być bardziej wartościowy, pracując z ludźmi na żywo, odpowiadając na pytania i mówiąc: „Zwolniłeś czas w kalendarzu, a teraz jesteśmy razem na Zoomie. Masz pięć minut, by zrobić tę rzecz”. Nie ma żadnych wymówek — masz czas, a ja jestem tutaj, żeby odpowiadać na pytania.

Budujemy to wspólnie. W terminologii produktowej oznacza to dla mnie współczynnik aktywacji na poziomie ponad 90%. Uważam, że pod względem utrzymania wartości i wszystkich pozostałych elementów jest to znacznie lepsze podejście.

Drugim powodem jest to, że wiele brakujących lub niedopracowanych rzeczy prawdopodobnie i tak zostanie wkrótce dodanych przez OpenAI albo twórców Claude’a. Można wskazać wiele rozwiązań, które usprawniłyby ten proces: zarządzanie pamięcią, zmiany w czasie oraz to, czy poszczególne wątki wiedzą o sobie nawzajem.

To podejście ma zastosowanie we wszystkich branżach i rolach. Wolałbym więc pomagać ludziom właściwie korzystać z dostępnych narzędzi, a także pokonywać bariery związane z nastawieniem, zachowaniami i poczuciem, że potrzebują pozwolenia.

Hannah Clark: To ma sens. Budowanie produktu AI, kiedy wiadomo, z kim przyjdzie rywalizować, jest dużym zakładem. Skuteczniejsze wykorzystywanie dostępnych narzędzi to obszar, w którym wiele osób naprawdę musi się rozwinąć.

Wspominając o tym, myślę, że powszechne jest przekonanie, że wszyscy zostaliśmy w tyle. Wiele osób wie, że mogłoby robić więcej z AI, ale rozpoczęcie i prawdziwe zagłębienie się w temat może onieśmielać. Co powiedziałbyś ludziom, żeby pomóc im pokonać to wrażenie i zacząć budować te umiejętności w sposób, który wydaje się dostępny?

Tal Raviv: Rozmawiałem dziś z dyrektorką produktu, która bardzo dobrze to ujęła. Powiedziała: „Cała nasza organizacja przegapiła moment związany z AI, produktywnością i stosowaniem jej w naszych rolach”. Odpowiedziałem: „Nie przegapiliście go. Nie ma żadnego odjeżdżającego pociągu. Wszyscy czują się podobnie”.

Odbyłem tę rozmowę z wieloma osobami. Są to ludzie z najbardziej nowoczesnych firm, które pod każdym innym względem stosują najnowocześniejsze sposoby zarządzania organizacjami. Wszyscy wyrażają pewną formę lęku przed pozostaniem w tyle.

Ciągle słyszę: „Wydaje mi się, że inni są tu znacznie dalej” albo „Ktoś inny robi to lepiej”. Mogę jednak zapewnić wszystkich, że to nieprawda.

W tej chwili wszyscy jesteśmy w podobnym miejscu. Wydaje się inaczej, ponieważ wszyscy o tym mówią. Jeśli czujesz się w tyle, po prostu zacznij eksperymentować. Spróbuj zrobić coś naprawdę małego i konkretnego, pamiętając o dwóch zasadach: kontekście i iteracji.

Poświęć na to dziesięć minut. Rozwijaj mięsień eksperymentowania, a zobaczysz, że efekt zacznie się nawarstwiać. To wciągnie Cię i sprawi, że będziesz chciał iterować jeszcze bardziej. Jeśli wybierzesz tę drogę, bardzo szybko możesz znaleźć się w sytuacji, w której to Ty uczysz innych.

Duża część problemu wynika z onieśmielenia i poczucia, że jesteśmy naprawdę daleko w tyle. Pojawia się myśl: „Nie warto nawet próbować. Jeśli spróbuję, nie zrobię tego właściwie”. Wiadomość jest taka, że wszyscy tak się czują.

Hannah Clark: Cieszę się, że to powiedziałeś, bo myślę, że to prawda. Często myślimy: „Chwila już minęła. To stało się wielkie, wszyscy są przed nami. Po co w ogóle próbować?”. Jeśli spojrzeć na to w ten sposób, AI nie jest pociągiem, który odjechał. To taksówka albo wspólny przejazd — usługa dostępna na żądanie. Jest do Twojej dyspozycji, a Ty wskazujesz jej dokładnie, dokąd ma jechać. Podoba mi się to przeformułowanie. Bardzo doceniam też pracę nad nastawieniem, o której dziś rozmawiamy, Talu.

Wspomniałeś o kilku historiach sukcesu i przełomowych momentach, których doświadczyłeś Ty lub inni. Który z nich był najbardziej spektakularny — taki, przy którym pomyślałeś: „Wow”? Co najbardziej zapadło Ci w pamięć podczas pracy z AI lub uczenia innych, jak z niej korzystać?

Tal Raviv: Dla mnie osobiście takim momentem były rozmowy o cenach. Nie mogę powiedzieć, że AI od razu podała właściwą odpowiedź. Nie wyrzuciła z siebie idealnego rozwiązania. Była jednak naprawdę dobrym partnerem do rozmowy.

Nawet gdy się myliła, skłaniała mnie do zastanowienia się, dlaczego dana odpowiedź wydawała mi się niewłaściwa. Właściwym określeniem jest „partner do myślenia”. To tak, jakby obok mnie siedziała inteligentna osoba, która pomaga mi przeanalizować problem i odbija ode mnie pomysły.

Dzięki temu dochodziłem do lepszej odpowiedzi: jak coś połączyć, jak coś wycenić. To bardzo inteligentna gumowa kaczuszka — kolejny poziom gumowej kaczuszki. Prawdopodobnie nie wyobrażaliśmy sobie, że właśnie tak będzie wyglądał przełomowy moment AI.

Wyobrażaliśmy sobie coś bardzo fantastycznonaukowego, superkomputer z „Autostopem przez Galaktykę”. Ludzie pytają mnie jednak, czy uważam za niewłaściwe powierzanie AI własnego myślenia i czy nie wpływa to na moje zdolności. Mam wrażenie, że dzięki temu staję się mądrzejszy.

Gdybym miał więcej inteligentnych osób, z którymi mógłbym rozmawiać tak często, jak to możliwe, również czułbym się mądrzejszy. Wszyscy tego szukamy, również wtedy, gdy wybieramy miejsce pracy i ludzi, którymi się otaczamy.

Dlatego rozmowy o cenach były dla mnie świetnym momentem olśnienia. AI nie wykonała idealnej pracy, ale po rozmowie miałem poczucie przepływu i satysfakcji: „Właśnie odbyłem naprawdę dobrą rozmowę”.

Hannah Clark: To świetny przykład, ponieważ rozmowa o cenach jest tak pełna niuansów. Niedawno przeprowadziliśmy bardzo ciekawą rozmowę z Cemem Kansu z Duolingo.

Jest szefem produktu w Duolingo. Kiedy myślisz o cenach, musisz prowadzić bardzo złożoną rozmowę i niezwykle ostrożnie określać, gdzie postawić poszczególne granice. Mogę więc sobie tylko wyobrazić, że ogromną korzyścią jest posiadanie świetnego narzędzia, które pomaga przećwiczyć proces podejmowania decyzji, a następnie zastosować go w przyszłych sytuacjach.

To fascynujące, Talu. Bardzo dziękuję, że do nas dołączyłeś. Wiele się dziś nauczyłam. Gdzie można znaleźć Cię w internecie, jeśli ktoś jest zainteresowany Twoim kursem albo chce poznać więcej Twoich przemyśleń?

Tal Raviv: Pierwsza odpowiedź to LinkedIn. Jest też kurs na platformie Maven. Jeśli ktoś słucha tego i myśli: „Chcę od razu ruszyć i zacząć eksperymentować”, na Mavenie umieściłem również demonstrację, którą przeprowadziłem.

Można zobaczyć wszystko, co zrobiłem. Korzystam z podręcznika w Notion, w którym znajdują się wszystkie prompty i kroki w bardziej uporządkowanej formie. W zasadzie cała rozmowa została tam po prostu rozpisana. Można kupić ten materiał bez konieczności udziału w całym kursie.

Kurs jest świetny dla osób, które chcą mieć dostęp do otwartych pytań i odpowiedzi, konsultacji, kontaktu ze mną oraz możliwości wspólnego wykonania znacznie większej liczby ćwiczeń.

Hannah Clark: Wspaniale. Bardzo dziękuję, że do nas dołączyłeś. To była prawdziwa przyjemność.

Tal Raviv: Dziękuję.

Hannah Clark: Dziękuję za wysłuchanie. Więcej ciekawych spostrzeżeń, poradników i recenzji narzędzi znajdziesz w naszym newsletterze pod adresem theproductmanager.com/subscribe. Więcej podobnych rozmów usłyszysz, subskrybując Klub CPO w dowolnej aplikacji, w której słuchasz podcastów.