Hvor AI faktisk passer ind i en PM-uge
Produktledelse er fire forskellige job der deler én kalender. Du læser meget (feedback, tickets, transskriptioner, analyseeksporter), skriver meget (specs, opdateringer, briefs), analyserer lidt (funnels, kohorter, undersøgelsesresultater) og overbeviser konstant. Hver af de opgaver belønner en anden model, og det er derfor et enkelt AI-abonnement dækker omkring to tredjedele af arbejdet og efterlader resten som en kamp.
| PM-opgave | Bedste model | Hvorfor |
|---|---|---|
| PRD-narrativ, problemformuleringer, produktopdateringer | Claude | Holder et langt argument, skriver prosa en udvikler faktisk læser |
| Feedbacktemaisering, ticketklyngedannelse, struktureret udtræk | GPT | Solid til strikse outputformater og konsistente kategorinavne |
| Discovery research, konkurrentscanninger, markedskontekst | Gemini | Bedst til nyt webmateriale, returnerer kilder du kan åbne |
| Lange transskriptioner, researchdecks, 100-siders rapporter | Gemini | 1M token kontekstvindue, så hele korpuset passer i ét pas |
| Speckritik og edge case-jagt | Enhver model der ikke skrev specen | En uafhængig læser fanger det forfatteren ikke kan |
Intet af dette erstatter dømmekraft om hvad der skal bygges. Det komprimerer afstanden mellem at have inputtene og at have noget skrevet ned, hvor de fleste PM-uger faktisk lækker tid. Skiftet er også billigt: på Whizi Pro bruger en Claude Sonnet 5-besked 10 credits af en månedlig ramme på 2.000 credits, en GPT-5.6 Luna-udtrækning bruger 1, og Gemini 3.7 Flash læser transskriptioner for 2 credits pr. besked.
At skrive en PRD en udvikler ikke sender tilbage
De fleste AI-skrevne specs fejler på samme ting: de beskriver en feature i stedet for en beslutning. Engineering har ikke brug for et afsnit om hvorfor kunden er vigtig. De har brug for tilstandene, edge cases og hvad der sker når kaldet fejler. Prompt eksplicit for det, og outputtet ændrer karakter.
Prompt: problemformulering først
Skriv problemformuleringsafsnittet i en PRD. Evidens jeg har: [indsæt supporttickets, analyser, interviewcitater]. Foreslå ikke en løsning. Returner: hvem har problemet, hvor ofte, hvad gør de i stedet i dag, hvad koster det dem, og hvad ville vi forvente ændrede sig hvis det blev løst. Markér ethvert udsagn der ikke er understøttet af den indsendte evidens som ANTAGELSE.
Prompt: specens krop
Omdan dette til en specifikation for et udviklingsteam. Feature: [beskrivelse]. Brugertilstande der skal dækkes: [liste]. Returner: user stories med acceptkriterier, alle tilstande inklusive tom, indlæsning, fejl og adgang nægtet, adfærden når en afhængighed ikke er tilgængelig, analytics-events med deres properties, og åbne spørgsmål. Opfind ikke krav jeg ikke har angivet. List alt du har måttet antage i et separat afsnit til sidst.
Prompt: kritikgennemgangen
Optræd som en staff engineer der reviewer denne spec før estimering. List kun problemerne: udefineret adfærd, mangelende tilstande, krav der er i konflikt, skjult migreringsarbejde, og alt der vil generere et opfølgende spørgsmål under grooming. Omskriv ikke specen.
Kør den tredje prompt i en model der ikke skrev specen. Den afdækker konsekvent de tre spørgsmål dit team ellers ville stille under grooming, og at besvare dem i forvejen er forskellen mellem en 20 minutters grooming-session og en 50 minutters.
At gøre rå feedback til noget du kan prioritere
Den opgave med højest udbytte for AI i produktledelse er ikke at skrive. Det er at læse 400 feedbackpunkter i en form du kan handle på. Gjort manuelt er det en halv dag. Gjort godt med en model er det 20 minutter, og kvaliteten afhænger næsten helt af om du tvinger stabile kategorier igennem.
Prompt: første temaisering
Her er rå kundefeedback. Klyng den i temaer. For hvert tema returner: et label, antallet af punkter, den sværhedsgrad sproget antyder, et repræsentativt citat kopieret ordret, og om temaet er en fejl, en mangelende funktion, et brugbarhedsproblem eller en forventningsmismatch. Sammenlæg ikke temaer med forskellige grundårsager selv hvis ordlyden er ens. Omskriv ikke citater. Feedback: [indsæt].
Prompt: andet pas mod en fast taksonomi
Genklassificér den samme feedback ved kun at bruge disse kategorier: [indsæt din eksisterende taksonomi]. Alt der ikke passer går i UKLASSIFICERET med en forklaring. Returner en tabel med kategori, antal og procent.
De to pas betyder noget. Det første pas viser hvad der faktisk er i dataene. Det andet gør resultatet sammenligneligt med sidste kvartal, hvilket er det der gør det brugbart i en prioriteringssamtale i stedet for bare interessant.
| Hvad du skal bede om | Hvad du får | Hvad det er godt til |
|---|---|---|
| Temaer med antal | En rangeret liste af problemområder | Roadmapinput, kvartalsplanlægning |
| Kun citater ordret | Uredigeret kundesprog | Copy, positionering, ledelsesovertalelse |
| Sværhedsgrad og frekvensopdeling | Et 2x2-diagram af smerte mod volumen | At beslutte hvad der skal fikses først |
| Modsætninger | Hvor segmenter vil have modsatte ting | At fange en falsk konsensus tidligt |
Den sidste række er en fast prompt værd: Hvor i denne feedback vil forskellige brugere have uforenelige ting? Navngiv segmenterne og trade-offet. En temaliste udflader uenighed, og uenighed er normalt det mest brugbare i dataene.
Discovery, konkurrenter og den research du aldrig har tid til
Discovery er det arbejde der bliver skåret fra først når en release er forsinket, hvilket er præcis når en dårlig beslutning er dyrest. Modelassisteret scanning erstatter ikke at tale med kunder, men den erstatter undskyldningen for at gå blindt ind i en beslutning.
Prompt: konkurrentgennemgang
Byg en gennemgang af hvordan [konkurrent] håndterer [job to be done]. Dæk: deres erklærede positionering med deres egne ord, flowet som dokumenteret i deres hjælpecenter, priser hvor de er offentlige, hvad der ændrede sig de sidste 12 måneder med datoer, og de klagetemaer der er synlige i offentlige anmeldelser. Cit hvert udsagn med en URL. Skil hvad virksomheden erklærer fra hvad tredjeparter observerer.
Prompt: interviewsyntese
Læs disse interviewtransskriptioner. Returner: de jobs brugerne forsøger at udføre, de workarounds de har bygget, de øjeblikke hvor de udtrykte frustration med eksakte citater, og alle steder hvor det en bruger sagde modsiger hvad de beskrev at gøre. Generalisér ikke ud over transskriptionerne. Hvis et mønster kun optræder i under tre interviews, markér det som en enkelt observation i stedet for et mønster.
Den sidste begrænsning er den PM'er oftest glemmer. Modeller er ivrige efter at producere rene mønstre, og et rent mønster fra to interviews er hvordan et roadmap ender med at betjene en kunde der ikke eksisterer. Bed om antal ved siden af hvert udsagn.
Ledelsesnarrativ og launchkommunikation
Det samme indhold skal eksistere i fire højder: en spec til engineering, en opdatering til teamet, et afsnit til ledelsesreviewet, og en launchnote til kunder. At omskrive mellem højder er det mest mekaniske arbejde i jobbet og det nemmeste at delegere.
Prompt: højdeskift
Omskriv dette til [målgruppe]. De er interesseret i [specifikke bekymringer]. De har [niveau] kontekst på dette produktområde. Behold hvert faktisk udsagn identisk. Længde: [begrænsning]. Start med beslutningen eller resultatet, ikke baggrunden. Udkast: [indsæt].
Prompt: ledelsesafsnittet
Komprimér denne opdatering til 120 ord til en leder der læser den én gang. Struktur: hvad ændrede sig, hvad det betyder for den metric vi har forpligtet os til, hvad vi har brug for fra dem, og den ene risiko der er værd deres opmærksomhed. Ingen adjektiver der ikke er målt.
Prompt: pre mortem
Antag denne launch mislykkedes seks måneder fra nu. Skriv de tre mest sandsynlige forklaringer, rangeret efter sandsynlighed, kun ved brug af hvad der er i planen nedenfor. For hver, angiv det tidlige signal vi kunne holde øje med. Plan: [indsæt].
Behold alle fire højder i den samme Whizi-tråd. Launchnoten arver konteksten fra specen og feedbackanalysen, så du undgår at forklare featuren igen hver gang du skifter målgruppe.
Hvor AI vildleder produktchefer specifikt
Tre fejlmønstre betyder mere i dette job end i de fleste andre.
Opfundne citater. Hvis du beder om repræsentative citater uden at fastholde modellen til kildeteksten, får du nogle gange en plausibel sætning ingen kunde faktisk sagde. Instruér altid kopiér citater ordret, omskriv ikke, og stikprøvekontrollér tre af dem mod rådataen inden et citat kommer på et slide.
Falsk sikkerhed fra små stikprøver. En model temaiserer otte supporttickets med præcis samme sikkerhed som den temaiserer otte hundrede. Bed om antal på hvert tema, og betragt alt under et håndfuldt eksempler som en observation snarere end et signal.
Roadmapteater. At bede en model om at prioritere din backlog producerer en sikker rangering udledt af intet andet end ordene i dine tickets. Den har ingen adgang til din strategi, din kapacitet, din tekniske gæld eller den deal der lukker næste kvartal. Brug den til at strukturere trade-offet, aldrig til at træffe beslutningen.
- Gem en PRD-promptskabelon i Claude og en kritikprompt til at køre i en anden model
- Gem en feedbacktemaiseringsskabelon i GPT med din eksisterende taksonomi indsat
- Gem en konkurrentscanningsskabelon i Gemini der kræver en URL for hvert udsagn
- Bed altid om antal sammen med temaer, og behandl små antal som observationer
- Instruér modellen til at kopiere citater ordret, og stikprøvekontrollér derefter tre mod kilden
- Kør en pre mortem på hver launchplan før launchreviewet, ikke efter
- Behold spec, feedback og launchkommunikation i én tråd så konteksten følger med
Ofte stillede spørgsmål
Kan jeg indsætte kundeinterviews?
Ja. Til lange transskriptioner brug Gemini: dens 1M token kontekstvindue rummer omkring 2.000 sider tekst, så et helt sæt interviews passer i ét pas i stedet for at blive opdelt. Fjern navne, e-mails og virksomhedsidentifikatorer først. Roller og segmenter er alt analysen har brug for, og at fjerne resten holder dig klar af de fleste interne datapolitikker.
Integrerer Whizi med Jira eller Linear?
Ikke nativt endnu. I praksis er workflowet at generere det strukturerede output i Whizi (user stories med acceptkriterier, en tabel med temaer og antal) og indsætte det i din tracker, hvilket tager sekunder fordi formatet allerede er det trackeren forventer. Bed om outputtet som en Markdown-tabel eller som et issue pr. blok hvis du vil indsætte dem enkeltvis.
Hvilken model skriver den bedste PRD?
Claude til narrativafsnittene, altså problemformuleringen, ræsonnementet og alt et menneske skal overbevises af. GPT til de strukturerede afsnit, altså user stories, acceptkriterier, tilstandstabeller og analytics event-definitioner. At opdele dokumentet mellem de to tager et ekstra modelskift og reducerer redigeringsgennemgangen markant.
Er det sikkert at indsætte internt roadmap- eller omsætningsdata?
Whizi træner ikke på dine samtaler, og hver udbyders datapolitik er tilgængelig inden du aktiverer den model. Din virksomheds politik er normalt den strengeste begrænsning. En god vane er at indeksere følsomme tal i stedet for at indsætte absolutter, da analyse af relativ bevægelse fungerer identisk, og tallene stopper med at være følsomme.
Kan AI prioritere min backlog?
Den kan strukturere trade-offet, hvilket er reelt nyttigt: score punkter mod kriterier du definerer, afdæk hvor to punkter afhænger af hinanden, og vis hvilke segmenter et givet valg betjener. Den kan ikke træffe beslutningen, fordi den ingen indsigt har i din strategi, din teamkapacitet eller den kommercielle kontekst. Betragt enhver rangering den producerer som et afsæt til diskussion.