De AI-hack för produktivitet och promptteknik som du behöver 2025

Läs transkriptet:

Vi provar att transkribera våra poddar med hjälp av ett program. Ursäkta eventuella skrivfel eftersom boten inte är korrekt till 100 procent hela tiden.

Hannah Clark: När jag ser tillbaka på alla ämnen vi har tagit upp i programmet i år har vi definitivt pratat mycket om AI. Så jag hoppas att ni inte har något emot att vi lägger ännu ett avsnitt till högen, eftersom det här förmodligen är det mest handlingsinriktade AI-avsnittet vi har gjort hittills.

Min gäst i dag är Tal Raviv, geniet bakom den populära kursen "Bygg ditt personliga system för PM-produktivitet och AI-copilot", vilket är ett ganska imponerande namn. Det är också ganska betydelsefullt för någon som tidigare beskrev sig själv som AI-skeptiker. Men för Tal var det stora genombrottet att förstå varför så många produktchefer har svårt att få ut hela värdet av sina LLM-verktyg och att upptäcka vilka metoder som faktiskt kan förändra produktiviteten.

Och ja, vi kommer att bryta ner dessa metoder i det här avsnittet. Vi går igenom hur introduktionen av AI liknar introduktionen av en ny teammedlem, varför iterativ promptteknik är avgörande och praktiska råd om hur man börjar experimentera med AI-verktyg och bygger förtroende för sina färdigheter. Då kör vi.

Välkomna tillbaka till podden The CPO Club. I dag har jag Tal Raviv med mig.

Tal, tack så mycket för att du är med oss. Det här är verkligen spännande. Kan du berätta lite om din bakgrund och hur du kom dit där du är i dag?

Tal Raviv: Absolut. Jag började med att studera kemiteknik, vilket inte alls har något att göra med det jag arbetar med i dag.

Eller, det har betydelse på så sätt att det gjorde mig bra på att lära mig svåra saker och sätta mig in i nya områden. Jag startade ett SaaS-företag tillsammans med några vänner från universitetet och vi drev det i fyra år. När det sedan var dags att skaffa ett riktigt jobb tittade jag runt och tänkte att jag egentligen arbetade med support, marknadsföring, programmering och design.

Hur ser den riktiga jobbversionen av det ut? Då fanns det en ny roll som kallades produktledning. Så jag sökte och skulle förmodligen inte kunna ta mig in i branschen i dag, men på den tiden lyckades jag.

Hannah Clark: Härligt. I dag ska vi prata om något annat som alla försöker ta sig in i, nämligen att använda AI effektivt. Jag tror att vi alla försöker förstå hur vi kan använda tekniken på ett mer effektivt och praktiskt sätt. Därför fokuserar vi på hur vi kan använda AI i våra dagliga arbetsflöden.

Men innan vi går in på det vill jag stanna upp och prata lite om vad som händer i ditt liv. Du leder alltså en kurs för en grupp som hjälper produktchefer att använda AI mer effektivt. Vilken resa ledde dig fram till det?

Tal Raviv: Jag började utveckla kursen tillsammans med Maven. Samtidigt arbetade jag med och ledde många av Riversides initiativ inom generativ AI. Jag använde egentligen inte AI i mitt dagliga arbete. Jag tänkte: "Det här är fantastiskt för produkten, men det har inget med min vardag att göra. Det kan aldrig hjälpa mig med alla saker jag behöver hjälp med."

Kursen kom därför att handla om produktivitet och om att bygga system för sin egen produktivitet och sedan för sitt team. Som produktchef har man mycket stor hävstång när det gäller teamets produktivitet.

Man tittar på organisationen, hanterar känslor och arbetar med alla dessa lågteknologiska saker. Det är det jag undervisar om. Parallellt experimenterade jag mycket med AI. Det som fick mig att börja se det som något jag själv kunde använda var att jag befann mig i en situation på Riverside där jag helt enkelt inte kunde åstadkomma det jag behövde utan att använda ChatGPT.

Till och med då protesterade jag, klagade och gjorde motstånd, tills vår tekniska teamledare sa: "Låt mig bara visa dig. Sluta nu. Så här gör du." Det öppnade mina ögon för en mycket enkel princip: anledningen till att jag inte använde det rätt var att jag inte gav det tillräckligt med sammanhang, precis som man skulle göra med en människa.

Det blev ett mentalt skifte för mig. Sedan började jag driva det längre och längre. Hur mycket sammanhang kan jag ge det? Vad händer om jag ger det samma mängd sammanhang som jag skulle ge en nyanställd som jag hjälper att komma in i arbetet? Vad händer om jag pratar med det på samma sätt som jag skulle prata med en nyanställd?

Vad händer om jag involverar det i ett specifikt initiativ, precis som en nyanställd? Jag ändrade min mentala modell och började tänka på vad som skulle ge en person bäst förutsättningar att lyckas. Jag gjorde det på fritiden och undervisade i kursen, och sedan insåg jag: "Herregud, det här kan faktiskt vara användbart på jobbet."

Det tog lång tid innan jag förstod det, hela 2024, och med tiden blev det en del av kursen. Nu handlar kursens två första veckor om att få ordning på grunderna och på allt som fortfarande är viktigt även med AI. Den sista veckan består av tre intensiva sessioner där man bygger sin AI-copilot för produktledning.

Hannah Clark: Okej, fantastiskt. Jag ser fram emot att snart gå igenom alla dessa delar mer detaljerat, särskilt introduktionen. Jag tycker att idén om att introducera AI är väldigt intressant.

Men innan vi kommer dit beskrev du din egen skepsis mot att arbeta med AI i början. Jag tror att det är något vanligt som vi ser inom produktledning och på många andra områden. Varför tror du att det är så? Varför är människor skeptiska eller tveksamma till att överbrygga gapet mellan medvetenhet och användning?

Tal Raviv: Under större delen av de senaste två åren, sedan ChatGPT kom, har det inte varit särskilt bra på många saker. Eller så har det krävt så mycket redigering och eftertanke att det har känts som när man anställer någon mycket junior: man anställer inte en praktikant för en viss roll om personen kommer att skapa mer arbete än värde.

För det första har AI blivit mycket bättre. Kontextfönstren har blivit större, personligheterna bättre och modellerna mer intelligenta. Nyligen deltog produktcheferna för Anthropic och OpenAI i ett samtal och sa ungefär att intelligens inte längre är flaskhalsen.

Det finns sätt att göra modellerna ännu intelligentare, men det är inte flaskhalsen. Flaskhalsen handlar snarare om förträning, kontext eller helt enkelt vad modellen känner till och vad den har exponerats för. Om vi kommer till en LLM med en enda mening som prompt, även om den meningen är skriven av världens främsta promptspecialist, är det fortfarande bara en mening.

Då kommer modellen i princip att ge oss genomsnittet av internet. Men om man vill att den ska utföra samma typ av arbete som man själv gör måste man komma ihåg att ingen av oss som individer är genomsnittet av internet. Vi bidrar med kunskap, kombinerar den och skapar synteser. Utgångspunkten är därför: ge modellen den kunskapen och se vad den kan göra.

Hannah Clark: Ja, det här är en väldigt bra poäng. Ibland går vi in i en chatt och förväntar oss att den känner till allt och därför borde ha det perfekta svaret. Men om man stannar någon på gatan på väg till mataffären och säger: "Hej, kan du skriva en PRD?" kommer personen att göra sitt bästa utan den kontext och den egna kunskap som man själv har.

Det är en sådan där självklar insikt som jag tror att vi ännu inte riktigt har förstått.

Tal Raviv: Jag kan ge ett annat exempel som gör det väldigt tydligt. När jag pratar med personer som inte arbetar med produktledning brukar jag förklara att jag också har experimenterat med att använda AI som näringsfysiolog och som stöd för att hålla mig på rätt spår.

Om jag arbetade med en riktig näringsfysiolog skulle jag inte dyka upp och säga: "Bra, säg åt mig vad jag ska äta, hur mycket och när." Näringsfysiologen skulle säga: "Nej, sätt dig ner så ställer jag några frågor." Jag skulle kanske svara: "Nej, jag vill bara att du säger det. Du är en dålig näringsfysiolog." Det skulle inte fungera. Det är inte ett samtal som skulle äga rum. Men på något sätt är det precis så vi samtalar med AI.

Hannah Clark: Ja, exakt. Jag hoppas att det fungerar för dig.

Jag vill prata om den här AI-copiloten. Allt det här är väldigt intressant. Det finns så många olika infallsvinklar när man pratar om att använda AI effektivt.

Så låt oss börja med verktyget. Berätta om AI-copiloten. Vad är det stora genombrottet här?

Tal Raviv: Jag kan beskriva delarna. Man väljer ChatGPT, Claude eller något annat. Jag föredrar personligen Claude för det här. Rent praktiskt är projektfunktionen, som är en betalfunktion, verkligen värd pengarna.

Den gör det jag ska beskriva väldigt enkelt. Det här går att göra med vilken LLM som helst med lite provisoriska lösningar och manuellt arbete. Först använder man anpassade instruktioner, en systemprompt eller vad man nu vill kalla det för att tala om hur modellen ska bete sig.

Man vill att den ska vara någon som utmanar en, ställer många frågor och inte automatiskt accepterar ens antaganden. Vem skulle vara den ideala kollegan som sitter bredvid en i ett pararbete inom produktledning? Det skulle vara någon som pressar en kring vissa beteenden eller värderingar.

För egen del anger jag att jag ska vara handlingsorienterad och försöka skapa värde för kunder så snart som möjligt. Jag försöker fatta beslut utan att ha alla data, men det kan vara helt motsatt i andra branscher eller företag. Det är personligheten hos den person man har valt att anställa. Tänk på en intervjuprocess: det är den typen av person man vill rekrytera.

Nästa steg är att anställa personen och introducera den. Om en ny produktchef började i teamet skulle vi förmodligen ge personen dokumentet med uppdrag, vision och strategi. Vi skulle ge presentationen om kundpersonan. Om det var en coach för mig skulle jag säga: "Här är mina senaste utvecklingssamtal. Här är det jag kämpar med. Här är den återkoppling jag får från min chef."

Och när vi återgår till den nya produktchefen skulle vi kanske dela lite skvaller: "Kom och sätt dig, så tar vi en kaffe. Jag berättar om några av intressenterna. Jag berättar om personerna som kommer att ingå i ditt team och vad de är särskilt bra på. Här behöver de att du engagerar dig mer. Här är en intressent och vad som får personen att känna sig trygg, samt i vilket skede av processen du ska involvera personen. Men kliv inte på den här minan."

Det fortsätter i all oändlighet. Här är organisationsschemat. Här är mitt team. Det här är vad en ny person skulle ta in från olika källor när personen börjar på företaget.

När man har anställt och introducerat personen måste man sätta den i arbete. Man måste säga: "Jag behöver att du arbetar med det här initiativet" eller "Jag vill att du vägleder mig i det här initiativet." Man startar en tråd och säger: "Jag vet nästan ingenting om det här initiativet. Jag fick det här uppdraget i ett spontant samtal med grundaren. Vi måste agera snabbt. Här är vad jag vet. Här är vad jag tror."

Sedan har man ett samtal med modellen. Under hela tråden om initiativet kan man be den om olika resultat. Det kan vara så enkelt som att skriva dokument, men det kan gå mycket längre. Den kan vara en tankepartner, simulera ett svårt samtal eller hjälpa till att avgöra vad man bör göra härnäst.

Det är här magin uppstår, eftersom den hela tiden kan hänvisa till faktiska personer i organisationen, till exempel: "Det här är ett tillfälle att agera på den återkoppling som ständigt återkommer i dina utvecklingssamtal." Eller: "Det här är ett bra tillfälle att involvera den här intressenten."

Jag har imponerats av hur väl den förstår timing och av de förslag den ger. Under initiativets gång föreslår jag att man fortsätter dela ännu mer information. Tänk att man arbetar med något och efter två veckor har ett spontant samtal med försäljningschefen, som plötsligt lägger till en begränsning. Eller att chefen säger att det har kommit ny information och att initiativet inte är värt att lansera om det inte uppnår ett visst resultat.

När man sedan sätter sig vid skrivbordet kan man säga: "Herregud, du kommer inte att tro vilket samtal jag just hade." Gör samma sak med copiloten. Den behöver också känna till det.

I slutet är det också värdefullt att sluta cirkeln och berätta vad som hände, samt dela resultaten från en efteranalys. Man kan fråga: "Okej, det här är slutet på historien. Vi lanserade det. Det fungerade eller fungerade inte. Kan du berätta vilken ny information du lärde dig i den här tråden? Vad bör en annan ny produktchef veta och lära sig av det här initiativet?"

Med Claude kan man lägga tillbaka detta i projektets kunskapsbas med ett klick. Med ChatGPT kan man kopiera och klistra in det. Eller så använder man det i nästa tråd. Då blir kontexten man har lagt till lite större.

Det är därför jag gillar Claude: det kräver ett klick och är optimerat för detta. Det tillämpas omedelbart på alla trådar. På en övergripande nivå är det så man får en copilot som blir smartare med tiden, blir klokare och börjar tillämpa lärdomar från andra initiativ direkt.

Hannah Clark: Jag är lite omtumlad just nu, om jag ska vara ärlig. Det här är mycket mer omfattande och imponerande än jag hade förväntat mig.

Var det här samtalet du hade med din kollega när han sa "nej, låt mig visa dig", eller hur kom du fram till att verktyget kunde behålla information, fatta beslut och dessutom visa emotionell intelligens utöver allt det praktiska?

Tal Raviv: Det visste jag inte från början. För mig började det med ett sådant där glödlampemoment tillsammans med min kollega. Jag behövde skriva många användarberättelser väldigt snabbt. De tog energi och mycket tid och var tvungna att vara mycket precisa.

Jag hade provat att ta skärmbilder från Figma och provat Figma-tillägg, men det kändes som mer arbete än det var värt. Han föreslog att jag skulle sätta mig i ChatGPT, ge det en mall och sedan berätta allt det behövde veta om användarberättelsen.

Jag tyckte att det lät som mycket skrivande. Han sa: "Skriv inte. Diktera. Prata bara." En annan viktig utveckling under de senaste två åren är att tal-till-text har blivit mycket bra. OpenAI släppte Whisper-modellen och många apputvecklare har implementerat den på macOS, i mobilappar och på andra plattformar.

Jämfört med den inbyggda dikteringen i Apple och Windows är den mycket mer träffsäker. Jag kan hålla ned en knapp och prata länge, och resultatet blir mycket korrekt. Processen börjar då likna hur jag skulle prata när en ny ingenjör börjar arbeta med ett initiativ. ChatGPT är mycket bra på att ta emot kontext, formatera den på ett visst sätt och dra slutsatser mellan raderna.

När jag gjorde det blev jag väldigt imponerad. Den hade aldrig sett designerna, men lade till saker i användarberättelserna som jag inte hade tänkt på och fyllde därmed luckorna. Jag behövde nästan inte redigera alls. Det jag tog bort var i princip bara sådant som var överflödigt.

Det var mitt glödlampemoment: kontext. Sedan kombinerar man det med genomsnittet av internet. Produkter är trots allt inte alltid så unika. Modellen kan förstå att en viss typ av hallucination kan vara användbar, eftersom den kopplar ihop saker och hittar samband.

När jag väl började tänka på det sättet fortsatte jag att testa hur mycket kontext jag kunde ge den.

Hannah Clark: Det är otroligt. Låt oss gå in i ett mer praktiskt och instruktionsinriktat läge. Jag är säker på att många produktchefer lyssnar och verkligen vill börja använda verktyget.

Vi har valt vår LLM. Om man vill komma igång, vilka kritiska steg skulle du rekommendera för att introducera LLM:en?

Tal Raviv: Jag skulle börja enkelt. Om du inte betalar för pro-versionen av någon av dessa tjänster kan du gärna göra det av andra skäl, men du behöver inte göra det för just detta.

Starta en tråd och berätta hur du vill att modellen ska bete sig. Jag skulle säga att steg noll är att ladda ner något som förbättrar dikteringen på datorn, till exempel Superwhisper, Better Dictation eller Wispr Flow. Det finns många sådana verktyg. Öva på riktigt bra diktering, så blir allt annat mycket enklare.

Öppna en ny tråd och berätta hur du vill att modellen ska bete sig. Det är en systemprompt. Att placera den högst upp i tråden ger ungefär 90 procent av värdet. Om du har ett dokument kan du klistra in det. Du kan också beskriva produkten som om du presenterade den på en fest.

Även om du inte lägger in hela organisationsschemat, alla intressenter och utvecklingssamtal är lite kontext mycket bättre än ingen kontext alls. Sedan kan du lägga till kontext om ett initiativ du vill arbeta med. Det kan vara ytterligare 60 sekunder: "Här är vad jag vet hittills. Vi känner till den här signalen och har fått de här supportärendena." Det är allt. Tryck på Enter och se vad som händer.

Hannah Clark: Har andra deltagare i din kurs följt den här processen? Har du sett andra skapa värde med den? Jag skulle gärna höra några exempel på hur du har sett det fungera i praktiken.

Tal Raviv: Vi hade några betagrupper och började sedan bygga en gemenskap. Det är människorna i gemenskapen som verkligen driver utvecklingen framåt genom att experimentera långt utöver det jag själv har gjort.

En person skapade mycket imponerande prototyper. Det var inte den typ av prototyper man har sett i demonstrationer på Twitter, utan saker som var så precisa att man tänkte: "Oj, det beror på att modellen fick så mycket kontext."

Vissa produktchefer använder den för att lära sig om en bransch som de plötsligt har placerats i. Jag känner också någon som använde den för kvartalsplanering. Den personen är produktledare, vilket är ännu längre än jag själv har gått när det gäller hur mycket kontext modellen behöver.

Många använder den som tankepartner. Jag tycker att det är en mycket bra mental modell. Den fungerar för samtal och förståelse och hjälper en att tänka på bättre saker. När det gäller att skriva PRD:er berättade en person att modellen gör processen bättre genom att först ställa många frågor.

Den förstår tillräckligt mycket för att veta vad den inte vet och säger: "Innan jag skriver den här PRD:n vill jag verkligen veta följande." Då kan man svara: "Självklart, fråga vad du vill och skriv den åt mig." Det är ett fascinerande exempel på hur människor driver verktyget långt längre än jag gjorde från början.

Hannah Clark: Otroligt. Jag känner redan hur tankarna snurrar kring hur jag kan använda detta. Det verkar som om de allmänna principerna kan tillämpas inom många olika områden.

Låt oss gå in lite på promptteknik, eftersom vi pratar om att ge LLM:en kontext och om hur viktigt det är att ge information av hög kvalitet och utforma sina prompter väl. Vilka bästa metoder har du använt och vilka strategier bör människor ta till sig för att skapa bättre prompter och ge bättre kontext?

Tal Raviv: Det fanns en period på LinkedIn när hela flödet bestod av bildspel om promptteknik och människor som ändrade sina titlar till promptingenjör. Jag fick en märklig känsla av det. Det kändes inte som något som skulle hålla länge. Att behandla prompter som magiska trollformler, drycker eller samlarkort kändes inte rätt. Med tiden blev det också mindre viktigt.

När det gäller promptteknik finns det två saker. För det första har jag redan pratat om kontext. Behandla modellen som en person och använd diktering eftersom det gör allt mycket enklare. För det andra ska du bara tala om vad du vill ha. Var tydlig, precis som du skulle vara med en människa, och tryck sedan på Enter.

Om resultatet inte blev som du ville, fundera på varför och gå tillbaka till det tidigare meddelandet för att förtydliga. I de flesta verktyg finns en liten penna på meddelandet i chatten. Det är en av de mest underskattade funktionerna i Claude och ChatGPT. Man kan gå tillbaka, redigera, lägga till en mening eller säga att man inte vill att modellen ska ta det angreppssättet.

Modellen gör sedan om svaret och läser allt som står under den punkten igen. Pennan är enligt min mening det viktigaste verktyget för promptteknik. I slutändan provar man något, ser om det fungerade och ändrar det om det inte gjorde det. Man behöver inte använda någon särskild formulering eller be modellen att tänka på ett visst sätt.

Alla sådana metoder håller på att försvinna. Den viktiga färdigheten är i stället att experimentera, sätta sig in i saker och iterera. Man ska inte vara rädd för verktyget. Det handlar framför allt om ett mentalt skifte.

Hannah Clark: Webbdesigners, det här är för er. Jag har 30 sekunder på mig att berätta om Wix Studio, webbplattformen för byråer och företag. Här är fyra saker du kan göra på 30 sekunder eller mindre i Studio. Anpassa designen för alla enheter med responsiv AI. Återanvänd tillgångar som mallar, widgetar, sektioner och designbibliotek på flera webbplatser och dela dem med teamet. Lägg till animationer utan kod och gradientbakgrunder direkt i redigeraren. Exportera dina designer från Figma till Wix Studio med ett enda klick. Tiden är slut, men listan fortsätter. Gå till Wix Studio och se själv.

Okej, jag gillar det. Det är praktiskt, men det är inte självklart att tänka på hur man kan utforma sina prompter på ett annat sätt.

Jag vill prata lite om hur du har närmat dig detta, eftersom något som kanske inte har varit tydligt under avsnittet är att det kan låta som om du säljer ett verktyg. Men det här handlar mer om en färdighet än om något annat. Varför har du valt att fokusera på detta som en workshop i stället för att bygga en skalbar AI som redan gör allt detta?

Tal Raviv: Som produktperson och programmerare var jag mycket frestad. Min första impuls var: "Det här är en insikt. Hur bygger jag en produkt kring den?" Men när jag undersökte vad som saknades och vad som hindrade smarta människor från att göra något smart, insåg jag att det inte handlade om funktionalitet.

Det handlade inte om något användargränssnitt, någon nätverkseffekt eller något annat som produkter kan tillhandahålla. Det handlade helt enkelt om tillåtelse, vägledning och ett mentalt skifte.

Jag kunde bygga en produkt och sedan ägna det följande året åt att försöka lösa introduktionen, eftersom allt jag nyss beskrev är en enorm introduktion för någon att göra på egen hand på fritiden. Ingen kommer att göra det.

Eller så kan jag skapa mer värde genom att vara med människor live, besvara frågor och säga: "Du har rensat kalendern och nu sitter vi här tillsammans i Zoom. Jag ger dig fem minuter att göra detta." Det finns inget annat som distraherar. Jag är där för att besvara frågorna och vi bygger det tillsammans.

Om man vill använda produktspråk innebär det för mig en aktiveringsgrad på över 90 procent. Jag tror att värdet, bibehållandet och allt det andra blir mycket bättre på det sättet. Dessutom skulle jag bli förvånad om många av de saker som saknas inte redan finns på OpenAI:s eller Claudes utvecklingsplan.

Det finns många saker som skulle göra processen ännu bättre, till exempel hur minne och förändringar över tid hanteras och om olika trådar känner till varandra. Därför vill jag hellre hjälpa människor att använda verktygen korrekt och arbeta med hindren kring tankesätt, beteenden och tillåtelse.

Hannah Clark: Det är helt logiskt. Att bygga en AI-produkt när man vet vem man konkurrerar med är ett stort risktagande. Att använda de verktyg som redan finns mer effektivt är ett område där många verkligen behöver utvecklas.

Många upplever att de ligger efter. De vet att de skulle kunna göra mer med AI, men kanske känner de sig osäkra på att komma igång. Vad skulle du säga till människor för att hjälpa dem att övervinna den känslan och börja bygga de här färdigheterna på ett tillgängligt sätt?

Tal Raviv: Jag pratade med en produktchef i dag som uttryckte det väldigt bra. Hon sa att hela organisationen hade missat AI, produktivitet och tillämpningen i våra roller. Jag sa till henne: "Nej, det har ni inte. Det finns ingen båt att missa." Alla känner så. Jag har haft det samtalet med så många människor.

Det gäller även personer på företag som ligger i framkant och i övrigt arbetar på mycket moderna sätt. Alla uttrycker någon form av rädsla för att hamna utanför. Jag hör ofta: "Andra ligger långt före. Någon annan gör det här bättre." Jag kan försäkra alla om att det inte stämmer.

Alla befinner sig på ungefär samma plats just nu. Det känns annorlunda eftersom alla pratar om det. Om du känner så, börja experimentera. Prova något litet och specifikt och kom ihåg principerna: kontext och iteration. Avsätt tio minuter och gör det.

Bygg upp muskeln för experimenterande. Du kommer att märka att det växer och drar dig vidare. Du kommer vilja iterera mer. Om du väljer den vägen kommer du snart att vara den som lär andra. Mycket handlar om osäkerhet och känslan av att ligga långt efter.

Det är inte ens värt att försöka. Om jag försöker kommer jag inte att göra det på rätt sätt. Men alla känner så.

Hannah Clark: Jag är glad att du sa det, för jag tror att det stämmer. Det finns en tendens att tänka att möjligheten har passerat, att det blev stort och att alla ligger före oss. Varför ens försöka? Men när man tänker på det på det sättet är det inte en båt. Det är en taxi eller samåkningstjänst som finns där för dig. Den står till ditt förfogande och du talar om exakt vart den ska köra. Jag gillar också den omformuleringen. Jag uppskattar verkligen det arbete med tankesätt som vi pratar om i dag, Tal.

Du nämnde några framgångshistorier och genombrott som människor har haft, antingen du själv eller andra. Vilket är det mest imponerande du har sett när du själv har arbetat med AI eller hjälpt andra att lära sig använda det?

Tal Raviv: För mig personligen var det stora ögonblicket när jag hade samtal om prissättning. AI gav inte alltid rätt svar, och det gav inte bara ett perfekt svar, men det var ett mycket bra samtal.

Även när den hade fel fick den mig att fundera på varför något kändes fel. Det rätta ordet är tankepartner. Det var som att ha en intelligent person bredvid mig som hjälpte mig tänka igenom något och bolla idéer. Den hjälpte mig att hitta ett bättre svar på hur man paketerar något och hur man prissätter något.

Det är som en mycket smart gummianka, nästa nivå av gummianka. Det är förmodligen inte det vi föreställde oss som AI:s stora genombrott. Vi kanske tänkte på något väldigt science fiction-artat, som superdatorn i Liftarens guide till galaxen.

Människor frågar mig om det är fel att lägga ut sitt tänkande på AI eller om det påverkar dem. Jag upplever faktiskt att det gör mig smartare. Om jag hade fler smarta människor tillgängliga att prata med skulle det också få mig att känna mig smartare. Det är vad vi alla söker och det påverkar var vi arbetar och vilka människor vi omger oss med.

För mig var prissättning därför ett väldigt fint aha-ögonblick. AI gjorde inte ett fantastiskt jobb på egen hand, men känslan efteråt var att jag precis hade haft ett riktigt bra samtal.

Hannah Clark: Det är ett väldigt bra exempel eftersom det är ett så nyanserat samtal. Vi hade nyligen ett fantastiskt samtal med Cem Kansu från Duolingo.

Han är produktchef på Duolingo. Det är ett mycket komplext samtal när man tänker på prissättning, och man måste vara försiktig med exakt var man placerar de olika markörerna. Jag kan därför föreställa mig att det är en stor fördel att ha ett kraftfullt verktyg som hjälper en att bearbeta beslutsprocessen och tillämpa lärdomarna i framtida situationer.

Det här är så fascinerande, Tal. Tack så mycket för att du var med. Jag har lärt mig mycket i dag. Var kan människor hitta dig på nätet om de är intresserade av din kurs eller vill höra mer av dina tankar?

Tal Raviv: LinkedIn är det första svaret. Kursen finns på Maven. För den som lyssnar och tänker att den vill sätta igång och experimentera finns också demon jag gjorde på Maven. Där kan man se allt jag gjorde.

Jag använder en handbok i Notion med alla prompter och steg, mycket mer strukturerat. I princip är allt från det här samtalet upplagt där. Den kan köpas utan att man behöver gå hela kursen.

Kursen passar personer som vill ha tillgång till öppna frågestunder, kontorstid och möjlighet att kontakta mig och göra mycket mer tillsammans.

Hannah Clark: Fantastiskt. Tack så mycket för att du var med. Det har varit ett stort nöje.

Tal Raviv: Tack.

Hannah Clark: Tack för att ni lyssnade. För fler insikter, guider och verktygsrecensioner kan ni prenumerera på vårt nyhetsbrev på theproductmanager.com/subscribe. Ni kan höra fler samtal som detta genom att prenumerera på The CPO Club, oavsett var ni lyssnar på poddar.