Představte si, že máte existující produkt a chcete najít skutečné product gaps:

  • co zákazníci žádali, ale vy to nemáte,
  • u čeho očekávali, že to bude fungovat jinak, než jak to funguje dnes,
  • kde realita neodpovídá slibům.

Problém není v tom, že by odpovědi neexistovaly. Problém je, že jsou roztroušené.

Jsou pohřbené v interní komunikaci (což je často ten nejupřímnější a nejcennější zdroj), v zápisech ze schůzek v Confluence, v poznámkách z rozhovorů se zákazníky, ve starých kartách v Jiře / Productboardu / Trellu, které vytvořili různí lidé v různých časech. Některé jsou v Google Docs a tabulkách. Některé jsou ve starších ticketech, které už nejsou propojené s vaší dlouhodobou roadmapou nebo insighty.

A systémy pro sledování se vyvíjejí: měníte přístup, migrujete nástroje, zdědíte něčí nastavení, ztratíte vazby mezi insighty a požadavky na nové funkce (feature requesty). Důkazy tam stále jsou – ale jsou roztříštěné.

Teď si k tomu přidejte poslední zádrhel: nechcete prohledávat jen posledních pár týdnů. Chcete prohledat minulost – například celý rok.

Když si představíte, že byste to měli dělat ručně – nebo o to požádat kolegy – už teď cítíte, jak z toho všichni šílí.

A pak si řeknete: Ha! Máme tu AI, tak ji pojďme využít. Ale jak?

Lákavý prompt, který selže

Ve vaší hlavě je řešení jasné:

„Najdi product gaps v mém produktu – použij všechna dostupná propojení a hledej 1 rok zpětně.“

Ano, můžete o to požádat. A ano, asistent se bude snažit ze všech sil. Zpracuje to a vyprodukuje něco, co vypadá působivě.

Pravděpodobně ale na jeden prompt nedostanete to, co chcete.

Ne proto, že by byl chatbot „špatný“, ale protože:

  • úkol je příliš široký,
  • kritéria úspěchu jsou vágní,
  • a vy nemůžete včas ověřit směr.

Je snadné svést vinu na chatbota: Vždyť jsem ti řekl, co chci, ne? Nebo… řekl?

Změna myšlení: berte AI jako svůj tým

Teď si představte, že byste o stejný úkol požádali svůj tým.

Dali byste jim jeden vágní pokyn a na 2–3 týdny zmizeli? Ne.

Chtěli byste:

  • rozdělit práci na menší části,
  • včas ji ověřovat,
  • udělat rychlý 15–30minutový sync na kalibraci: jaký směr je dobrý, co je mimo, jestli šli do příliš velké hloubky, nebo zůstali moc na povrchu.

AI funguje jako váš tým – jen mnohem rychleji.
To, co by člověk vytvořil za den, zvládne AI za 10 minut.

Ale tady je ta past: rychlost vás svádí k myšlence, že se může zkrátit i čas na zpětnou vazbu.
Že ji nemusíte moc vést, protože dělá „magii“.

To je ta největší chyba.

Playbook: rozdělte → ověřte → reportujte → škálujte → propojte → zmapujte

1) Začněte v malém (jeden zdroj, krátký časový úsek)

Požádejte AI, aby zpracovala jeden zdroj (nebo dva) za krátké období (např. minulý měsíc).

Udržujte rozsah malý, ale směr sladěný s konečným cílem.

2) Kalibrujte pomocí reálné zpětné vazby (jako byste to dělali s týmem)

Berte první výstup jako první dodávku od kolegy.

Nečekali byste týdny, abyste zjistili, že úkol špatně pochopili – po první části byste udělali 15–30minutový check-in kvůli kalibraci. Udělejte s chatbotem to samé.

Při této kalibraci se zaměřte na:

  • Směr: Nachází to ty product gaps, které jste měli na mysli, nebo to sklouzává k bugům / náhodným stížnostem / obecným tématům?
  • Hloubku: Nešlo to příliš po povrchu (fluff) nebo příliš do hloubky (ojedinělé edge cases)?
  • Disciplínu zdrojů: Používá to skutečně zdroje, o které jste požádali, nebo spíš „shrnuje jejich myšlenku“?
  • Vaši definici: Co se ve vašem světě počítá jako product gap (a co ne)?

Tohle je krok, kterému byste měli věnovat reálný čas. AI chrlí výstupy rychle, ale stejně musíte pracovní postup řídit jasnou zpětnou vazbou – přesně jako byste to dělali u člověka.

3) Vygenerujte čistý „předávací“ report za danou část

Jakmile je první část dobrá, požádejte o strukturované shrnutí/report toho, co našla.

Pokud je tento report kvalitní, má už sám o sobě hodnotu – protože jste nezískali jen výstup, ale opakovatelný způsob, jak výstup získat.

4) Škálujte pomocí stejného receptu (kontrolovaně, ne explozivně)

Nyní udělejte to samé znovu:

  • další 2 zdroje, nebo
  • delší časový úsek.

Stejná metoda. Stejné kontroly kvality.

5) Zabraňte míchání zdrojů

Důležité: ověřujte zdroje, které umělá inteligence použila.

Chatboti mohou věci míchat dohromady. Praktický způsob, jak to omezit:

  • Pro každý zdroj (nebo každou část) začněte nové vlákno.
  • Ptejte se znovu na velmi podobné otázky (už víte, jak se ptát a k jakým chybám může dojít).
  • Dávejte nápovědy na základě toho, co jste se už naučili, aby se neopakovaly stejné chyby.

6) Propojte to, co jste získali (tady to začíná být snazší)

Po několika kolech budete mít shromážděné product gaps z více částí (2 + 2 zdroje, více časových oken, více reportů).

Nyní už úkol není o „data mining“.
Je o propojování: spojování product gaps dohromady, porovnávání témat, sešívání insightů do něčeho soudržného.

7) Zmapujte si to do stávajícího systému (přeměňte to na rozhodnutí)

Poslední krok: porovnejte to s tím, co už sledujete ve svém primárním systému, a zmapujte:

  • co už je reprezentováno jako insight/feature request,
  • co by se mělo přesunout do backlogu,
  • co vypadá jako úplná novinka.

I zde začněte v malém: dejte AI podmnožinu aktuálních funkcí/insightů, požádejte o zmapování, ověřte, že to funguje, a pak škálujte.

Proč to funguje (a proč to zabraňuje momentu „AI mě zklamala“)

Pokud je vaším prvním pokusem obrovský prompt, který vyprodukuje průměrný výstup, zážitek působí jako selhání – a je snadné to vzdát těsně předtím, než narazíte na zlato.

Rozdělování na menší části vás před tím chrání:

  • Získáváte brzké výhry.
  • Rychle si ověřujete správný směr.
  • Budujete znovupoužitelné reporty.
  • Škálujete s jistotou, ne s nadějí.

Klíčové poznatky (Key takeaways)

  • Rozdělte svůj velký úkol na menší úkoly (podle zdroje a časového úseku).
  • Před škálováním ověřte kvalitu na jedné části.
  • Vygenerujte report pro každou část, aby byl znovupoužitelný.
  • Propojte reporty dohromady (syntéza je snazší než data mining).
  • Zmapujte zjištěné product gaps na svůj stávající backlog, abyste oddělili to „už známé“ od toho „skutečně nového“.

AI není magie. Není to magie. Není to magie. Je rychlá – ale stále potřebuje vaše vedení.

Věnujte seriózní čas zpětné vazbě a kontrole kvality. Nepředpokládejte, že ví, co chcete nebo jak to chcete, dokud jí to neřeknete.