O AI w Product Management mówi się dziś przede wszystkim językiem świata software. Generowanie kodu, szybkie prototypowanie aplikacji, automatyczne tworzenie backlogu, user stories czy specyfikacji. Z punktu widzenia Product Managera odpowiedzialnego za produkt fizyczny część tych zastosowań jest oczywiście przydatna, ale nie dotyka najważniejszej zmiany.
Nowej pralki, mebla, armatury, elektronarzędzia czy urządzenia medycznego nie da się wygenerować promptem. Możemy stworzyć koncepcję, wizualizację albo dokumentację, ale wcześniej czy później pojawia się fizyczna rzeczywistość: materiały, konstrukcja, prototyp, dostawcy, narzędzia produkcyjne, testy, normy, logistyka i koszty.
AI nie sprawi więc, że rozwój produktu fizycznego zacznie działać tak jak rozwój aplikacji. Nie usunie fabryki ani nie sprawi, że wadliwy produkt będzie można poprawić aktualizacją wysłaną przez internet.
Może jednak bardzo mocno zmienić to, co dzieje się wcześniej.
AI nie usuwa fizycznych ograniczeń produktu. Skraca za to drogę od informacji do lepszej decyzji.
I właśnie w tym miejscu widzę dziś największą zmianę w pracy Product Managera produktów fizycznych.
Product Manager szybciej dochodzi do momentu, w którym trzeba podjąć decyzję
Product Manager rzadko cierpi na brak informacji. Problemem jest raczej ich nadmiar i to, że są porozrzucane po całej organizacji.
Sprzedaż ma informacje od klientów i dystrybutorów, marketing badania i dane rynkowe, serwis zbiera reklamacje, R&D ma dokumentację techniczną i wyniki testów, a zakupy wiedzą, co dzieje się u dostawców. Do tego dochodzą ceny, marże, rotacja produktów, specyfikacje konkurencji, raporty czy opinie użytkowników.
Teoretycznie wszystko to powinno pomagać w podejmowaniu decyzji. W praktyce ogromna część pracy odbywa się jeszcze przed samą decyzją. Dane trzeba znaleźć, przeczytać, uporządkować, porównać i dopiero później spróbować odpowiedzieć na pytanie, co właściwie z nich wynika.
AI może bardzo mocno skrócić właśnie ten etap. Potrafi przeanalizować setki komentarzy, porównać kilka dokumentów, znaleźć powtarzające się problemy, wychwycić niespójności albo pokazać zależności, których przy ręcznej analizie łatwo nie zauważyć.
Nie chodzi przy tym przede wszystkim o to, że maszyna przeczyta dokument szybciej od człowieka. Znacznie ważniejsze jest to, że Product Manager może wcześniej przejść z etapu zbierania i porządkowania informacji do momentu, w którym trzeba już naprawdę zastanowić się, co z nimi zrobić.
Jeszcze niedawno pytanie często brzmiało: „jak zebrać wszystkie informacje i mieć pewność, że niczego ważnego nie pominąłem?”. Coraz częściej może brzmieć: „mam już materiał, więc co właściwie z niego wynika i jaka decyzja będzie najlepsza?”.
To pozornie niewielka różnica, ale moim zdaniem właśnie ona zmienia charakter pracy.
McKinsey, analizując wpływ AI na R&D w różnych branżach, szacuje, że w firmach rozwijających złożone produkty fizyczne wykorzystanie AI może przyspieszyć procesy badawczo-rozwojowe o około 20 do 80 procent, zależnie od branży. Co ważne, potencjał ten nie wynika wyłącznie z automatyzacji pracy administracyjnej. Dużą rolę mają odgrywać szybsze generowanie wariantów, wspomaganie badań oraz wcześniejsza ocena możliwych rozwiązań. To oczywiście estymacja potencjału, a nie obietnica, że każde wdrożenie AI skróci development o połowę. Pokazuje jednak, gdzie zaczyna pojawiać się realna wartość. Źródło: McKinsey
AI nie buduje więc za nas produktu. Może za to sprawić, że dużo szybciej dojdziemy do momentu, w którym człowiek musi zdecydować, jaki produkt właściwie warto budować.
Od setek sygnałów z rynku do kilku hipotez
Customer insight jest jednym z najlepszych przykładów.
Wyobraźmy sobie produkt sprzedawany w kilku krajach. Mamy opinie klientów w sklepach internetowych, reklamacje, pytania do działu obsługi, raporty z serwisu, komentarze handlowców i informacje od dystrybutorów. Każde z tych źródeł zawiera jakiś fragment prawdy o produkcie. Problem pojawia się wtedy, kiedy tych fragmentów są setki albo tysiące.
Product Manager jest w stanie przeczytać kilkanaście czy kilkadziesiąt opinii. Przy większej liczbie zaczyna działać selektywnie. Czyta próbkę, korzysta z podsumowania przygotowanego przez kogoś innego albo, zupełnie naturalnie, zwraca większą uwagę na sygnały, które pasują do tego, co już wcześniej uważał za istotne.
AI może ten etap znacząco skrócić. Pogrupuje reklamacje, znajdzie powtarzające się uwagi, porówna problemy pomiędzy różnymi wersjami produktu albo wskaże sygnały, które zaczęły pojawiać się częściej niż wcześniej.
Jeszcze ciekawiej robi się wtedy, kiedy połączymy różne źródła. Jeżeli użytkownicy zaczynają narzekać na określony element produktu, serwis widzi wzrost związanych z nim zgłoszeń, a handlowcy jednocześnie mówią, że klienci mają problem ze zrozumieniem jego działania, przestajemy patrzeć na trzy oddzielne informacje. Zaczyna pojawiać się jeden potencjalny problem produktowy.
Tutaj jednak bardzo łatwo pomylić analizę z decyzją. Jeżeli AI przeanalizuje tysiąc opinii i poda pięć najczęściej występujących problemów, nie oznacza to jeszcze, że są to problemy najważniejsze. Rzadko występujący sygnał może mieć ogromne znaczenie dla konkretnej grupy klientów, model może nie znać specyfiki kategorii albo uogólnić zachowania, które w rzeczywistości mają zupełnie różne przyczyny.
Dlatego wartość AI nie polega na tym, że „zna klienta” lepiej od Product Managera.
Polega na tym, że pozwala szybciej przejść od setek rozproszonych sygnałów do kilku hipotez, które naprawdę warto zweryfikować.
Kontakt z klientem nadal pozostaje potrzebny. Tyle że Product Manager może przyjść na tę rozmowę lepiej przygotowany i z lepszym pytaniem.
AI może skrócić drogę od tabeli konkurencji do właściwego pytania
Podobnie wygląda analiza rynku i konkurencji.
W wielu firmach benchmark produktu nadal zaczyna się od dużego arkusza kalkulacyjnego. W kolumnach znajdują się konkurenci, w wierszach ceny, parametry, wymiary, materiały i funkcje. Taka tabela jest potrzebna, ale sama w sobie nie mówi jeszcze, co powinniśmy zrobić.
Możemy mieć setki danych o konkurencji i nadal nie wiedzieć, co właściwie z nich wynika dla naszego produktu.
AI pozwala zrobić następny krok szybciej. Możemy zacząć pytać, które funkcje występują wyłącznie w segmencie premium, jakie rozwiązania pojawiają się już w niższych poziomach cenowych, czy wraz ze wzrostem ceny klient rzeczywiście otrzymuje więcej wartości albo gdzie istnieje luka, której żaden z konkurentów jeszcze sensownie nie wypełnia.
Możemy też zrobić coś, co osobiście uważam za jeszcze ciekawsze. Zamiast prosić AI o potwierdzenie naszej tezy, możemy poprosić o jej podważenie.
Załóżmy, że od kilku lat jesteśmy przekonani, iż przewagą naszego produktu jest określona funkcja. Możemy wtedy zapytać, dlaczego klient może wcale nie uważać jej za istotną, jak konkurencja rozwiązuje ten sam problem bez tej funkcji albo jakie założenia muszą być prawdziwe, żeby nasza koncepcja rzeczywiście miała sens.
To szczególnie ciekawe w przypadku doświadczonych Product Managerów. Im lepiej znamy kategorię, tym łatwiej część naszych założeń zaczyna z czasem wyglądać jak fakty. AI może być wtedy całkiem dobrym sparring partnerem, nie dlatego, że wie od nas więcej, ale dlatego, że bardzo szybko pozwala spojrzeć na problem z kilku stron.
Nie zastępuje benchmarku ani znajomości rynku. Skraca natomiast drogę od tabeli pełnej danych do pytania, które może zmienić decyzję produktową.
I znowu najważniejszą wartością nie jest sama analiza. Jest nią to, że wcześniej dochodzimy do miejsca, w którym trzeba zdecydować.
Najwięcej można zyskać przed pierwszym prototypem
W tym miejscu różnica pomiędzy produktem cyfrowym a fizycznym staje się szczególnie ważna.
W software błędną decyzję można czasem stosunkowo szybko poprawić. Produkt fizyczny zaczyna natomiast w pewnym momencie ważyć w kilogramach materiału, godzinach pracy, kosztach form, zamówionych komponentach i zapasie magazynowym. Im dalej projekt posuwa się w procesie rozwoju, tym droższa staje się zmiana.
Na początku możemy po prostu wykreślić funkcję z założeń produktu. Później trzeba już zmienić konstrukcję, jeszcze później przebudować narzędzie produkcyjne, a na końcu możemy mieć kilka tysięcy gotowych produktów, których klient po prostu nie chce.
Dlatego we wczesnej fazie rozwoju AI może mieć znacznie większą wartość, niż wynikałoby ze zwykłego liczenia zaoszczędzonych godzin pracy.
Jeżeli pomoże wcześniej znaleźć sprzeczne wymagania, zakwestionować niepotrzebną funkcję albo wskazać scenariusz użytkowania, którego zespół nie przewidział, może zapobiec błędowi zanim ten stanie się drogi.
Nie chodzi więc o wpisanie do modelu: „zaprojektuj mi najlepszy ekspres do kawy”. Dużo ciekawsze jest użycie AI do sprawdzania założeń. Co stanie się z wartością produktu, jeśli usuniemy jedną funkcję? Które wymagania mogą ze sobą kolidować? W jaki sposób użytkownik może korzystać z produktu inaczej, niż zakładaliśmy? Jakie kompromisy pojawią się, jeśli poprawimy jeden parametr kosztem drugiego? Która część koncepcji opiera się na założeniu, którego jeszcze właściwie nie sprawdziliśmy?
AI pozwala tanio przejść przez większą liczbę takich pytań.
I właśnie tutaj główna teza nabiera najbardziej praktycznego znaczenia.
AI nie skraca fizycznej drogi produktu od projektu do fabryki. Może jednak skrócić drogę do odkrycia, że obraliśmy zły kierunek, zanim fabryka w ogóle zacznie pracować.
To zasadnicza różnica.
I właśnie w tym miejscu pojawia się dobre otrzeźwienie ze strony nauki. Opublikowana w 2026 roku w Proceedings of the Design Society meta-analiza dotycząca wykorzystania generatywnej AI w engineering design i product development rozpoczęła się od przeglądu 1074 publikacji. Autorzy zidentyfikowali 27 różnych kategorii barier ograniczających praktyczne wykorzystanie AI. Wśród najczęściej pojawiających się znalazły się możliwości samych modeli, wiarygodność generowanych rezultatów i zaufanie użytkowników. Bardzo istotne okazały się również jakość i dostępność danych, kwestie własności intelektualnej oraz problemy z integracją AI z istniejącymi narzędziami i procesami. Źródło: Cambridge University Press / Proceedings of the Design Society
To ważne, bo pokazuje, że największym problemem coraz rzadziej jest samo wygenerowanie odpowiedzi. Model coś zaproponuje. Pytanie brzmi, czy rezultat jest wystarczająco wiarygodny, żeby stał się podstawą rzeczywistej decyzji produktowej.
Pytanie powoli przestaje więc brzmieć: „czy AI potrafi coś zaproponować?”. Bardziej interesujące jest:
„Czy wiem wystarczająco dużo, żeby na podstawie tej propozycji podjąć decyzję, która za chwilę zacznie kosztować prawdziwe pieniądze?”
Fizyczny świat nie daje Product Managerowi przycisku Undo
AI może bardzo szybko wygenerować kilka czy kilkanaście wariantów koncepcji, ale fabryka nadal musi jeden z nich wyprodukować. Może zaproponować zmianę materiału, tylko ktoś musi jeszcze sprawdzić jego właściwości, dostępność, cenę i zachowanie w procesie produkcyjnym. Może również wskazać atrakcyjną funkcję, ale pozostaje pytanie, czy klient będzie chciał za nią zapłacić, czy produkt przejdzie testy i czy dostawca będzie w stanie stabilnie produkować potrzebny komponent przez kolejne lata.
Dlatego Product Management produktów fizycznych pozostanie światem kompromisów.
Klient chce więcej funkcji, ale każda z nich kosztuje. R&D może zaproponować rozwiązanie technicznie lepsze, ale wymagające dodatkowych miesięcy pracy. Tańszy komponent świetnie wygląda w kalkulacji, lecz jego dostawca miał wcześniej problemy jakościowe. Badania pokazują zainteresowanie funkcją, ale sprzedaż nie bardzo wie, jak wyjaśnić jej wartość klientowi.
AI może pomóc uporządkować te argumenty i szybciej pokazać konsekwencje różnych scenariuszy. Nie podejmie jednak odpowiedzialnie decyzji za Product Managera.
Nie zna wszystkich rozmów prowadzonych w organizacji. Nie wie o problemach dostawcy sprzed kilku lat, jeśli nikt nie umieścił ich w danych. Nie rozumie też, że projekt wyglądający bardzo dobrze na papierze może być zwyczajnie niewykonalny organizacyjnie w konkretnym momencie.
To jest granica, której nie warto zacierać.
AI przygotowuje decyzję. Product Manager nadal odpowiada za jej podjęcie.
AI przesuwa punkt ciężkości pracy Product Managera
I tutaj dochodzimy chyba do najważniejszej konsekwencji.
Jeszcze niedawno dużą częścią pracy Product Managera było zdobywanie informacji potrzebnych do decyzji. Coraz częściej te informacje będzie można zebrać i wstępnie przeanalizować prawie natychmiast.
Przewagą nie będzie więc samo posiadanie danych. Przewagą stanie się raczej umiejętność rozpoznania, które dane naprawdę mają znaczenie, jakie pytanie należy zadać, czego AI mogło nie zauważyć i kiedy mamy już wystarczająco dużo informacji, żeby przestać analizować i wreszcie zdecydować.
To przesuwa pracę Product Managera z przetwarzania informacji w stronę interpretacji, priorytetyzacji i odpowiedzialności.
I chyba właśnie tutaj AI naprawdę zmienia Product Management produktów fizycznych.
Nie sprawi, że fabryki zaczną pracować dziesięć razy szybciej, nie usunie kosztów prototypowania i nie zlikwiduje problemów z dostawcami, testami czy logistyką. Sedno zmiany jest gdzie indziej: większą część pracy poznawczej można wykonać wcześniej, zanim zacznie się najbardziej kosztowna część developmentu.
AI może więc sprawić, że zanim zaczniemy ciąć metal, zamawiać komponenty i uruchamiać produkcję, podejmiemy mniej złych decyzji.
A w świecie produktów fizycznych decyzja podjęta odpowiednio wcześnie może być warta znacznie więcej niż setki godzin zaoszczędzonych później.
AI nie usuwa fizycznych ograniczeń produktu. Skraca za to drogę od informacji do lepszej decyzji.
I być może właśnie to okaże się jego największą wartością dla Product Managera.