Adopce AI odliší dobré produktové manažery od těch průměrných.

Jindřich: a určitě ta umělá inteligence v tomhle konkrétním případě bude to, co bude odlišovat dobrý produktové manažery od těch průměrných.

Filip: Za pár let to si netroufám tvrdit ohledně žádné pracovní pozice, protože ten vývoj je tak raketový, že to abych si netipnul.

Jindřich: Takže já už jako produktový manažer nemusím procházat ty facebookový skupiny, nemusím pročítat ty internetový fóra, Myslím, že si musíme zvyknout

Filip: mluvit před lidma ostatníma na počítač. Já si na to pomalu zvykám, jak před přítelky, tak i před kolegou v kanclu. Chvilku to trvá ty ledy prolomit, je to takový divný, ale pak už to dá.

Jindřich: Právě posloucháte Deeplink Show. Čau Filipe, vítám tebe, vítám i naše poslouchače u další epizody podcastu Deeplink Show. Už je tu devátá epizoda, letí to a navazuje na epizodu osmou, kterou jsme si tak pojmenovali takým pracovním názvem lepší díky AI, posledně jsme se bavili o tobě, lepší vývojář díky AI a V dnešní epizodě to čeká tak trošku mě tu druhou stranu. Lepší produkt jak díky AI. Takže už se těším, až budu moct dát nějaké typy a triky a můj pohled na to, jak efektivně využít umělou inteligenci právě v produktovém manažmentu.

Filip: Jindro, taky tě zdravím a já se na dnešní epizodu strašně těším, protože já jsem pořád ponořenej v tom AI primárně ze strany toho vývoje, byť dělám i jiné věci než vývoje, ale jsem strašně zvědavej, jak to ty, jako člověk, který vlastně nedělá vývoj, ale je na tom pomezí, protože ty jsi pořád hodně technický, tak jak to vlastně zapojuješ, tak pojďme na to.

Jindřich: Doufám, že dneska celou řadu věcí prozradím, ale jako uvidíme, myslím si, že ty nějaké oblasti, které mám připravené třeba příjemně překvapit, to jsou ty use cases, ale na druhou stranu budou tam určitě use cases, který moc dobře znáš, protože si myslím, že přeci jenom naše práce se docela dost prolíná. Každopádně já nebudu úplně mluvit o těch konkrétních nástrojích jako například jako product board, linear, jira, amplitude a podobně jako moderní nástroje, které jsou určené, pokud ne úplně tak významně pro produktový management. a jsou protkaný umělou inteligencí právě skrz naskrz, včetně samozřejmě jejich marketingu. Já spíš jsem si to připravil jako takových sedm tuším podoblastí s tím, že ty čtyři jsou takový primárnější a ty poslední tři jsou už jako takový okrajové, ale každá oblast je jeden takový můj jako use case, který mi právě nějakým způsobem pomáhá tu práci obecně zefektivnit. A možná, než se do toho pustíme, tak jenom krátký čísla, které mě zaujaly. A to je, tady sdílim jednu studii, je od Airfocusu a vlastně to, co mě zajímá, nebo to, co mě zaujalo primárně, je tenhle ten koperní odstavec. A ta studie říká, že 92% produktivních manažerů věří, že inteligence na jich práci bude mít jako významný vliv. Zatímco z toho celku, tak 70% těch dotázaných, tak se obávají, že jejich pracovní pozici nebo jejich využití může umělá inteligence nahradit. A dalších nebo respektive z toho celku 21% ještě myslí, že nemají dostatečný skillset na to, aby umělou inteligenci využili efektivně. Já osobně jako subjektivně tak s těma dvěma číslama úplně nesouhlasím, já se domnívám, že díky umělý inteligenci žádnej z produktových manažerů nepřijde o práci, ale ten produktový management už nezůstane stejný jako byl například před pěti lety, ale obecně ta pracovní pozice se bude vyvíjet a bude tlak na to tu umělou inteligenci využít a určitě ta umělá inteligence v tomhle konkrétním případě bude to, co bude odlišovat dobrý produktové manažery od těch průměrných. a analogicky k těm 21%, můj uhel pohledu je takovej, že pokud někdo dělá produktový management, tak už do jisté míry to je, si dovolím si tvrdit, kvalifikovaná pozice. Pokud ten člověk dělá kvalifikovanou pozici tak má jistý skillset, že se na tu pozici dostal, že to může dělat a proto se domnívám, že i v rámci jeho skillsetu je to se na umělou inteligenci nebo pro dobu umělé inteligence relativně efektivně získat ten skillset na tu umělou inteligenci využívat právě k zefektivnění své práce. Ale to je samozřejmě můj subjektivní pocit. Co si o tom myslíš ty třeba v rámci té spojitosti právě tady s produktivním managementem?

Filip: Mně vlastně dává smysl to, co ty říkáš, já tam vidím ještě jako navíc jeden úhel, který když tak nějako mě vyveď z omylu, jestli to tak není, ale mám pocit, že vlastně jako role produktovýho manažera tak je jako často i hodně taková jako softskillová a lidská role, že ty máš vlastně jako seš takový prostředník mezi tím biznisem, mezi vývojem, mezi compliance prostě jako právníkama, designem a ne nutně jako projektový manažer, že to je spíš jako na projektech, že ale ten produkt, jak máš na starosti ten produkt a že vlastně jako Aspoň jak já to vnímám i z pozice softwarového analytika. Když to dělám ve malém startupu, tak někdy se dostávám do role jako produkták. Tak vnímám to, že to nejvíc challenging na té práci je pozbírat všechny ty zajímavé feedbacky, dát je nějak dohromady, zabrainstormit nad nima a připravit tu roadmapu, aby všechny ty strany byly spokojené. To nevím, jestli dokáže umělá inteligence sama o sobě udělat. Byť tam ty data můžeš nalejt, ale potřebuješ tam mít toho člověka, který je nějakým způsobem respektovaný a dokáže tomu udávat ten směr. Dokáže se s těma všema stranama domluvit. To mi přijde jako jedna z dalších předností toho, proč si myslím, že produktáci, byť se ta jejich práce neuvěřitelně změní, stejně jako vývojářů, takže to nenahradí jen tak.

Jindřich: Myslím si, že tím se prakticky podpořil to, jako co jsem říkal, já osobně se domnívám subjekt tým, že ty procentady jsou opravdu relativně vysoké, ale samozřejmě uvidíme, co budou říkat data za pár let.

Filip: Jako za pár let to si netroufám tvrdit žádnou pracovní pozici, protože ten vývoj je tak raketový, že to abych si netipnul.

Jindřich: V našem oboru zcela určitě. Teď už asi nebudu sdílat, ale právě v rámci přípravy na ten díl, tak jsem četl ještě jeden zajímavý článek, který je od product boardu. A oni vlastně zpovídali 101 produktových lídrů a 51% z nich uvedlo, že považují umělou inteligenci za nejvyšší prioritu ze strany vedení firmy. a že by se vedení firmy, tou integrací do produktů a procesů, umělou inteligencí mělo zabývat.

Filip: Já si myslím, že tam jsou ty dva motivatory. Jeden je, že AI je buzzword, takže každý biznis to chce. A druhá je, že efektivita, pokud ji použiješ správně, což ty dneska taky ukážeš, jak ji používáš, aby jsi byl efektivnější, tak fakt může raketově tvou efektivitu zvýšit.

Jindřich: Já jsem o tom přesvědčený. Pojďme se možná teda pustit do té hlavní náplně. První oblast z těch mojich čtyřech, potenciálně sedmi, je naprosto triviální, netýká se jenom produktivního managementu, ale domnívám se, že je natolik významná, že tady na svoje zastoupení mít má. A tím není nic jiného, než klasický četovací asistent, v mém případě, pro různej brainstorming. Já jsem si tu oblast napsal brainstorming a strategický sparing. proto říkám to co říkám, ale obecně vlastně to využití a ta alfa omega také různá konzultace, verifikace myšlenek, pracovních postupů, brainstorming, oponentura, různých návrhů, rozšíření, rozpracování těch myšlenek, rozpracování například produktovýho zadání mimo jiné a nebo požádání odlišního pohledu a podívat se na to z jiného úhlu pohledu z jiné strany a tak podobně. Takže není to nic velkýho, není to asi nic, co by kohokoliv překvapilo, je to naprostej základ v dnešní době domnívám se že už každej produktovej manager k tomu přistupuje velmi podobně, ale mít vždycky když člověk sedí u počítače tak někde po ruce toho klouda toho četovacího asistenta tam mít například ten svůj pracovní projekt kde si ten četovací asistent pamatuje ten kontext zná tě, pamatuje si co děláš na jakým produktu pracuješ, pro nějakou cílovou skupinu a podobně, tak s ním konzultovat ty tvoje návrhy jako s nějakým odborníkem, který sedí vedle tebe, tak to je za mě jako velmi důležitý prvek práce.

Filip: A hlavně to je úplně skvělý, že je o šetření těch lidských zdrojů, že jako dřív tak jsi šel to pokecat prostě s nějakým kolegou, že jo, udělat si takovou tu brainstorming sesion a ty jako i kdyby tím nenahradíš, že pořád jich chceš udělat, ale přijdeš mnohem víc připravený, je to vlastně ta paralela k těm Code Reviews, co jsem zmiňoval v minulým díle, že jo. že jako nevyřeší to všechno, ale ty zajímavý pohledy na ty věci, tak mě samotnýho to někdy jako překvapí, ten úhel pohledu, který ten klout nebo jakýkoliv AI assistant vlastně dá. Ještě mě možná zajímá, jakou ty máš jako praktickou zkušenost s tou kvalitou odpovědí, protože já často jako od lidí slýchávám, že třeba ty nápady jsou někdy jako scestný, ale já zase jako zastávám názor, že pokud ten AI assistant má dostatek kontextu toho, co ty děláš a případně přístup k nějakým dalším souborům, takže ty nápady nebo ten brainstorming je hodně kvalitní. Jakou máš zkušenosti?

Jindřich: Já se u něj mám spíš tu zkušenost jako pozitivní, ale zároveň to, že ten četovací asistent jako dá špatný nápad, tak to nepovažuji úplně za nic vlastně zlýho. Přece jenom furt je to jako nějaký brainstorming, je to nějaká oponentura, on ti dá něco, co je scestný, ty mu řekneš, tohle to se mi zdá, to je scestný, ověř to a dokážeš doiterovat do velmi konstruktivní zpětný vazby, dřív nebo později. Ale druhá stránka je to, že čím větší kontext máš, čím víc věcí s ním řešíš, čím víc informací o tom produktu, kterým pracuješ, máš, tak s tím samozřejmě kvalita těch výstupů roste.

Filip: To je pravda. Já už svýmu asistentovi taky nemusím vysvětlovat, co je to Deeplink Show, co je to AI s rozumem, protože on už prostě ví, co dělám. To je ta síla a to kouzlo toho, když používáš ten jeden tool.

Jindřich: A zase je to určité jako odpovědnost a disciplína toho člověka, co to používá, aby vopravdu dal ten dostatečný kontext, pracoval s tou pamětí v tom četovacím asistentovi, měl to rozdělení do jednotlivých projektů, respektive projekty se to tam tuším jmenuje v Claudovi, aby jeden projekt byl práce třeba nepodle toho, na kterém to člověk pracuje, další projekt Deeplink Show, další projekt AI se rozumem a tak dál, takže To už ostatně zabíháme do témat, který jsme tady probírali v páté epizodě, jak efektivně s četovacím asistentem pracovat.

Filip: K tomu ještě napadá možná jedna rychlá otázka. Jaký je tvoje brainstorming workflow? Používáš to tak, že píšeš dotazy, nebo používáš nějaký diktovací tool, nebo třeba nějaký hlasový režim, včetně GPT? Jak vypadá tvoje běžná brainstorming session?

Jindřich: Ale záleží, já když sedím v kanceláři, tak máme open space, takže tam to nediktuju, tam to píšu, ale když jsem doma z pravidla, tak používám SuperWhisper a ty promty už diktuju, ale to zase už je prakticky nezávislí na tom četovacím asistentovi, ale když používám jakýkoliv tool, kde potřebuji vložit ten prompt, tak když jsem doma, tak ho diktuju.

Filip: Jasně, dává smysl, je to rychlejší. Myslím, že si musíme zvyknout mluvit před lidma ostatníma na počítače. Já si na to pomalu zvykám, jak před přítelkyní, tak i před kolegou v kanclu. Chvilku to trvá ty ledy prolomit, je to takový divný, ale pak už to jde.

Jindřich: Já si to vím víc, k tomu open space, takže asi mě to nebylo úplně pohodlný. Ani si myslím, těm kolegom by to úplně nebylo pohodlný, když se soustředí na nějakou svoji práci. Teď se ještě představ, když nás tam sedí třeba deset a každej by diktoval, jako k tomu svýmu vlastnímu počítači něco, v tom by byl už docela hluk.

Filip: To je zajímavá představa. No pojďme asi dál.

Jindřich: Určitě. Druhá část, tak To je tak, která se myslím, že mi dodává, pokud ne tu největší hodnotu, tak jako opravdu velkou a to jsou obecně datový analýzy. Obecně mám na mysli zpracování strukturovaných a nestrukturovaných dát, různou jako práci s objemnýma několik gigabajtovými soubory, hledání souvislostí v těch datech. vizualizace jejich, zpracování těch vizualizací, export třeba do PDF pro stakeholders, sumarizace výstupů, ale potom i efektivní práce s naším datovým skladem třeba, takže jako dočesání těch SQL, vytváření JQL pro JIRA a podobně. v tom já vnímám jako obrovský benefit, byť tohle už možná trochu zasahuje do jinýho oboru do datový analytiky, ale jako ty výstupy který mi to dokáže dát tak jsou opravdu super. Co je opravdu jako alfa omega člověk nemůže pracovat s datama který nezná. Pokud pracuje s datama, který nezná, tak není schopný to správně napromtovat, není schopný správně vysvětlit ty jednotlivý sloupce nebo jednotlivý vazby mezi tabulkama, mezi těma datojíma setama, co člověk poskytuje. A pak to samozřejmě dává nerelevantní data. Ale v případě, že člověk tím datům rozumí, tuší, jaký výstup má zhruba očekávat a ten výstup reflektuje to, co člověk očekává, tak to velmi pravděpodobně budou jako kvalitní a dobrý výstupy, takže někdy to opravdu chce hodně promptingu, chce to hodně práce, já proto používám konkrétně Claude Code a třeba v CSV souborech nebo v PDF souborech tak ty data, které chci zpracovat, tak exportuju do konkrétní složky, nad kterou potom v terminálu Claudem pracuji ale jako tak či ona k tomu to mě přijde opravdu super s čím se to dokáže poradit a když člověk dostává to co skutečně očekává jak jsem zmiňoval tak ty výstupy jsou opravdu neskutečně kvalitní.

Filip: Padá mě možná k tomu otázka pro třeba méně technický lidi, kteří používají Claude. Máš nějakou motivaci, proč používáš Claude Code? Předpokládám, že asi toho terminalového, nebo je to čistě jako ze zvyku, než přišel Cowork, tak jsi tam jako zůstal?

Jindřich: Hele, popravdě ani nevím, ale já jsem to využíval už tu dobu, ještě než Kovork přišel do, no než Kovork přišel a než přišel vůbec jako do té desktopové aplikace. Ostatně, než Claude Code přišel do té desktopové aplikace. Jo, takže jako svýho zvyku přijde mi to asi i rychlejší, možná klávesový zkratky akorát. Diktuješ ten prompt tak úplně stejně a prakticky díky tomu jsem se asi na to nezvykl.

Filip: Chápu, nechápu. A jakým způsobem řešíš předání toho kontextu? Protože třeba pro ilustraci, já myslím, že jsem to zmiňoval i v minulý epizodě, tak vlastně já, když potřebuju třeba nějakou datovou analýzu, která je vlastně anonymní nad našimi datama, tak mně se zatím ověřilo, že ten nejefektivnější způsob je vlastně dát tomu agentovi přístup do anonymizovaný databáze. To je asi důležité zmínit, nepouštět ho prostě do produkčních dat, GDPR a spoustě dalších důvodů. A dát přístup do databáze napřímo. Takže já nemusím vysvětlovat databázový schéma tomu agentovi, jak vypadá, jenom ho navedu. Pořád já musím být ten, kdo zná to schéma. To si říkal, že musíš znát ty svoje data, jinak dostaneš chybný výsledky a ani si toho nevšimneš, že ty grafy budou jako wow. Tak nějak to přejdeš a nevšimneš si toho. Ale tak jestli používáš něco podobného, nebo jak to tvoje workflow vypadá?

Jindřich: Já osobně spíš jako zastávám tu myšlenku poskytovat, co možná jako nejmenší množství dát tomu ajčku, jenom za tím účelem, aby splnil ten úkol, který já po něm požadu. Takže já zpravidla ještě před tím, než někam poskytnu ty data, tak já si ty data připravím tak, aby pro něj byly relevantní, připravím si je právě v tom datovým skladu našem exportuje potom ty tabulky které potřebuji v CSV případně obohatím jako nějaký další třeba jako nestrukturový data který se změňoval a pak mohla jako diktuju ten prom kde já mu ještě dávám jako ten kontext nebo mu řeknu co v těch jednotlivých sloupcích je. On je tak chytrej, že mu nemusím popisovat každej sloupec, každej datovej typ toho sloupce, vazby mezi jednotlivýma tabulkama, který mu poskytneš, ale stačí, že mu dáš ten kontext. Tady mám tabulku users, tam vidíš věk, město a tady máš další tabulku a tak podobně.

Filip: Takže jestli to chápu správně, tak nepoužíváš MCP nebo další napojení, ale snažíš se ty data co nejvíc exportovat do lokálního soboru, který se stáhneš na počítač, dáš do tý složky a pak tam toho Claude Code nad tím pustíš.

Jindřich: Tam je totiž jako dost důležitý jako zmínit jemu use case. Chtěl jsem říct většinou, ale myslím, že to bude takovou půl na půl. Tak obsahují data třeba, které nejsou přímo v databázi. K tomu se asi dostaneme v další oblasti, ale často to bývají jako uživatelský recenze, hodnocení aplikací z aplikačních obchodů, uživatelský feedback z nějakého jako sběru NPS dotazníku a tak dál a tak dál. Takže tyto data pak třeba dám do souvislosti s těma datama, které už ty databáze jsou, ale ne vždy, zkrátka dělám ty datové analýzy jenom na datama, které máme čistě v databázi.

Filip: My se k tomu možná dostaneme, tak mě když tak dostav, ale jak vypadá vlastně ten tvůj typický výstup nějaký té analýzy, je to prostě nějaký jako pdf, nebo nějaký jako interaktivní graf?

Jindřich: záleží, asi záleží, taky to jako asi nedokážu generalizovat, a obecně ještě posledovat, jako já mám rád ty pdf, mám rád jako když jsou, když jsou struční, ale jsou vypovídající a můžu je třeba poslat právě do Asany k tomu otázku třeba který řeším například a tak dál, takže Nevždy, ale vím, že ještě možná bych odplnil otázku, tak ještě ta druhá část, co třeba řeším, tak nějaké kopajitní skripty, které mi exportují ten image samotný, nebo mi dají interaktivní graf, ale vím, že relativně nově. Te interaktivní grafy teď umí i klout přímo v tom četovacím okně. Takže to může být případně nějaká další cesta, kterou někde vyzkouším, ale k tomu jsem se ještě nedostal.

Filip: Super, super. Já se těším, až se dostaneme i k tomu tématu interaktivních grafů. Vidím v poznámkách, že se k tomu dostaneme, jak to nebudu vykrádat. Pojďme asi na další oblast.

Jindřich: OK. Další oblast číslo tři teda. Myslím si, že jako relativně velká oblast, ale zkusím trošičku generalizovat. Obecně tady využívám jednak jako jazykový modely, tak druho k různý automatizační nástroje. primárně co je vlastně tady cílem, tak já jsem si tu oblast nazval business a competitive intelligence, takže co já chci, tak já chci sbírat různý data, které jsou veřejně dostupný, například chci scrapovat různý data, chci hodnotit sentiment toho našeho produktu, chci vědět o čem se aktuálně jako uživatelé toho našeho produktu baví a tak podobně. víc se asi o tom řekneme v zápětí, ale ještě ta druhá podčást této tématu, tak je vlastně velmi podobná tomu, co jsem zmínil, akorát u konkurenčních aplikací. Takže to kecky není o tom, že já chci znát to, co se děje na internetu a týká se to vlastně našeho produktu, ale to, co se týká třeba těch konkurenčních, ať už přímých, nebo nepřímých podobných produktů v České republice, v zahraničí, takže co třeba oni řešejí, na co si jejich uživatelé stěžují v uživatelských recenzích například, co oni mají, co třeba hodně jich válí jako na drouhou stranu, jakou mají oni konkurenční výhodu, jestli třeba my bychom to neměli zapracovat taky, aby jsme byli dostatečně konkurenceschopní. a tak podobně, takže jednak analýze sentimentů uživatelských, pak sběr veřejně dostupné dát, sociální sítě, fóra, recence, zpracování spětní vazby uživatelů, user research, konkurence, tak to jsem to jsem zmiňoval, takže Abych to hodně schrnul, tak já vlastně z různých kanálů, různýma nástrojema automatizovaně za určitý období pozbírám celou řadu dat, ty mnohdy očistím, uložím se třeba do jakého jasonu nebo do nějakého strukturního formátu, proženu to jazykovým modelem a nechám si zpracovat krátkou analýzku vždycky ke snídani třeba v pondělí ráno. Takže ta disciplína není nic novýho, jenom umělá inteligence nám dá neskutečnou sílu toto řešit automatizovaně a opravdu z x hodin týdně práce toto dát doslova, dostat tyto informace a získat na zlatým podnosu. Takže já už jako produktový manažer nemusím procházat ty facebookový skupiny nemusím pročítat ty internetový fóra, ale jenom si získám to tu analýzu tohle ten jako výtah a pokud mi tam něco nesedí, pokud je tam něco co mě jako zaujalo, tak pak teprve jdu po tom zdroji.

Filip: Mhm, jasně, jasně, rozumím. To je strašně zajímavé, tady to sledování toho trhu, to si trufnu tvrdit, že ať pracuješ na jakémkoliv produktu, tak tohle je skoro jako must have, nebo minimálně takový přání všech CEO a tak dál. Dokážeš třeba trošku víc nastínit to flow? Nemyslím teďka úplně jako přesně krok za krokem, ale zkrátka jako já si dovedu představit, že když se jako vžiju do role někoho, kdo tohle by chtěl, ale třeba s tím ještě nemá takovou zkušenost, tak jako chápu, proč to chci, chápu, že k tomu použiju AI, ale jako jak se k tomu postavit. Jako pochopil jsem, že máš kombinaci nástrojů, nějaký asi N8N plus nějaký třeba AI agenty, Máš třeba nějaký klíč, když si řekneš, jo, tohle je na nějakou iné automatizaci, tohle je na agenta, nebo třeba jak napojovat ty služby. Nějaký web scraping to je dneska docela oživahavý téma, protože spousta služeb to blokuje. Tak jestli máš nějaké typy na tady ty věci.

Jindřich: Ale já mám asi takový dvě úrovně bych řekl. A ta první úroveň je N8N, automatizační nástroj, a ta druhá úroveň je OpenClaw. Takže spoustu věcí za mě už jako řeší OpenClaw. A proč tam je ještě ten N8N, tak to je kvůli tomu, protože tuto automatizace jsem používal dřív, než jsem měl OpenClaw. Což mi vlastně napadá, že To tady o tom mluvím, jak kdybych to tady pouštěl, já nevím, jak dlouho, ale přitom N8N tady není zase tak dlouho s námi jako na druhou, a OpenClaw už vůbec ne.

Filip: Promiň, že ti do toho skočím. Takže bys řekl, že jako spoustu těch flows, který máš v N8N nebo v N8N, tak bys byl jako schopnej nahradit OpenClaw, nebo tam vidíš pořád nějaký segment, kdy to N8N dává jako větší smysl stále?

Jindřich: ale stejně to OpenClaw musí využívat jako některý nástroje to co používá N8N proto aby ty výsledky byly kvalitní. A kvalitu výstupu já aktuálně mám větší s N8N, ale zatím tam nejsem schopný. To určitě, i když ta konzistence si myslím, že u OpenClaw je taky dobrá tím, že mám vytvořený ty konfigureční soubory. To je zase asi jiný téma, ale obecně, abych odpověděl na tvůj otázku, tak N8N mi momentálně dává, řekl bych, lepší výstupy oproti OpenClawu, ale v OpenClawu je momentálně jako větší svoboda. Takže tam k tomu přístupu, takže člověk to jako tolik neřeší, ale nahazí tam jako různý zdroje, případně poskytne, jaký API klíče a poradí tomu OpenClaw, jaký služby má využít. Zatímco ten N8N, tak tam to musí být jako víc deterministický, teda musíš definovat, jaký tool máš napojit, kdy a jak to skripovat, jaký příspěvky a až vlastně zpracovat nějak ten vstup, který až potom ty proženeš těm jazykovým modelem.

Filip: Já se na to dívám podobně. Tyto automatizační nástroje jsou víc deterministické a víc… Si nakonfiguruješ přesně to, co chceš, to znamená, že ty výstupy jsou lepší, ale ta investice do toho, abys to nastavil, je nepoměrná vůči tomu, že OpenClaw diktuješ nějaké zdroje, řekneš mu, použij konfigurační file a jednodušeně seš vyřešený. Ještě to potřebuješ optimalizovat, ale máš to připravené.

Jindřich: A… Presně jak říkáš, ale můj názor, možná jako takový nepopulární, ale jak já se domnívám, že největší sláva N8N tak už je za náma. Protože to, co ty můžeš vytvořit, mnohem snáš s nějakým agentem, ať už je to OpenClaw nebo jakýkoliv jiný, tak dostaneš taky velmi dobrý výsledky a nemusíš to xkrát testovat a konfigurovat a jako sedět u toho. Ten hype, který tady byl, tak jak rychle přišel, tak já se domnívám, tak rychle odchází.

Filip: Taky se obávám se. Nebo netuším. Pro nás dobře, že takovýhle agenti vznikají jako OpenClaw nastavuje ten jasný směr. Všichni teďka tím jdou. Anthropic, OpenAI. Perplexity taky mají teď ten komputer. Je vidět ten jasný směr. Ale to bychom zase zabíhali do dalšího Rabbit Hole.

Jindřich: My už jsme do něj trošku zaběhli v našich předchozích dílech, ale i dnes samozřejmě. No takže tak, takže ono tahle oblast, business a competitive intelligence, dost už se souvisí s tou datovou analýzou, kterou jsem změnil v předchozí oblasti. ale obohacuje to o automatizaci a konkrétní použití pro produktové manažery, kde máš automatizaci, máš tam pravidelnost a ty výstupy máš vždy nějakým způsobem hmatatelný a ty action pointy, které z toho získáš, tak můžeš zapracovat prakticky obratem.

Filip: Je to super. mě kolikrát přijde, čistě jako osobně, že já taky mám spoustu market tracerček, které musím dělat ne nutně v práci, ale u svýho YouTube kanálu a tak dál. A často mi přijde, že ta moje limitace je, že tak nějak člověk nemá časy zamyslet, co všechno by mohl sbírat a že těch možností je nepřeberné množství, ale uvědomit si, že já bych mohl analyzovat tamto nebo tohle a napojit to, tak pak je otázka pěti minut, ale mě to kolikrát ani nenapadne. Takže… Nevím, máš na to nějaký hek, že třeba si řekneš, že máš nějakou, nevím, půlhodinku, kde si řekneš, tyjo, tak půjdu se zamyslet, co bychom mohli dál sbírat, nebo to k tobě prostě chodí, tak nějak jako požadavky, nebo jak se inspiruješ, co všechno bys mohl pomocí OpenClaw toho pohledu tý biznis a Competitive Intelligence hlídat?

Jindřich: Chodí to na mě primárně jako od kolegů od vedení, kdy tak nějak se o tom bavíme, nebo kdy někdo s něčím přijde, co by se do těch datových zdrojů dalo přidat. Ale na druhou stranu já spíš asi zastávám názor, že všeho moc škodí a když ty si opravdu vybereš nevím, ať už jsou tři čtyři pět šest sedm těch jako největších zdrojů, kde pokud se třeba zaměřím na ten sentiment a na zpracování těch uživatelských recenzí, tak když se zaměříš opravdu jenom na těch několik klíčových zdrojů, který mají tu největší vypojídející hodnotu, tak se myslím, že je to good enough. Zas kdyby tam těch informací bylo příliš, nevím jestli by ty výstupy byly tak kvalitní. Co bych ještě chtěl zmínit, tak mě nejdřív trošku trvalo, aby ten jazykový model pochopil závažnost třeba ty uživatelský recenze a na základě toho se nějak zachoval. Protože třeba mně se stávalo, když říkám třeba konkrétní case, že někdo z uživatelů napsal recenzi nebo někde diskutoval na nějaký facebookový skupině, že se mu zobrazila špatná barva nějakého textu nebo něco takového. No a samozřejmě ten jazykovej model to interpretoval jakože to hodně špatný, že na to hnedka musíme reagovat, že uživatelé nic neviděj a tak podobně. Takže já jsem se s ním potom musel domluvit, zvaž jako tu závažnost, zjistit kolik uživatelů ve skutečnosti tuto věc reportuje, na jaký verzi mobilní aplikace a tak dál a tak dál. Takže je to asi zase nějaký iterativní vývoj té konkrétní automatizace.

Filip: A tady vidím možná tu obrovskou výhodu toho, když to máš přes OpenClaw nebo přes toho agenta, že vlastně jako ty musíš schopnej, jak jsi to řekl, hezky se s ním domluvit, že to mě přijde strašně fascinující, že se dneska s technologií vlastně jako domlouváš, jak to uděláte. Ale to nechme stranou, ale zkrátka, že můžeš využít toho jako následního kroku, že ty můžeš říct, ber nějaký data a pokud něco vyhodnotíš třeba jako kritický nebo jsi si nejsi jistej, tak jdi a ověř to ještě jako i z jiných zdrojů, získej další informace a vlastně jako najednou ta nedeterminističnost toho workflow, tak je vlastně výhoda. Protože ty jsi schopnej toho OpenClaw jako nainstruovat tak, aby když něco vypadá závažně, tak aby třeba prověřil, jestli se to týká více uživatelů, třeba potom se to dá i napojit, že jo, dál, aby se podíval do Sentry, jestli tam není nějaká chyba atd.

Jindřich: Samozřejmě potom už záleží, jaký datový zdroj máš k dispozici, což se asi dost odvíjí od toho, jak ten produkt je velkej, kolik uživatelů ve skutečnosti ho používá. V našem případě má těch 130 tisíc registrovaných uživatelů, tak být se to může zdát hodně, tak těch datových zdrojů není aj zas tak mnoho, které by skutečně byly relevantní pro to, jako získávat ty informace. Zase se asi vrátím k tomu, co jsem říkal, všem moc škodí a když člověk využije těch pár datových zdrojů, kde jsou ty uživatele jako nejaktivnější, tak to má obrovskou přidanou hodnotu už tak samo sobě.

Filip: No tak máme spoustu dat a teď jako co s nima, tak nějak ti nahrávám na další další kapitolu.

Jindřich: To bych možná trošičku upravil, protože my se k tomu třeba možná nějak částečně dostaneme jo, ale ono s tím vůbec nezáleží a ostatně všechny ty mý podoblasti, které tady mají tak jako velmi úzce spolu záleží. Ale tam jako další oblast, kterou tady mám, tak je prototyping a internal tools, jsem to napsal. Není to nic jinýho než vibe-coding. Pro co se mi osvědčilo, že to funguje skvěle, tak je to nějaké feature prototyping, dema, obecně ukázat, jak by ta potenciální funkce mohla fungovat, protože byť mi tady na to narážíme často, tak my jsme oba pracovali v software house v zákazkovém vývoji a my jsme se nějak domluvili, měli jsme to technické zadání, měli jsme to business zadání, měli jsme design, klient byl načený, pak jsme to dali do aplikace a on řekl, že jsem to nechtěl. No takže tohle to nám dává právě tu sílu, že my to dokážeme jako na vibe codit, opravdu udělat si ten triviální prototyp, aby jsme si to mohli tomu businessu jako proklikat a říct, jasně, jo ok, to je ono, pojďme na tohle to připravit zadání. Takže tohle to je vlastně další obrovská hodnota, kterou nám uměla inteligence v dnešní době dává. No a neposlední řadě, možná ještě doplním, zápětí pustím ke slovu, to byla možná jedna taková podoblast toho, ten jako feature prototyping, a ta druhá podoblast je vývoj interních nástrojů. Single use aplikace, aplikace, které mě v něčem pomáhají, nebo někomu jinýmu ve firmě, automatizace, Případně interní nástroje, které třeba pouze použijí, ale čistě jako ve firmě, nepracují třeba s jakými dalšími datami, nebo naopak zpracovávají nějaký konkrétní data, nebo jsou napojený třeba k jeden datovej zdroj, nebo naopak jsou jako úplně autonomní a tak dál. Když já jsem potřeboval jeden konkrétní případ zase například za všechny, když jsem potřeboval jako vizualizovat obsazenost jako našich kolegů, abych viděl dlouhodobě na čem oni pracují, protože my tomu říkáme takzvané jako vývojové mise, a jednámi se rovná se jako jedno téma nebo jednu oblast, kterou zpravidla zpracovává více do vývojářů. Já jsem potřeboval vědět to, kdy jsou zaplanovaný, kdo a potřeboval jsem se hezky vizualizovat, kdo případně bude volný, nebo jaký obsazení by mohlo být v těch následujících misích. Jeden příklad a tenhle portál, který je interaktivní, já se tam můžu různě doplňovat kolegy, můžu různě plánovat tu práci a podobně, jak jsem to měl hotový za odpoledne.

Filip: To je skvělý use case. Tím zpracováním dat jsem mířil na ty interní nástroje, protože dovedu si představit, že výsledky nějakého business intelligence researche bych mohl takhle nějakým způsobem zpracovat. Co mě k tomu napadá, jaký nástroj ty používáš pro tvorbu těch interních nástrojů? Kombinuješ to, nebo máš nějaký oblíbený?

Jindřich: Zkoušel jsem několik, ale záleží. Když chci opravdu něco rychlého, jednoduchého, tak Lovable. Když chci něco udržitelnějšího, co větší, používám Cursor a Claude Code.

Filip: A u toho kurzoru a Claude Code tak pak řešíš asi nějaký hosting? Že si to někam nasadíš nebo to máš lokálně?

Jindřich: Něco mám lokálně, ale při to řeším z pravidla. Vercel využívám.

Filip: To se snaží. U těchto interních nástrojů, já totiž vím, že ty jsi dost technický člověk, nejsi programátor, ale nějaký ten koc si v životě napsal a dokážeš si dát spoustu věcí do hromady technických. Jak to vnímáš třeba u ostatních mín technických kolegů? Je to pro ně ty interní nástroje taky tak obrovská přidaná hodnota, nebo vnímáš, že pro ně je to trošku složitější něco si postavit?

Jindřich: Tyhole zase záleží asi, ale myslím si, že Loveable dokáže využít každej štube, takže i řada kolegů to využívá. Je to opravdu vibe coding, takový ten clear vibe coding, že vůbec nekoukaj na kód, vytvoří si co potřebuje, nějak to funguje, proklikaj si to. A jsou s tím spokojení, ať už je to třeba pro jejich použití, nebo ať je to nějaká jako vizualizace třeba její myšlenky, jak by něco v našem systému mohlo fungovat. Což je samozřejmě super, když oni dokážou dát něco takového doma, než abychom to jako vymyšleli spolu a představovali si to každej trošičku jinak, tak když oni to dokážou vytvořit na vibe codit ke svý spokojenosti, tak potom se to mnohem líp i předává mě ta myšlenka.

Filip: To mě přivádí i na další otázku k tomu. Vy máte primárně tu uživatelskou appu, mobilní, že jo? A ty jsi mluvil o tom, že nějaké funkce testujete tak, že se na vibe-codíš, vyzkoušíš, můžeš je ukázat. Jaký je to workflow? Děláš si nějakou mimo webovou appu, která vůbec nesouvisí s vaší appou, a tam to testuješ, nebo to nějak máte nastavené, aby jsi to přidal do nějaké testovací verze tý appky?

Jindřich: Přesně, jak jsi to zmínil, je to opravdu úplně unifikovaný, akorát mu třeba dám design a řeknu, že potřebuji to udělat interaktivní, opravdu zatím bych nehledal žádnou technickou složitost nebo žádnou magii, je to takový to nejsnažší, co nám ten wipecoding dokáže dát, dáš tomu design a řekneš, že potřebuji to udělat, to udělat. my mnohdy nevymyšlíme kolo, existuje už celá řada investičních aplikací na světě, který třeba ten problém mají vyřešenej, takže třeba tam se inspiruje, nebo uděláme právě ten brainstorming, o kterým jsem mluvil v tom prvním kroku v té první oblasti, a pak chceme vizualizovat nějaký proklikatelný prototyp tohoto problému a už třeba dostaneme něco a zase nás to inspiruje v něčem dalším. Takže spíš to workflow je opravdu takový Je to pořád furt jako webová aplikace, správita třeba v kladovi a to nám doprávě dokáže jako vizualizovat použití té mobilní aplikace do toho konkrétního use case.

Filip: Jasně, takže vyloženě zaměření na ten jeden use case. K tomu mě napadá taková možná trošku pychlavá otázka, ale protože díky jako wipecodingu, tak přesně, ty jsi schopnej vytvořit tu funkci, ty jsi schopnej jako vizualizovat, ještě si to říkal, oblečeš to i do toho designu, že jo. Teď to vypadá, že už je tako skoro hotový, tak Jsou s tím ostatní lidi v pohodě? Jak to vnímají? Nemají někdy pocit, že už je to skoro hotové a teď už to zbývá hodit na IT a za chviličku to je done? Jakým způsobem ty řešíš to, abys k těm lidem dobře odkomunikoval to, že tady vidíte klikatelný prototyp, který se tváří, že už to skoro funguje, že si tam dáš nějaký mock data, dokážeš to udělat skoro jako real? tak ale že se tohle všechno musí jako zahodit jenom to slouží pro ten jako proof of concept toho zadání a musí se to vyvinout znova a že tam ta rychlost vlastně není tak dramaticky jako velká jako když ty si to navibe-codíš.

Jindřich: To je problém. Ne hele jako záleží no. Já se domnívám, nebo takhle, my asi máme výhodu tu, že my jsme fintech, takže furta máme jako tu technickou část a skutečně jako řada lidí i řada lidí ve vedení má alespoň nějaký technický přesah, takže se s nimi jako dá o té problematice diskutovat. Takže byť to někdy chce to vysvětlení nebo objasnění jak ty věci fungují a to samozřejmě dokážou dát jako významně líp kolegové zvývoje než já sám, ale myslím si že máme trošku tu výhodu že se dokážeme vzájemně pochopit. Byť i samozřejmě ten jejich úhel pohledu mnohdy chápu, protože i pro mě někdy ten sentiment jako velmi komplikovaný, když si řeknu že ok tak jasný dokážu to nějak dát dohromady, ale vlastně trvá to dlouho. Takže já bych odpověděl, myslím si, že se jako dokážeme dovolit, být to někdy chce jako dost vysvětlování, ale většinou k nějakému koncenzu přijdeme. Tak či onak tím, že my jenom uděláme tento prototyp, tak vlastně tu potřebu toho biznesu už jako uspokojíme, aby jsme si tu funkci jenom vyzkoušeli, aby jsme dokázali relevantně vyhodnotit, jestli vůbec budeme tvořit nebo nebudeme.

Filip: A tyhle ty prototypy předpokládám, že pak asi jako předáváš i vývojářům normálně jako součástí zadání, ne? Jako aby si mohli tu funkci vlastně jako vyzkoušet, vidět i nějaký stavy a tak dál?

Jindřich: Jo, mnohdy přesně tak. Když už existuje, tak byť je to furt prototyp, což oni samozřejmě chápou, tak není důvod jim to neposkytovat.

Filip: A to, co si řekl, že to chápu, to je podle mě důležitý. Já se tam setkávám s tím, že ty vývojáři se na to dívají tak skrz prsty trošku a nerozumějí ty business value. Ale často mi přijde, že to skřípe i na straně toho businessu. Že oni řeknou, že tady je zadání, a tak už to jen nějak donapojte, nebo si to přeneste z toho, což často není možné. Takže je to asi vždycky o komunikaci, co je jasně oddělilo. Vypkoded app je super na prototyp, na ten businessový use case, aby se validoval nápad. Potom se to vyvíjí skoro znova, jenom to je nový styl, nová forma dokumentace, ty vypkoded appky. To je za mě možná hezké přirovnání. Dřív jsme si dělali klikatelné prototypy ve Figmě, kde jsi byl schopný nasimulovat kliky a obrazovky, jak jdou za sebou. Teď nová forma zadání může být vypkoded appka.

Jindřich: Já si myslím, že odplatí to obecně, domnívám se, že jak vývojáři, tak se kolegové z QA testři je tak ocenit dobrý zadání, když jako kompletní nemá nedostatky a jsou tam podchycení edge case. Tehle prototyping přidává na kvalitě a na ucelenosti celého produktového zadání. S touto myšlenkou náš vývoj tým pracuje a proto prototyping povětšinou ocení.

Filip: pokud k tomu nic dalšího nemáš, tak to krásně oslimuskem nahrává na delší část a to je vlastně jako tvorba tý dokumentace, tak jako wipecoding, nebo dokumentace i zadání vlastně, že jo, tak jako wipecoding nebo wipecoded apky, tak je jeden ze způsobů, ale jak dál vlastně používáš AI, aby ti pomohlo v tvorbě tý kvalitní dokumentace a specifikace, kterou vlastně jako všichni chtějí.

Jindřich: Toho už taková podoblast, taková, jestliže my jsme teď momentálně prošli čtyři primární oblasti, tak jsme třeba na 90-95 % mého usage, 90% třeba. A teď mám takové tři podbody, které už jsou takové okrajové. Přemýšlel jsem, jestli tady ještě zmiňovat, zda jsem si říkal, pokud budu mít prostor, tak proč ne. Takže možná svoje místo tady mají. No a ta menší teda tak tak říkejme jí teda pátá oblast tak právě si změnil je to dokumentace, taky product requirement document, specifikace, případná zadání, akcepteční kriteria a tak dál. Není to o tom, že by jsme řekli AI, chcem tedy implementovat BankID, vytvoř dokumentaci, ale je to spíš jako na dočesání třeba těch textů. Zase zpátky k tomu prvnímu bodu na oponenturu, co mi tam chybí. dávají tyhle akceptační testy smysl. Zkus mi to zadání rozbít. Takovéhle věci, takže skutečně jenom něco, co obecně tu práci trochu doplňuje, ale není to nic, nad čím by ta moje práce prakticky stála.

Filip: Jasně, takže vlastně tohle je takové schodnutí toho všeho, co jsme si řekli předtím, kde jdeš od nějakého brainstormingu, po nějaké jako tvorby těch zadání, potom vlastně jako wipe kody, prototyp a tak dál a tohle je vlastně, že už to potřebuješ dát do nějaké jako finální formy, finálního toho zadání.

Jindřich: Jasně tak, anebo si něco jako zvalividovat, třeba tu formu, typicky třeba akceptační testy. Já mám tady jako menší funkci, mám tam třeba šest akceptačních testů, já mu dám tu funkci a ty akceptační testy já doptám se. klidně dočetovací assistenta, jestli ty akceptační testy jsou v pořádku, nebo jestli mi tam něco chybí. Takže spíš doplnění, možná se to schrnou dobře, na doplnění těch předchozích bodů.

Filip: Já k tomu asi žádnou další otázku nemám. Co mě napadá, tak vlastně ono to krásně se prolíná do toho dalšího bodu, když už máš to vlastně jako zadání, tak předpokládám, ještě je to možná otázka k tomu, ty s ním pracuješ v rámci nějaké Jiry, nějaké pages, co tam jsou, nebo si to stahuješ lokálně, aby ten asistent s tím dokázal lépe pracovat a pak to někam uploaduješ, nebo jak se ti tady to vlastně jako propojení pak daří?

Jindřich: Zase zahleží na use case od use case. To, co jsem zmiňoval, dočasání těch akceptačních kriterií například, mě tak četovací asistent v mém případě standardně mimo JIRu. No ale my máme i různý boty, s kterými třeba pracujeme. A jeden, který asi stojí za zmínku, tak je právě ten JiraBot, který je zase přes různou automatizaci, jazykují modeli, napojené a podobně. A ten mě osobně spíš než s tím produktovým zadáním a podobnýma věcma, tak mě spíš pomáhá s tou operativou. Abych věděl jak na tom jsme s různýma věcma, kolik story pointů jsme udělali, jaký témata prioritizovat, na co se v rámci role hoppingu zaměřit a tak dále. Takže ne úplně to produktový zadání, nebo něco co by se týkal týdenní funkce, ale spíš třeba výkon produktového vývojového týmu a tak dále.

Filip: a ten robot to chápu správně že on je integrovaný přímo v tý Jiře asi za nějakej příplatek nebo je to součástí jako toho produktu.

Jindřich: Je to je to náš bot který jsme si kudy jsme jsou taky automatizace přes jeden na naší Zná struktur naší databáze třeba pro kolegy, kteří s tím pracují a pomáhá jako různě automatizovat, když přijde třeba nějaký jako požadavek od někoho jako externího přes nějaký automatizní formulář, tak on dokáže navrhnout to řešení a tak podobně.

Filip: Takže vlastně si to chápu správně, jak je to jako vaše custom řešení, který je napojený jenom vlastně jako na tu džiru, pak to máte asi v nějakém slacku, že jo, a je teda jako přístupný jako všem, že máte prostě jako dedikovaný kanály na nějaký takovýhle formy komunikace,

Jindřich: nebo… Jo, přesně tak. On vlastně funguje po dvěma způsoby, řekl bych. Jednak přes slack a druhak přes komentáře v Jiře.

Filip: Jo, že takneš toho bota.

Jindřich: Jo, přesně, takže jak ty s ním interaguješ, to už prakticky je asi pozice od pozice. Záleží.

Filip: To mi přijde super, že to vlastně najednou zpřístupňuje tu AI, která má ten důležitý kontext, což ve výsledku… Okolem toho se točíme skoro každý díl, že kontext je ten základ, aby ti jazykový modeli dávali dobrou odpověď. Takže to zpřístupňuje i lidem, kteří třeba ne nutně mají tu technickou znalost, že by tam měli dát nějaký databázový schém a tak dál. Prostě jim ten kontext předvytvoříš a dáš jim toho bota.

Jindřich: Co já si myslím, že tohle je vlastně taková jakoby menší alternativa Code Review, o kterém jsi ty posledně mluvil, jak ti dá třeba Code Reviews. To je na úrovni kodu a na úrovni těch důležitých tiketů je to trošku jiný vod. Ale tak či onak se to dá trochu parafrazovat jako možná juniorní kolega nebo tak. Kolega, řekněme.

Filip: Já chápu, chápu. No a co nějaké meetingy a tak řešíte nějaký transcript, action steps a tak dál?

Jindřich: Jo, hele, můj úplně poslední podbot, poslední bod, který bych opravdu velmi okrajově Já to nepoužívám úplně běžně, vím, že pár kolegů jo, vím, že jsme s tím různě experimentovali a že jsme používal různý nástroje na transcript, na zpracování záznamů třeba z schůzek, aby vytvořili TLDR do nějaký otázku, aby nám dali action steps třeba, které padly na těch schůzkách a tak podobně. Párkrát jsme trochu narazili jednak na kvalitu záznamu a druha k na to, že ten transkript nebo respektive potom ten jazykový model, který jako ten transkript zpracovával, tak zaměňoval ty osoby, který tam něco říkali. Takže ono se tomu může zdát, že to není až tak podstatný, ale jde o ten jako kontext nebo o náplně toho meetingu, ale pak když tam bych stál nějaký action points, tak už to vlastně přestalo dávat smysl.

Filip: Takže jste používali nějaké vlastní nástroje, nebo jste zkoušel i třeba nějaké větší řešení? Ptám se z toho pobutu, že spousta aplikací, a já to nemám, taky úplně zkoušený do detailu, tak tvrdí, že dokáže rozeznávat ty mluvčí vlastně mnohem líp. Vlastně už v rámci toho samotného transkriptu, ty dostaneš ten výstup, kdy máš mluvčí, co řekl, mluvčí, co řekl, a nějaké i časové značky, že nemusíš do toho jezikového modelu dávat jenom ten surovej transkript bez tohodle. Jak jste s tím experimentovali, jestli nějaké nástroje třeba?

Jindřich: Zkoušeli jsme na studiu několik, zkoušeli jsme dokonce i ten přímo od Google, protože když to bylo třeba jako online meeting, tak ten přesně ví, že od koho z počítače ten zvuk jde. Takže tam prakticky není prostor pro to, aby se ten transcript se skladl. No jo, jenomže kvalita toho transkriptu od Google nebyla tak vysoká, jako když jsme použili nějaký jiný nástroj. Takže já se nejsem jistý, kde to bylo. Myslím si, že jako transkriptor, ale nejsem si úplně jistý. A tak tam třeba jako nahrávka z telefonu, tak ten transkript byl jako velmi dobrý. Ale už třeba zas tak dobrý právě nebylo to označník od těch lidí, co to říkali. Takže tam ještě jsou nějaký limity. ale dá se to použít. Nechci říkat, že to bylo špatný, bylo to určitě použitelné. Když člověk opravdu dodrží pár kvalitních záznam, tak s tím potom se samozřejmě udělat velkou parádu.

Filip: Neskoušel jsi experimentovat ještě asi teď nemůžu vybavit za bohatý název, ale s tím hardwarovým vlastně… – Jo, plot. – Plaud, ano, jo, jo, jo.

Jindřich: Hele, ne, neskoušel jsem to, ale vím, že to na LinkedInu dost frčí teď a dost lidí si to jako chválí. A já právě vím, že někde jsem to jako, někde jsem na to narazil A myslím si, že jsem to tam jak té paní komentoval, proč vlastně bych měl používat tohle, když si to můžu nahrát na telefon. A právě ten jeden, nebo ten jako její největší argument právě byla jako kvalita toho záznamu. Že to údajně dokáže jako vzít mnohem přesněj. Ale nevím, nemám to vyzkoušený. Super.

Filip: To je jako výživná epizoda, hodně věcí mě třeba inspirovalo, co bych vyzkoušel. Máš nějaké ještě body nebo nějaký quick tips na závěr, co třeba se nevešlo jako téma, ale jen tak bys chtěl zmínit?

Jindřich: Asi ne, to je asi primární, to co my jsme tady hodně zmínili, tak jsou řekněme oblasti, směry, typy, ale to technické řešení nebo ten výběr toho nástroje může být jakýkoliv. Pokud by to někoho inspirovalo, pokud by si někdo chtěl udělat jako něco podobnýho, tak není důvod vlastně to dělat totožně jako já, nepotřeba, zjišťovat ty konkrétní nástroje, využívat to jako naprosto stejně, protože i já jsem jako využil něco, co se mi jako tak nějak líbilo, že jo. A určitě existuje celá řada nástroje, jak to udělat líp nebo jednodušej, že zkrátka, ať to uděláte jako jakoliv, tak se třeba doberete i lepšího výstupu, než jsem měl já. Takže ta alfa omega, co tím chci říct, je, že nezáleží tolik jako na tom technologickém stacku nebo na těch využitejch nástrojích, ale důležitý je vůbec uvědomit ten use case, který já chci a co já chci docílit. Takže mám tady nějaký data, chci z nich zpracovat. chci každý ponělí si ke snídaní číst, co se o nás napsalo, tak podobně, takže toto to já vidím jako takovou asi nejdůležitější mesič možná. Co říct s závěrem, já jsem přesnější o tom, že ta funkce produktových manažerů s velmi, velmi, velmi vysokou pravděpodobností nezmizí. Velmi pravděpodobně nám pomůže umílá inteligence automatizovat nebo eliminovat ty nízkohodnotné části práce, takový ty operativní, repetitivní a podobně. No ale primárně a to může být důležitý, tak dokáže posílit ty aspekty, který vždycky odlišovali ty dobrý produktové manažery od těch průměrných produktových manažerů. Takže pokud někdo dokáže s tou umělou inteligencí pracovat kvalitně, pracovat dobře, tak se z něj akorát stane mnohem kvalitnější produktový manažer.

Filip: To je docela podobný závěr, co jsem měl u toho vývoje. V dnešní současné době AI amplifikuje ty schopnosti, které máš, posiluje to, co ty umíš, a pokud máš expertízu, tak ti pomůže. Nevím, jak se na to díváš u produktového managementu, ale jak to bude za pět let, to si netroufám tvrdit. Minimálně z mýho pohledu. O tom, o čem se bavíme, je blízká budoucnost.

Jindřich: Každý z nás tu práci asi bude mít odlišnou, domnívám se, že ty nůžky mezi těma průměrnýma kolegama, mezi těma opravdu vysoce kvalitníma, kvalifikovanýma, tak se budou ještě víc rozevírat, než kdyby to bylo dosud. Ale uvidíme. Kdo ví, uměla inteligence je s náma tady chvíli a jsme vlastně furt jenom na začátku a už i tak z mýho uhlu pohledu z ní těšíme hodně.

Filip: Chvíli a přitom mám pocit, že je tady už pořád jako strašně dlouho. Fascinující.

Jindřich: Jak říkáš. Bylo to fajn a díky za konstruktivní otázky, Filipe.

Filip: Díky moc za inspiraci. Myslím si, že nejen pro posluchače, ale i pro mě. To bylo hodně zajímavé, když jsme se o tom bavili už nespočetněkrát. Teď jsme to měli nahuštěný a dozvěděli jsme se nové věci. Takže za mě super. A možná, co říct závěrem, pokud posluchače baví, tady ten tip i těch epizod, kdy předáváme naše hands-on zkušenosti, tak budeme rádi, když nám dáte vědět do komentáře a my se třeba v budoucnu podělíme o nějaké větší detaily toho, jak my s AI pracujeme. Tak díky, Jindro, za skvělej pokec, skvělou inspiraci a měj se krásně.

Jindřich: Díky moc, ty taky a uvidíme se se všema u dalšího dílu. Díky, čau.

Filip: Čau, čau.