Průvodce: Jak dělat produkt a design s AI efektivně (Od nápadu po kód)

Tento průvodce vznikl na základě mých vlastních zkušeností s aplikováním AI v praxi a na základě rozhovorů s produktovými manažery a designéry ve skupině Erste. Velkou inspirací pro jeho vznik byl také předmět "AI v praxi" od Kateřiny Švidrnochové.

Dnes už není hlavní překážkou úspěchu rychlost vývoje kódu. Skutečnou výzvou je schopnost rozhodnout, co se má vůbec stavět, a jak toto rozhodnutí uřídit v komplexním prostředí. Spousta týmů končí u toho, že si nechá vygenerovat obrázek do prezentace nebo přepsat e-mail. Tím ale potenciál umělé inteligence zcela míjí.

Pro úspěch je klíčové nevnímat AI pouze jako generátor textu či kódu, ale jako plnohodnotného člena týmu a vrstvu, která propojuje kontext napříč celým procesem. Tady je náš průvodce, jak AI zapojit od první myšlenky až po nasazení do produkce.

1. Fáze Discovery: Neustálý sběr dat a syntéza

Tradiční výzkum uživatelů bývá pomalý a nárazový. AI vám umožňuje přejít k "always-on" (neustálému) objevování a zkrátit dobu mezi otázkou a odpovědí z týdnů na hodiny.

• Zpracování šumu na signál: Propojte své nástroje (Zendesk, Slack, NPS dotazníky, analytiku) do jednoho centra a nechte AI průběžně tagovat a clusterovat zpětnou vazbu do konkrétních témat. Získáte tak bohatý kontext trhu prakticky bez námahy.

• Konec ručního přepisování: Hodiny strávené přepisováním rozhovorů nahraďte lokálně běžícím modelem pro bezpečí dat a nechte váš oblíbený model provést cross-respondent syntézu, bleskově najde vzorce napříč všemi rozhovory.

• Využijte syntetické persony: Ještě než půjdete testovat koncept na reálných uživatelích, vytvořte si "syntetické persony" na základě reálných demografických a behaviorálních dat. Konfrontujte své nápady nejprve s nimi. Odfiltrujete si tak ty nejhorší omyly a ušetříte čas pro skutečné uživatele. Zde je klíčové vědět, k čemu se (ne)hodí:

  • Kdy je použít: Jsou skvělé pro "pre-validaci" – otestování konceptů, přípravu otázek na reálné rozhovory a zaškolování juniorních markeťáků či PMs. Můžete je nechat reagovat na váš nápad z pohledu různých uživatelských nálad a sledovat, jak by se lišila odezva.

  • Kdy je NEpoužít: Nikdy nepoužívejte syntetické persony k odhalování nových nebo skrytých problémů ("hair-on-fire" problems) na trhu. AI se učí v dávkách z historických dat, nerozumí inovacím a chybí jí reálný prožitek i kontext emocí (které jen jazykově imituje). Pokud se spoléháte na AI pro nalezení zcela nových "blue ocean" příležitostí, selžete, protože AI má sklony jen "remixovat" již existující myšlenky.

• Hledejte slepá místa: Před spuštěním projektu požádejte AI (např. Claude nebo Copilot) o vygenerování protiargumentů k vašim oblíbeným nápadům. Oponentura odhalí skrytá rizika dřív, než se do nápadu zamilujete.

⚠️ Co nikdy nedělat: Nikdy nenechte AI provádět uživatelské rozhovory za vás. AI nechápe emocionální nuance, sarkasmus, nedokáže dynamicky měnit kontext a číst mezi řádky. Stejně tak nenechávejte na AI zcelacelou finální syntézu rozhovoru – pokud si ji neprojdete sami, ochudíte se o vlastní vhled a ztratíte hluboké porozumění problému.

2. Definování produktu: Specifikace, agenty a evaluace

Způsob, jakým se píší zadání (PRD) a předává práce, se od základů mění. Nastupuje Spec Driven Development (SDD), kde umělá inteligence funguje jako váš analytik i dokumentarista.

• Evaluace (Evals) jsou novým PRD: Dlouhé textové specifikace nahrazují exaktní evaluace. Ještě než začnete vymýšlet prompt pro řešení, napište si hodnotící funkci. Definujte si jasná testovací data a kategorie skórování. Selhávající testy si uchovávejte jako plán toho, co je třeba zlepšit.

• Nenasazujte gigantické prompty, tvořte agenty: Pokud nacpete celý brand manuál a technickou specifikaci do jednoho promptu, model začne strategicky komprimovat paměť a detaily (např. přesné barvy) vynechá. Budujte úzce zaměřené agenty:

  • System Analyst: Dělá rozpad požadavků. Nastavte mu do promptu, že se vás smí doptávat na nejasnosti přísně jednu po druhé, aby šel do hloubky a negeneroval polovičatá řešení.

  • Designer Agent: Dostává izolovaný kontext pouze s vaším brand manuálem a pokyny k vizuální identitě (odhaluje např. žoviálnost v textech nebo chyby v tonalitě).

• Zkroťte kontext (Team OS): Vaším nejdůležitějším úkolem je "context engineering". Netravte kontext modelu tím, že mu nasypete všechny soubory firmy. Vybudujte si týmový adresář s navigačními indexy a nechte sub-agenty vyhledávat jen ta data, která právě potřebují. Ušetříte tím až 97 % kontextového okna.

3. Prototypování a Design: Už žádné falešné hranice

Designéři i produktoví manažeři (PMs) musí opustit lineární model "nákres -> specifikace -> vývoj".

• Noste na schůzky funkční prototypy, ne dokumenty: Tvorba plně interaktivního prototypu dříve stála týdny vývoje, dnes je díky AI stejně "levná" jako skica na papír. Nosit na reviews skutečně nakódované návrhy a testovat je s reálnými uživateli se stává novou normou.

• Kód i canvas jsou jedno: Dilema, zda tvořit ve Figmě (canvas), nebo rovnou v kódu, je překonané. Propojení nástrojů s AI asistenty (např. Codex) vám umožní exportovat designy rovnou do reagujícího kódu zcela bez ztráty specifikací (přesné okraje, stíny, odsazení). PM a Designér tak společně tvoří produkt s reálnými daty.

4. Orchestrace a Automatizace: AI jako proaktivní pomocník

Největším úzkým hrdlem dnešních týmů není nedostatek nápadů, ale orchestrace – jak udržet vývoj, marketing i design ve stejném kontextu strategie.

• Přímý přístup k datům (MCP): S nástroji napojenými přes Model Context Protocol (MCP) se může PM ptát do analytiky (např. PostHog) přirozeným jazykem. Získá okamžitě data o chování uživatelů nebo dohledá v GitHubu, kde je zapnutý jaký feature flag, aniž by musel rušit vývojáře.

• Přejděte na proaktivní automatizaci: Nespoléhejte se jen na "četovací" rozhraní, které zavřete. Nastavte si trvale běžící agentní skripty. Ty přes noc skenují vaše Slack kanály, maily nebo weby konkurentů a v 9:00 ráno vám doručí automatický souhrn blokátorů nebo aktuální SWOT analýzu trhu.

• Hlídejte kvalitu kódu a technologický dluh: AI neskutečně zrychlilo tvorbu základní funkčnosti (0 to 1), ale údržba se může prodražit kvůli cirkulárním závislostem vygenerovaného kódu. Pravidelně proto na codebase nasazujte specializovaného Spaghetti Agenta, který po každém sprintu zkontroluje architekturu a jmenné konvence.

5. Kariérní rozvoj: Váš osobní 24/7 kouč

Většina PMs a designérů nedostává kvalitní mentoring od svých nadřízených. Vyřešte to po svém.

• Použijte Foundation modely jako své kouče: Nahrajte modelům (Claude, GPT, Gemini) informace o své firmě, strategii, oboru i cílovém publiku. AI vám poslouží jako sparing partner. Probírejte s ní svá dilemata, nechte se od ní zkoušet a vyžádejte si kritiku svých myšlenkových pochodů pro rozvoj vlastního "product sense". Velkou inspirací byl pro mě článek Martyho Cagana na blogu SVPG.

Závěrečná reflexe: AI jako lék i strůjce zrychleného světa

Každá firma, a vlastně i každý z nás, má své vlastní tempo adopce umělé inteligence. Sám na sobě vnímám, jak těžké je občas udržet balanc a nepodlehnout neustálému pocitu FOMO, že mi svět utíká pod rukama. Novinky v AI se valí rychleji, než je člověk vůbec schopen číst, natož si je reálně vyzkoušet nebo smysluplně zapracovat do praxe.

Proto jsem změnil přístup. Přestal jsem se snažit stíhat všechno a raději se dívám na to, co funguje jiným, a z toho čerpám inspiraci. Tempo naší práce a vlastně celého světa se neustále zrychluje a často mám dojem, že všichni pracujeme víc než kdy předtím.

Právě proto je dnes klíčové hledat cesty, jak si odlehčit, snížit svou kognitivní zátěž a přitom zlepšit kvalitu svých výstupů. A v tom tkví ten největší paradox: Umělá inteligence je pro takové odlehčení naprosto nedocenitelným nástrojem, i když je zároveň tak trochu viníkem toho samého zrychlování, kterému se pomocí ní snažíme bránit.

Zlaté pravidlo

Hlavním důvodem, proč AI projekty ve firmách selhávají, je volba špatného problému. Pokud je nasazení AI poháněno jen snahou vyhnout se práci nebo snížit laťku, velmi rychle ztratíte důvěru uživatelů i kolegů.

Využívejte AI k řešení složitého rozpoznávání vzorů, k bleskové analýze trhu, k personalizaci v masovém měřítku a k odstranění rutiny. Uvědomte si ale to nejdůležitější: konečný úsudek, zodpovědnost a budování vztahu s reálným zákazníkem zůstávají 100 % na vás.