Ruang kerja AI untuk product manager: spesifikasi, riset, dan narasi dalam satu alat

Di mana AI benar benar berperan dalam pekan kerja PM

Product management sebenarnya adalah empat pekerjaan berbeda yang berbagi satu kalender. Anda banyak membaca (feedback, tiket, transkrip, ekspor analitik), banyak menulis (spesifikasi, update, ringkasan), sedikit menganalisis (funnel, kohort, hasil survei), dan terus menerus meyakinkan orang lain. Masing masing membutuhkan model yang berbeda, itulah sebabnya satu langganan AI saja hanya menutup sekitar dua pertiga pekerjaan dan sisanya terasa seperti perjuangan.

Tugas PM	Model terbaik	Alasan
Narasi PRD, pernyataan masalah, update produk	Claude	Mampu menjaga alur argumen panjang, menulis prosa yang benar benar dibaca engineer
Pengelompokan feedback, klasterisasi tiket, ekstraksi terstruktur	GPT	Andal untuk format output yang ketat dan label kategori yang konsisten
Riset discovery, pemindaian kompetitor, konteks pasar	Gemini	Terbaik untuk materi web terbaru, mengembalikan sumber yang bisa dibuka
Transkrip panjang, dek riset, laporan 100 halaman	Gemini	Jendela konteks 1 juta token, sehingga seluruh korpus muat dalam satu kali proses
Kritik spesifikasi dan pencarian edge case	Model apa pun yang tidak menulis spesifikasi itu	Pembaca independen menangkap hal yang tidak terlihat oleh penulisnya

Tidak satu pun dari ini menggantikan penilaian tentang apa yang harus dibangun. Ini memperpendek jarak antara memiliki input dan memiliki sesuatu yang tertulis, yang justru menjadi titik bocor waktu terbesar dalam pekan kerja PM. Berpindah model juga murah: di Whizi Pro, satu pesan Claude Sonnet 5 memakai 10 kredit dari jatah bulanan 2.000 kredit, ekstraksi GPT-5.6 Luna memakai 1, dan Gemini 3.7 Flash membaca transkrip seharga 2 kredit per pesan.

Menulis PRD yang tidak akan dikembalikan oleh engineer

Kebanyakan spesifikasi hasil AI gagal pada hal yang sama: menjelaskan fitur, bukan keputusan. Engineering tidak butuh paragraf tentang mengapa pelanggan itu penting. Yang dibutuhkan adalah state, edge case, dan apa yang terjadi saat pemanggilan gagal. Minta secara eksplisit dan hasilnya akan berubah karakter.

Prompt: pernyataan masalah lebih dulu

Tulis bagian pernyataan masalah dari sebuah PRD. Bukti yang saya punya: [tempel tiket support, analitik, kutipan wawancara]. Jangan mengusulkan solusi. Kembalikan: siapa yang mengalami masalah ini, seberapa sering, apa yang mereka lakukan sekarang sebagai gantinya, berapa biayanya bagi mereka, dan apa yang diharapkan berubah jika masalah ini terselesaikan. Tandai klaim yang tidak didukung bukti yang saya tempel sebagai ASUMSI.

Prompt: badan spesifikasi

Ubah ini menjadi spesifikasi untuk tim engineering. Fitur: [deskripsi]. State pengguna yang perlu dicakup: [daftar]. Kembalikan: user story dengan kriteria penerimaan, setiap state termasuk kosong, memuat, error, dan izin ditolak, perilaku saat dependensi tidak tersedia, event analitik dengan propertinya, dan pertanyaan terbuka. Jangan mengarang kebutuhan yang tidak saya sebutkan. Daftar semua yang harus Anda asumsikan di bagian terpisah di akhir.

Prompt: babak kritik

Berperan sebagai staff engineer yang meninjau spesifikasi ini sebelum estimasi. Daftar hanya masalahnya: perilaku yang tidak terdefinisi, state yang hilang, kebutuhan yang saling bertentangan, pekerjaan migrasi tersembunyi, dan apa pun yang akan memicu pertanyaan susulan saat refinement. Jangan menulis ulang spesifikasinya.

Jalankan prompt ketiga itu di model yang tidak menulis spesifikasinya. Ini secara konsisten memunculkan tiga pertanyaan yang akan diajukan tim Anda saat refinement, dan menjawabnya lebih dulu adalah perbedaan antara sesi grooming 20 menit dan sesi 50 menit.

Mengubah feedback mentah menjadi sesuatu yang bisa Anda prioritaskan

Tugas AI dengan leverage tertinggi dalam product management bukanlah menulis. Melainkan membaca 400 feedback dalam bentuk yang bisa ditindaklanjuti. Dilakukan manual, ini memakan waktu setengah hari. Dilakukan dengan baik memakai model, ini hanya 20 menit, dan kualitasnya nyaris sepenuhnya bergantung pada apakah Anda memaksakan kategori yang stabil.

Prompt: pengelompokan babak pertama

Berikut feedback pelanggan mentah. Kelompokkan menjadi tema. Untuk setiap tema kembalikan: label, jumlah item, tingkat keparahan yang tersirat dari bahasanya, kutipan verbatim representatif yang disalin persis, dan apakah tema tersebut adalah bug, kapabilitas yang hilang, masalah kegunaan, atau ketidaksesuaian ekspektasi. Jangan menggabungkan tema dengan akar masalah berbeda meski kata katanya mirip. Jangan memparafrasekan kutipan. Feedback: [tempel].

Prompt: babak kedua terhadap taksonomi tetap

Klasifikasikan ulang feedback yang sama hanya memakai kategori berikut: [tempel taksonomi Anda yang ada]. Apa pun yang tidak cocok masuk ke TIDAK TERKLASIFIKASI dengan penjelasan. Kembalikan tabel berisi kategori, jumlah, dan persentase.

Struktur dua babak ini penting. Babak pertama memberi tahu Anda apa yang sebenarnya ada dalam data. Babak kedua membuat hasilnya bisa dibandingkan dengan kuartal lalu, yang justru membuatnya bisa dipakai dalam percakapan prioritisasi, bukan sekadar menarik untuk dibaca.

Yang diminta	Yang didapat	Kegunaannya
Tema dengan jumlah	Daftar area masalah yang diranking	Input roadmap, perencanaan kuartalan
Hanya kutipan verbatim	Bahasa pelanggan yang tidak diedit	Copywriting, positioning, meyakinkan eksekutif
Pembagian tingkat keparahan dan frekuensi	2x2 antara rasa sakit dan volume	Memutuskan apa yang diperbaiki lebih dulu
Kontradiksi	Di mana segmen menginginkan hal berlawanan	Menangkap konsensus palsu sejak dini

Baris terakhir itu layak dijadikan prompt tetap: Di bagian mana dari feedback ini pengguna yang berbeda menginginkan hal yang tidak kompatibel? Sebutkan segmennya dan trade off-nya. Daftar tema meratakan perbedaan pendapat, dan perbedaan pendapat biasanya adalah hal paling berguna dalam data.

Discovery, kompetitor, dan riset yang tidak pernah sempat Anda lakukan

Discovery adalah pekerjaan yang paling dulu dipotong saat rilis terlambat, padahal itu justru saat keputusan buruk paling mahal harganya. Pemindaian berbantuan model tidak menggantikan bicara dengan pelanggan, tapi menghilangkan alasan untuk mengambil keputusan secara buta.

Prompt: bedah kompetitor

Buat bedah bagaimana [kompetitor] menangani [job to be done]. Cakup: positioning yang mereka nyatakan dengan kata kata mereka sendiri, alur seperti yang terdokumentasi di help centre mereka, harga di mana itu publik, apa yang berubah dalam 12 bulan terakhir beserta tanggalnya, dan tema komplain yang terlihat di ulasan publik. Kutip setiap klaim dengan URL. Pisahkan apa yang dinyatakan perusahaan dari apa yang diamati pihak ketiga.

Prompt: sintesis wawancara

Baca transkrip wawancara ini. Kembalikan: pekerjaan yang ingin diselesaikan pengguna, workaround yang telah mereka buat, momen momen mereka mengungkapkan frustrasi dengan kutipan persis, dan tempat mana pun di mana ucapan pengguna bertentangan dengan yang mereka gambarkan mereka lakukan. Jangan menggeneralisasi melebihi transkrip. Jika sebuah pola muncul di kurang dari tiga wawancara, tandai sebagai observasi tunggal, bukan pola.

Batasan terakhir itu adalah yang paling sering dilupakan PM. Model senang menghasilkan pola yang rapi, dan pola rapi dari dua wawancara adalah cara roadmap berakhir melayani pelanggan yang tidak benar benar ada. Minta jumlah di samping setiap klaim.

Narasi eksekutif dan komunikasi peluncuran

Konten yang sama harus ada dalam empat ketinggian: spesifikasi untuk engineering, update untuk tim, paragraf untuk tinjauan pimpinan, dan catatan peluncuran untuk pelanggan. Menulis ulang antar ketinggian adalah pekerjaan paling mekanis dalam profesi ini dan paling mudah dilimpahkan.

Prompt: perubahan ketinggian

Tulis ulang ini untuk [audiens]. Mereka peduli pada [perhatian spesifik]. Mereka punya konteks [tingkat] pada area produk ini. Jaga setiap klaim faktual tetap identik. Panjang: [batasan]. Mulai dengan keputusan atau hasil, bukan latar belakang. Draf: [tempel].

Prompt: paragraf pimpinan

Padatkan update ini menjadi 120 kata untuk eksekutif yang hanya akan membacanya sekali. Struktur: apa yang berubah, apa artinya bagi metrik yang kita janjikan, apa yang kita butuhkan dari mereka, dan satu risiko yang layak mendapat perhatian mereka. Tanpa kata sifat yang tidak terukur.

Prompt: pre mortem

Anggap peluncuran ini gagal enam bulan dari sekarang. Tulis tiga penjelasan paling mungkin, diurutkan berdasarkan kemungkinannya, hanya memakai apa yang ada di rencana di bawah ini. Untuk masing masing, sebutkan sinyal dini yang bisa kita pantau. Rencana: [tempel].

Simpan keempat ketinggian itu dalam thread Whizi yang sama. Catatan peluncuran mewarisi konteks dari spesifikasi dan analisis feedback, sehingga Anda berhenti menjelaskan ulang fitur setiap kali berganti audiens.

Di mana AI menyesatkan product manager secara khusus

Tiga mode kegagalan ini lebih penting dalam pekerjaan ini dibanding kebanyakan pekerjaan lain.

Verbatim palsu. Jika Anda meminta kutipan representatif tanpa mengunci model pada teks sumber, kadang Anda akan mendapat kalimat yang masuk akal tapi tidak pernah diucapkan pelanggan mana pun. Selalu instruksikan salin kutipan persis, jangan parafrase, dan periksa acak tiga di antaranya terhadap data mentah sebelum kutipan itu masuk ke slide.

Rasa percaya diri palsu dari sampel kecil. Sebuah model akan mengelompokkan delapan tiket support dengan keyakinan yang sama persis seperti mengelompokkan delapan ratus. Minta jumlah pada setiap tema, dan perlakukan apa pun di bawah segelintir instansi sebagai observasi, bukan sinyal.

Teater roadmap. Meminta model memprioritaskan backlog Anda menghasilkan ranking yang percaya diri tapi hanya diturunkan dari kata kata di tiket Anda. Model tidak punya akses ke strategi, kapasitas, utang teknis, atau kesepakatan yang akan ditutup kuartal depan. Pakai untuk menyusun trade off, jangan pernah untuk mengambil keputusan.