Ostatnio, jak pewnie wielu z Was, mam sporo rozkmin na temat AI. Wszyscy o tym gadają, firmy oczekuję, że będziesz „AI Product Managerem”, ale często brakuje w tym konkretu - jak właściwie zmierzyć jak bardzo „fluent” jesteś w wykorzystywaniu AI w swojej pracy.

Trafiłem ostatnio na mega ciekawy artefakt od Zappiera (jeden z największych globalnych SaaSów do automatyzacji). Wade Foster (CEO Zapier) opublikował ich wewnętrzny framework - "Matrycę AI Fluency", którą Zappier używa do oceny biegłości wykorzystywania AI na różnych stanowiskach - w tym produktowych.

W tym newsletterze przejdziemy przez:

1. Model AI Fluency od Zappiera

Model ma jeden cel: ocenić, na jakim etapie "podróży z AI" jest dana osoba. Pomaga zrozumieć, czy pracownik lub kandydat do pracy jest tylko biernym obserwatorem, czy aktywnym twórcą wartości z pomocą sztucznej inteligencji.

Tak to wygląda ⤵️

Model dzieli kompetencje na 4 konkretne poziomy:

• 🟥 Unacceptable (Niedopuszczalny)

  • Osoba na tym poziomie aktywnie opiera się wykorzystywaniu AI w pracy lub ignoruje jej istnienie. Postrzega narzędzia AI jako chwilową modę lub potencjalne ryzyko.

  • Nie eksperymentuje, nie zna podstawowych rozwiązań dostępnych na rynku i nie potrafi wskazać żadnych scenariuszy użycia AI w kontekście produktu.

• 🟨 Capable (Kompetentny)

  • To ktoś, kto rozpoczął swoją podróż z AI - używa popularnych narzędzi, takich jak ChatGPT czy Notion AI, do wsparcia prostych zadań: szkiców PRD, draftów komunikatów czy notatek z rozmów z użytkownikami.

  • Rozumie podstawowe pojęcia, ale korzysta z AI powierzchownie, bez głębszego zrozumienia działania modeli czy dopasowania narzędzi do konkretnych potrzeb.

• 🟩 Adoptive (Zaadaptowany)

  • Na tym poziomie AI staje się naturalną częścią codziennej pracy. Tak osoba automatyzuje powtarzalne zadania (np. analizę feedbacku), optymalizuje prompty, testuje różne modele i buduje prostsze pipeline’y.

  • Potrafi ocenić, kiedy AI wnosi realną wartość, a kiedy jest zbędnym dodatkiem. To osoba, która aktywnie rozwija swoje kompetencje i świadomie dobiera narzędzia.

• 🟦 Transformative (Transformujący)

  • To najwyższy poziom wtajemniczenia. Taka osoba używa AI nie tylko jako narzędzia, ale wykorzystuje ją do tworzenia zupełnie nowych rozwiązań, strategii i wartości biznesowej.

  • Tworzy rozwiązania, które jeszcze dwa lata temu byłe niemożliwe do osiągnięcia. To lider zmiany, który aktywnie współtworzy przyszłość pracy z AI.

Zwróć uwagę, że te wymagania bedą różne dla różnych zespołów w firmie.

2. Cztery poziomy AI Fluency dla Product Managera

Jak te 4 poziomy z modelu Zapiera wyglądają w codziennej pracy Product Managera? Poniżej rozkładam na czynniki pierwsze każdy z nich, bazując na matrycy Zapiera i moich doświadczeniach.

🟥 Poziom 1: Unacceptable (Niedopuszczalny)

PM, który ignoruje AI lub traktuje ją wyłącznie jako zagrożenie. Nie rozumie jej wpływu na produkt i unika tematu podczas podejmowania decyzji produktowych.

• Taki PM traktuje AI jako "hype" i nie wykazuje żadnej ciekawości, jaką wartość mogłoby to dać użytkownikom. Nie stosuje żadnych narzędzi.

• Jego dokumenty produktowe (PRD) i prototypy nie zawierają żadnych koncepcji ani eksperymentów związanych z AI.

Przykładowe sygnały (u Ciebie, w zespole):

• Unikasz tematu AI lub uważasz, że to tylko chwilowy hype.

• Nigdy nie testowałeś narzędzi typu ChatGPT, Claude, Notion AI czy Perplexity.

• Nie potrafisz wskazać, żadnego konkretnego zastosowania AI w swoim obszarze produktowym.

• W rozmowach o roadmapie, discovery czy analizie danych - AI nie pojawia się ani razu.

• Na pytanie „jak AI może zmienić Wasz rynek / produkt?” - brak konkretnej odpowiedzi.

🟨 Poziom 2: Capable (Kompetentny)

PM, który używa popularnych narzędzi AI do wsparcia codziennej pracy, ale raczej w sposób podstawowy i niekontekstowy.

• Używa ChatGPT lub innego asystenta do draftowania PRD, historyjek użytkownika czy syntezy notatek z wywiadów. Używa AI do challengowania swoich pomysłów. Potrafi pokazać przykładowe prompty, których używa do swojej pracy.

• Zna podstawy budowania produktów AI - wie, czym są LLM-y, embeddingi i rozumie podstawowe kompromisy, np. między opóźnieniem (latencją) a kosztem.

Przykładowe sygnały (u Ciebie, w zespole):

• Używasz ChatGPT lub innego asystenta do pisania draftów PRD, komunikatów, user stories czy wiadomości do zespołu.

• Próbowałeś kilku popularnych narzędzi AI, ale raczej „na czuja” niż systemowo.

• Rozumisze, że są różne modele AI, ale nie potrafisz do końca dopasować ich do konkretnych przypadków użycia.

• Na pytanie: „czy AI poprawiło Twoją produktywność?” - odpowiadasz ogólnikowo.

🟩 Poziom 3: Adoptive (Zaadaptowany)

PM, który aktywnie i na stałe integruje AI z własnym workflow oraz świadomie włącza komponenty AI do produktu.

• Wdraża do produktu funkcje oparte o AI, które mają jasno określony mechanizm weryfikacji przez człowieka ("human-in-the-loop").

• Potrafi świadomie wybierać modele AI w oparciu o ich dokładność, latencję, przepustowość i ograniczenia okna kontekstowego.

• Umie zademonstrować podstawowy zwrot z inwestycji (ROI) - np. pokazać, że dzięki nowej funkcji skrócił czas potrzebny na analizę danych z 5 do 3 dni.

Przykładowe sygnały (u Ciebie, w zespole):

• Regularnie korzystasz z AI w codziennej pracy - np. do analizowania feedbacku, tworzenia hipotez, automatyzacji discovery.

• Budujesz własne prompty dopasowane do pracy produktowej.

• Automatyzujesz pracę swoją i swojego zespołu produktowego (np. w discovery, raportowaniu, analiza itp.) lub tworzysz proste pipeline’y z AI jako komponentem (np. tagging insightów, auto-klasyfikacja zgłoszeń).

• Wiesz, jak dobrać odpowiedni model (np. szybki vs. dokładny), znasz ograniczenia narzędzi AI.\

• Projektujesz funkcje, która opierają się o AI/LLM (np. AI-asystent w produkcie, dynamiczny onboarding, automatyzacja supportu).

🟦 Poziom 4: Transformative (Transformujący)

PM, który nie tylko używa AI do optymalizacji - ale projektuje z AI jako kluczowym komponentem produktu:

• Zmienia produkt w istotny sposób, taki który jeszcze 1-2 lata temu był nie do pomyślenia.

• Buduje i napędza strategię produktową oraz roadmapę AI dla całej organizacji, stosując podejście "eval-first" (najpierw ewaluacja) w rozwoju produktu.

• Przewodzi zespołom tworzącym autorskie, fine-tunowane modele LLM, które otwierają zupełnie nowe modele cenowe lub całe linie biznesowe.

Przykładowe sygnały (u Ciebie, w zespole):

• Myśli o AI kategoriami przewagi konkurencyjnej, a nie ficzerów.

• Inicjujesz dyskusje o danych jako strategicznym zasobie. Aktywnie pracuje nad tym, by firma zbierała unikalne dane, które w przyszłości staną się "paliwem" dla własnych modeli AI, tworząc trudną do skopiowania barierę wejścia.

• Regularnie przedstawia liderom, jak konkretne inwestycje w AI przełożą się na kluczowe metryki biznesowe (np. LTV, obniżenie churnu, wejście na nowy rynek) w perspektywie kilku kwartałów.

• Tworzysz roadmapę uwzględniającą możliwości nowych modeli (np. wykorzystanie multimodalności, personalizacja contentu, LLM-based search).

• Rozumiesz architekturę RAG, prompt injection, guardraile — i potrafi współpracować z zespołem technicznym nad wdrożeniem.

3. Jak Zappier wykorzystuje matrycę w praktyce?

Zappier używa metrycy jak wsparcie do wewnętrznej oceny pracowników, ale przede wszystkim podczas rekrutacji nowych osób do zespołu. Nie chodzi tutaj jednak o ocenę według twardych kryteriów. To nie checklista, którą można odhaczyć. To raczej system odnajdywania sygnałów - zachowań, decyzji, przykładów z życia - które pokazują, na jakim etapie podróży z AI znajduje się dana osoba.

• Zapier nie oczekuje, że każdy kandydat będzie na poziomie „Transformative”. W wielu przypadkach wystarczy, że osoba jest „Capable”, ale z potencjałem i otwartą głową.

• Cały model opiera się na założeniu, że AI Fluency to proces rozwoju, a nie egzamin z gotowych odpowiedzi.

• Dlatego bardziej szukają myślenia niż perfekcji: refleksji nad tym, czego dana osoba już spróbowała, jak wyciąga wnioski, co chciałaby jeszcze przetestować.

Ten sposób myślenia to konkretna lekcja także dla nas, jako osób budujących zespoły produktowe. Bo pytanie nie brzmi: „czy znasz AI?”, tylko: „Czy potrafisz z jej pomocą budować lepsze produkty?”

3.1. Metryca w rekrutacji

W takcie rekrutacji matryca ma wspierać zespół rekrutacyjny - od wstępnego screeningu aż po finalne rozmowy.

• Screening aplikacji

  • Szukają przykładów realnej pracy z AI w opisie obowiązków.

  • Zwracają uwagę, czy kandydat pisze co zrobił, a nie tylko z czego korzystał.

• Zadania asynchroniczne

  • Kandydaci mogą dostać zadanie np. zaprojektowania funkcji AI-powered lub wskazania, gdzie można wykorzystać AI w istniejącym produkcie.

  • Analizowana jest nie tylko kreatywność, ale też świadomość ograniczeń: hallucynacje, latency, explainability.

• Rozmowy na żywo

  • W trakcie rozmów na żywo pojawiają się pytania, które pozwalają głębiej wejść w praktykę kandydata.

A o co konkretnie pytają Product Managerów? Oto kilka realnych pytań, którymi podzielił się sam Zapier:

• „Jak AI zmienia sposób budowania produktów SaaS?”

• „Opowiedz o funkcji, którą stworzyłeś z wykorzystaniem AI. Jakie były rezultaty?”

• „Czy próbowałeś różnych modeli? Jak dobrałeś odpowiedni do problemu?”

4. Moje spojrzenie na matrycę

Kiedy po raz pierwszy zobaczyłem matrycę od Zapiera, poczułem coś znajomego. Choć ramy i nazwy poziomów były nowe, to zachowania, które opisują - już znałem. Z życia. Ze swojego zespołu. Ze swojej codziennej pracy.

Macierz nie jest idealna, ale IMHO dobrze uchwytuje to, jak wygląda realny rozwój kompetencji AI w pracy produktowej. Poniżej moje spojrzenie - oparte na własnym doświadczeniu.

4.1. Znaczenie AI Fluency - dlaczego dziś to absolutny MUST HAVE?

Zacznę od konkretnego statementu: jeśli w lipcu 2025 roku jako Product Manager ignorujesz AI, to tak, jakbyś 15 lat temu ignorował pojawienie się mobile. Serio. To nie jest kolejna przejściowa moda czy narzędzie do "optymalizacji". To IMHO fundamentalna zmiana, która redefiniuje, jak budujemy i rozwijamy produkty.

• 1️⃣ AI zmienia i brutalnie przyspiesza absolutnie każdy etap pracy nad produktem - discovery, strategia, testowanie pomysłów, budowanie prorotypów, komunikacja.

• 2️⃣ Budowanie produktów opartych o AI jest inne niż typowo softwarowych - fudnametalna różnica: software jest deterministyczny, model AI - nie. Kiedy w SentiOne budowałem platformę do automatyzacji obsługi klienta opartą o AI, doświadczyłem tego z “całą mocą”.

I teraz kluczowe pytanie: jeśli cały świat wokół Ciebie tak gwałtownie przyspiesza, a Ty nie rozumiesz, jak działają silniki tej zmiany i nie wykorzystujesz ich, to gdzie Cię to zaprowadzi?

4.2. Co się zgadza z moimi doświadczeniami?

• To, co szczególnie trafiło w punkt, to rozróżnienie między „używam AI” a „myślę produktem z AI w środku”. Ja też przeszedłem tę ścieżkę: od szybkich draftów PRD w ChatGPT, przez automatyzację analizy feedbacku, aż po projektowanie funkcji, które nie mogłyby istnieć bez LLM-ów.

• Efektywne użycie AI wymaga zrozumienia narzędzi, a nie tylko ich znajomości - wielu kandydatów i PM-ów twierdzi, że „używa AI” - ale dopiero, gdy zaczynasz zadawać pytania o dobór modelu, jak radzą sobie z błędnymi outputami, jak wychodzą poza promptowanie zero-shot, widać, na jakim są naprawdę poziomie.

• Skok z poziomu 2 na 3 to kluczowy moment w karierze PM-a. Przejście od bycia "użytkownikiem" AI (Capable) do bycia "świadomym twórcą wartości" (Adoptive) to jest dokładnie ten moment, w którym przestajesz być tylko wykonawcą, a realnie rozwijasz produkt.

• Poziom 4 to domena liderów - myślenie o własnych modelach, nowych liniach biznesowych i strategicznej przewadze konkurencyjnej – to są dokładnie te rozmowy, które prowadziliśmy w SentiOne na poziomie zarządu. To jest myślenie na poziomie całej organizacji, a nie tylko jednego produktu.

4.3. Gdzie model może pomóc w pracy na co dzień?

Dla mnie taka matryca jest świetnym narzędziem do rozmów w zespole, ale też i SAMOOCENY. Wspólnie z product managerami i zespołami możemy zastanawić się, gdzie jesteśmy - i co możemy zrobić, żeby wejść poziom wyżej:

• Do rozwoju zespołu: Jako lider możesz wykorzystać ten model do rozmów ze swoimi PM-ami. Daje wam wspólny język do dyskusji o kompetencjach i pomaga w budowaniu planów rozwojowych.

• Do rekrutacji: Zamiast zadawać ogólne pytania, możesz oprzeć scenariusz rozmowy na tej matrycy, by sprawdzić, czy kandydat myśli o AI strategicznie i czy potrafi udowodnić dowożoną wartość.

• Do samooceny: Możesz użyć tej matrycy jako lustra. Uczciwie odpowiedz sobie na pytanie: "Gdzie jestem i jaki jest mój następny, realistyczny krok?". To świetne narzędzie do planowania własnego rozwoju.

4.4. Taki model musi żyć

Jeśli chcesz taki model stosować w praktyce - to on musi żyć i być dostosowany do Twojej organizacji. Tak jak AI ewoluuje z tygodnia na tydzień, tak i poziomy będą się przesuwać. Coś, co dziś wygląda na „zaawansowane”, za trzy miesiące stanie się absolutnym standardem. I bardzo dobrze. Ale to oznacza, że trzeba do tej matrycy wracać regularnie - nie traktować jej jak ramy raz na zawsze.

5. Moje wątpliwości (na co bym uważał) ❌

Mam jednak kilka ważnych zastrzeżeń do tego typu modeli i ich stosowania w praktyce, bo może to prowadzić jak zawsze do patologii. Każde narzędzie można użyć mądrze lub głupio.

NAJWAŻNIEJSZE: to pokusa pójscia na skróty, gdy AI zastępuje myślenie produktowe, zamiast je wspierać.

• Ne można tej matrycy traktować jak twardej skali ocen. Ktoś może nie znać nazw architektur, ale świetnie integrować AI w workflow pracy PMa. Ktoś inny może znać buzzwordy, ale nie przekładać ich na wartość dla produktu. I na odwrót.

• Kontekst jest wszystkim. PM w startupie AI-first będzie miał inne doświadczenia niż PM w korporacji z dużym tech-debt i ograniczeniami regulacyjnymi. To, co w jednym miejscu będzie „Transformative”, w innym może być nie do wdrożenia.

• „Technologiczną biegłość” kosztem myślenia produktowego - niektóre firmy mam wrażenie, że ida za daleka. Ważniejsza jest znajdomość modelu, skrótów technicznych i architektury (RAG, latency, prompt injection), niż realny mindset i praca produktowa. PM nie powinien być pół-inżynierem - ważniejsze jest to, czy umie rozwiązać problem użytkownika z pomocą AI, a nie to, czy zna najnowszy model z OpenAI. Od tego mamy inżynierów.

• Brakuje miejsca na „AI sceptycyzm z sensem” - nie każda krytyczna postawa wobec AI to ignorancja. Są przypadki, w których sceptycyzm wynika ze świadomej analizy ryzyk, np. wrażliwości danych, ograniczeń modelu, fałszywego poczucia efektywności. A taki model może trochę zbyt łatwo wrzuca takie osoby do kategorii „Unacceptable”.