איפה AI באמת משתלב בשבוע של מנהל מוצר
ניהול מוצר הוא ארבע עבודות שונות שחולקות יומן אחד. אתם קוראים הרבה (פידבק, קריאות שירות, תמלולים, ייצוא נתונים), כותבים הרבה (מסמכי אפיון, עדכונים, תקצירים), מנתחים קצת (משפכים, קוהורטות, תוצאות סקרים) ומשפיעים כל הזמן. כל אחת מהמשימות האלה מתאימה למודל אחר, וזו הסיבה שמנוי AI בודד מכסה בערך שני שלישים מהעבודה ומשאיר את השאר מרגיש כמו מאבק.
| משימת מנהל מוצר | המודל הטוב ביותר | הסיבה |
|---|---|---|
| נרטיב של מסמך אפיון, הצהרות בעיה, עדכוני מוצר | Claude | שומר על טיעון ארוך, כותב טקסט שמפתח יקרא בפועל |
| סיווג פידבק לנושאים, איגוד קריאות שירות, חילוץ מבני | GPT | אמין בפורמטי פלט קבועים ובתיוג קטגוריות עקבי |
| מחקר גילוי, סקירת מתחרים, הקשר שוק | Gemini | הטוב ביותר על תוכן מהאינטרנט העדכני, מחזיר מקורות שאפשר לפתוח |
| תמלולים ארוכים, מסמכי מחקר, דוחות של 100 עמודים | Gemini | חלון קונטקסט של מיליון טוקנים, כך שכל התוכן נכנס במעבר אחד |
| ביקורת על מסמך אפיון וחיפוש מקרי קצה | כל מודל שלא כתב את המסמך | קורא עצמאי תופס דברים שהכותב לא יכול לתפוס |
שום דבר מכל זה לא מחליף שיקול דעת לגבי מה לבנות. זה מקצר את המרחק בין קבלת הקלט לבין קבלת משהו כתוב, וזה בדיוק המקום שבו רוב שבועות העבודה של מנהלי מוצר מדליפים זמן. גם המעבר בין מודלים זול: ב-Whizi Pro הודעה ב-Claude Sonnet 5 עולה 10 קרדיטים מתוך מכסה חודשית של 2,000 קרדיטים, חילוץ ב-GPT-5.6 Luna עולה 1, ו-Gemini 3.7 Flash קורא תמלולים ב-2 קרדיטים להודעה.
כתיבת מסמך אפיון שמפתח לא ישלח בחזרה
רוב מסמכי האפיון שנכתבים על ידי AI נכשלים באותו דבר: הם מתארים פיצ'ר ולא החלטה. מהנדסים לא צריכים פסקה על החשיבות של הלקוח. הם צריכים את המצבים, את מקרי הקצה, ואת מה שקורה כשקריאה נכשלת. בקשו את זה בפרומפט במפורש והפלט משתנה באופיו.
פרומפט: הצהרת הבעיה קודם
כתוב את פסקת הצהרת הבעיה של מסמך אפיון. העדויות שיש לי: [הדביקו קריאות שירות, נתונים, ציטוטים מרואיינים]. אל תציע פתרון. החזר: למי יש את הבעיה, כמה פעמים, מה הם עושים כרגע במקום, מה זה עולה להם, ומה היינו מצפים שישתנה אם היא תיפתר. סמן כל טענה שלא נתמכת בעדות שהדבקתי כ-ASSUMPTION.
פרומפט: גוף המסמך
הפוך את זה למסמך אפיון לצוות מהנדסים. פיצ'ר: [תיאור]. מצבי משתמש לכיסוי: [רשימה]. החזר: סיפורי משתמש עם קריטריוני קבלה, כל מצב כולל ריק, טעינה, שגיאה ומניעת הרשאה, ההתנהגות כשתלות לא זמינה, אירועי אנליטיקס עם המאפיינים שלהם, ושאלות פתוחות. אל תמציא דרישות שלא ציינתי. פרט כל דבר שנאלצת להניח בסעיף נפרד בסוף.
פרומפט: מעבר הביקורת
שחק תפקיד מהנדס Staff שסוקר את המסמך לפני הערכה. פרט רק את הבעיות: התנהגות לא מוגדרת, מצבים חסרים, דרישות שסותרות זו את זו, עבודת מיגרציה חבויה, וכל דבר שיצור שאלת המשך בזיקוק. אל תכתוב מחדש את המסמך.
הריצו את הפרומפט השלישי במודל שלא כתב את המסמך. הוא חושף באופן עקבי את שלוש השאלות שהצוות שלכם היה מעלה בזיקוק, ולענות עליהן מראש זה ההבדל בין פגישת זיקוק של 20 דקות לבין אחת של 50 דקות.
הפיכת פידבק גולמי למשהו שאפשר לתעדף
משימת ה-AI עם התועלת הגבוהה ביותר בניהול מוצר איננה כתיבה. זו קריאה של 400 פריטי פידבק בצורה שאפשר לפעול לפיה. בעבודה ידנית זה חצי יום. עם מודל, ובאופן נכון, זה 20 דקות, והאיכות תלויה כמעט לחלוטין בכך שתאלצו קטגוריות קבועות.
פרומפט: תיוג נושאים במעבר ראשון
הנה פידבק גולמי מלקוחות. סווג אותו לנושאים. עבור כל נושא החזר: תווית, מספר הפריטים, חוזק הביטוי הלשוני, ציטוט מייצג מדויק שהודבק כלשונו, ואם הנושא הוא באג, יכולת חסרה, בעיית שימושיות, או אי התאמת ציפיות. אל תמזג נושאים עם שורשי בעיה שונים אפילו אם הניסוח דומה. אל תנסח מחדש ציטוטים. פידבק: [הדביקו].
פרומפט: מעבר שני מול טקסונומיה קבועה
סווג מחדש את אותו פידבק תוך שימוש רק בקטגוריות האלה: [הדביקו את הטקסונומיה הקיימת שלכם]. כל דבר שלא מתאים עובר ל-UNCLASSIFIED עם הסבר. החזר טבלה של קטגוריה, מספר ואחוז.
מבנה שני המעברים חשוב. המעבר הראשון מגלה לכם מה באמת יש בנתונים. השני עושה את התוצאה השוואתית לרבעון הקודם, וזה מה שהופך אותה לשמישה בשיחת תעדוף ולא רק למעניינת.
| מה לבקש | מה מקבלים | למה זה טוב |
|---|---|---|
| נושאים עם ספירה | רשימה מדורגת של תחומי בעיה | קלט למפת דרכים, תכנון רבעוני |
| ציטוטים מדויקים בלבד | שפת לקוח לא מעובדת | קופי, פוזיציה, שכנוע הדרג הבכיר |
| פילוח לפי חוזק ותדירות | מטריצת 2x2 של כאב מול נפח | הכרעה מה לתקן ראשון |
| סתירות | היכן סגמנטים רוצים דברים מנוגדים | תפיסת קונצנזוס מזויף בשלב מוקדם |
השורה האחרונה שם ראויה לפרומפט קבוע: היכן בפידבק הזה משתמשים שונים רוצים דברים לא תואמים? ציין את הסגמנטים ואת ה-tradeoff. רשימת נושאים משטחת חילוקי דעות, וחילוקי דעות הם בדרך כלל הדבר השימושי ביותר בנתונים.
מחקר גילוי, מתחרים והמחקר שאין לכם זמן בשבילו
מחקר גילוי הוא העבודה שנחתכת ראשונה כשגרסה מתעכבת, ודווקא זה הזמן שבו החלטה שגויה עולה הכי הרבה. סקירה בעזרת מודל לא מחליפה שיחות עם לקוחות, אבל היא מחליפה את התירוץ להיכנס להחלטה בעיניים עצומות.
פרומפט: פירוק מתחרה
בנה פירוק (teardown) של איך [מתחרה] מתמודד עם [ה-job to be done]. כלול: הפוזיציה המוצהרת שלהם במילים שלהם, הזרימה כפי שמתועדת במרכז העזרה שלהם, מחירים במקום שהם פומביים, מה השתנה ב-12 החודשים האחרונים עם תאריכים, ונושאי התלונות הנראים בביקורות פומביות. צטט כל טענה עם URL. הפרד בין מה שהחברה מצהירה לבין מה שצדדים שלישיים מציינים.
פרומפט: סינתזת ראיונות
קרא את התמלולים האלה של ראיונות. החזר: המשימות שהמשתמשים מנסים להשיג, הפתרונות העוקפים שהם בנו, הרגעים שבהם הם הביעו תסכול עם ציטוטים מדויקים, וכל מקום שבו מה שמשתמש אמר סותר את מה שהוא תיאר שהוא עושה. אל תכלול מעבר לתמלולים. אם דוגמה מופיעה בפחות משלושה ראיונות, סמן אותה כתצפית בודדת ולא כתבנית.
האילוץ האחרון הוא זה שמנהלי מוצר שוכחים הכי הרבה. מודלים נלהבים ליצור תבניות נקיות, ותבנית נקייה משני ראיונות היא הדרך שבה מפת דרכים מגיעה לשרת לקוח שלא קיים. בקשו ספירות לצד כל טענה.
נרטיב לדרג הבכיר ותקשורת השקה
אותו תוכן צריך להתקיים בארבעה מפלסי גובה: מסמך אפיון להנדסה, עדכון לצוות, פסקה לביקורת הנהלה, והודעת השקה ללקוחות. כתיבה מחדש בין המפלסים היא העבודה המכנית ביותר בתפקיד והקלה ביותר להעביר.
פרומפט: שינוי מפלס
כתוב את זה מחדש עבור [קהל]. הם מתעניינים ב-[חששות ספציפיים]. יש להם [רמת] הקשר על תחום המוצר הזה. שמור על כל טענה עובדתית זהה. אורך: [אילוץ]. פתח בהחלטה או בתוצאה, לא ברקע. טיוטה: [הדביקו].
פרומפט: פסקת ההנהלה
דחוס את העדכון הזה ל-120 מילים למנהל בכיר שיקרא אותו פעם אחת. מבנה: מה השתנה, מה זה אומר עבור המדד שהתחייבנו עליו, מה אנחנו צריכים מהם, והסיכון היחיד שראוי לתשומת ליבם. אין שמות תואר שלא נמדדים.
פרומפט: הפרה מורטם (pre mortem)
נניח שההשקה הזו נכשלה בעוד שישה חודשים. כתוב את שלושת ההסברים הסבירים ביותר, בסדר של סבירות, תוך שימוש רק במה שנמצא בתוכנית שלמטה. עבור כל אחד, ציין את הסימן המוקדם שנוכל לצפות לו. תוכנית: [הדביקו].
שמרו את כל ארבעת המפלסים באותה שיחת Whizi. הודעת ההשקה יורשת את ההקשר ממסמך האפיון וניתוח הפידבק, כך שאתם מפסיקים להסביר את הפיצ'ר מחדש בכל פעם שאתם משנים קהל.
היכן AI מטעה מנהלי מוצר באופן ספציפי
שלושה מצבי כשל חשובים בתפקיד הזה יותר מברוב האחרים.
ציטוטים מפוברקים. אם אתם מבקשים ציטוטים מייצגים בלי לקבע את המודל לטקסט המקור, לפעמים תקבלו משפט סביר שאף לקוח לא אמר. הנחו תמיד העתק ציטוטים כלשונם, אל תנסח מחדש, ובדקו שלושה מהם מול הנתונים הגולמיים לפני שציטוט מגיע לשקף.
בטחון מזויף ממדגמים קטנים. מודל יסווג לנושאים שמונה קריאות שירות בדיוק באותה בטחה שהוא מסווג שמונה מאות. בקשו ספירות על כל נושא, והתייחסו לכל דבר עם פחות מכמה מקרים כתצפית ולא כאיתות.
תיאטרון מפת דרכים. בקשה ממודל לתעדף את הבאלוג שלכם מייצרת דירוג בטוח שנגזר רק מהמילים בקריאות השירות. אין לו גישה לאסטרטגיה שלכם, לקיבולת שלכם, לחוב הטכני שלכם, או לעסקה שנסגרת ברבעון הבא. השתמשו בו כדי לבנות מבנה לtradeoff, ולעולם לא כדי לקבל את ההחלטה.
- שמרו תבנית פרומפט למסמך אפיון ב-Claude ותבנית ביקורת להרצה במודל אחר
- שמרו תבנית לסיווג פידבק ב-GPT עם הטקסונומיה הקיימת שלכם מודבקת
- שמרו תבנית לסקירת מתחרים ב-Gemini שדורשת URL לכל טענה
- בקשו תמיד ספירות לצד נושאים, והתייחסו לספירות קטנות כתצפיות
- הנחו את המודל להעתיק ציטוטים כלשונם, ואז בדקו שלושה מהם מול המקור
- הריצו פרה מורטם על כל תוכנית השקה לפני ביקורת ההשקה, לא אחריה
- שמרו מסמך אפיון, פידבק ותקשורת השקה בשיחה אחת כך שההקשר עובר
שאלות נפוצות
אפשר להדביק ראיונות לקוחות?
כן. לתמלולים ארוכים השתמשו ב-Gemini: חלון הקונטקסט שלו של מיליון טוקנים מכיל בערך 2,000 עמודי טקסט, כך שקבוצה שלמה של ראיונות נכנסת במעבר אחד במקום להתפצל. הסירו שמות, אימיילים ומזהי חברה קודם. תפקידים וסגמנטים הם כל מה שהניתוח צריך, והסרת השאר שומרת עליכם מרוב מדיניות המידע הפנימיות.
האם Whizi משתלב עם Jira או Linear?
לא באופן טבעי עדיין. בפועל תהליך העבודה הוא ליצור את הפלט המבני ב-Whizi (סיפורי משתמש עם קריטריוני קבלה, טבלת נושאים עם ספירות) ולהדביק אותו למעקב שלכם, מה שלוקח שניות כי הפורמט כבר מתאים למה שהמעקב מצפה. בקשו את הפלט כטבלת Markdown או כפריט אחד לכל בלוק אם אתם רוצים להדביק אותם בנפרד.
איזה מודל כותב את מסמך האפיון הטוב ביותר?
Claude לחלקים הנרטיביים, כלומר הצהרת הבעיה, ההיגיון והכל שאדם צריך לשכנע בו. GPT לחלקים המבניים, כלומר סיפורי משתמש, קריטריוני קבלה, טבלות מצבים והגדרות אירועי אנליטיקס. חלוקת המסמך בין השניים דורשת מעבר מודל נוסף אחד ומפחיתה באופן ניכר את מעבר העריכה.
בטוח להדביק נתוני מפת דרכים פנימית או הכנסות?
Whizi לא מתאמן על השיחות שלכם, ומדיניות הנתונים של כל ספק זמינה לפני שאתם מפעילים את המודל הזה. מדיניות החברה שלכם היא בדרך כלל האילוץ המחמיר יותר. הרגל אמין הוא לאנדקס מספרים רגישים במקום להדביק ערכים מוחלטים, מפני שניתוח של תנועה יחסית עובד באופן זהה והמספרים מפסיקים להיות רגישים.
יכול AI לתעדף את הבאלוג שלי?
הוא יכול לבנות מבנה לtradeoff, וזה שימושי באופן אמיתי: לנקד פריטים לפי קריטריונים שאתם מגדירים, לחשוף היכן שני פריטים תלויים זה בזה, ולהראות אילו סגמנטים בחירה נתונה משרתת. הוא לא יכול לקבל את ההחלטה, כי אין לו נראות לאסטרטגיה שלכם, לקיבולת הצוות שלכם, או להקשר המסחרי. התייחסו לכל דירוג שהוא מייצר כפרומפט לדיון.