TL;DR

Sprawdzona metoda – ponad 300 product managerów adoptowało te workflow z kursu Matthews’a
PRD pozostaje ważne – zawiera kontekst prawny, marketingowy i plan go-to-market, którego AI nie zastąpi
Pełny workflow: PRD → 1-3 prototypy → feedback → finalizacja – od pomysłu do rozmów z klientami maksymalnie tydzień
Baseline i fork workflow – stwórz jeden dobry prototyp bazowy, następnie kopiuj go zamiast zaczynać od zera
Ogromne oszczędności tokenów – kopiowanie baseline nie kosztuje żadnych tokenów
Planowanie jak obsesja – Matthews robi 4-5 promptów planowania przed kodowaniem
Live demo vs linki – najlepszy feedback podczas bezpośredniej prezentacji z customer discovery

Wprowadzenie

Colin Matthews, twórca kursu AI prototypowania na Maven z ponad 8500 uczestnikami, przeprowadził webinar oparty na doświadczeniach ponad 300 product managerów. Prezentowane techniki są przetestowane w rzeczywistych zespołach produktowych. Oferują systematyczne podejście do prototypowania, które eliminuje typowe frustracje i błędy.

Pełny workflow prototypowania z AI

Dlaczego PRD nadal ma sens

Matthews podkreślił znaczenie PRD nawet w erze AI. PRD często zawierają kontekst prawny, marketingowy i plan go-to-market, nie tylko funkcje produktu. Dokumenty te pozostają kluczowe dla zespołów.

PRD powinno zawierać:

Kontekst prawny i marketingowy
Plan go-to-market
Analizę danych dotyczącą adopcji użytkowników
Definicję sukcesu
Wszystkie standardowe elementy planowania produktowego

Kompletny proces produktowy

Matthews opisał proces przejścia od surowego pomysłu do działającego prototypu w maksymalnie tydzień. Workflow składa się z czterech etapów: PRD z pełnym kontekstem, tworzenie 1-3 prototypów rozwiązań, zbieranie feedbacku od klientów oraz finalizacja rozwiązania.

Kluczowa zaleta polega na pokazaniu klientom działającego prototypu. Zamiast abstrakcyjnych pomysłów otrzymują funkcjonalny produkt do przetestowania.

Baseline i fork – fundament efektywnego prototypowania

Dlaczego zaczynanie od zera to problem

Matthews szczegółowo opisał frustracje z tradycyjnym prototypowaniem: „To właściwie całkiem irytujące, bo jeśli próbowałeś wcześniej, to zajmuje dużo czasu. Jest dużo małych bugów, które się zdarzają podczas tworzenia prototypu.”

Główne problemy obejmują długi czas tworzenia, liczne błędy podczas procesu oraz elementy niepasujące do oczekiwań. Product managerzy tracą czas na techniczne szczegóły zamiast skupiać się na kluczowych aspektach produktu.

Czym jest baseline prototype

Matthews inwestuje 30-60 minut w stworzenie dobrego baseline’u z odpowiednim pokryciem funkcji. Taki prototyp pasuje do istniejącej aplikacji i może być wielokrotnie wykorzystywany. Stanowi solidną podstawę do dalszych eksperymentów.

Fork workflow eliminuje frustracje

Proces baseline i fork to kluczowa innowacja metodologiczna. Kopiowanie gotowego baseline pozwala na dodanie nowej funkcji jednym promptem w 5-10 minut. Eliminuje problemy z podstawową funkcjonalnością.

Matthews zademonstrował dodawanie filtra cenowego do baseline Airbnb jednym promptem. Następnie stworzył kolejną kopię z filtrem w innym miejscu, również jednym promptem.

Częste nieporozumienie o promptowaniu

Alex zapytał o różnicę między zwykłym promptowaniem a workflow baseline. Matthews wyjaśnił, że chodzi o utrzymanie systematycznego podejścia. Zespoły mogą łatwo testować nowe pomysły bez overhead’u zaczynania od zera.

Oszczędności tokenów

Kopiowanie baseline generuje ogromne oszczędności tokenów. Zespoły otrzymują cały oryginalny kod za darmo, płacąc tylko za małe zmiany na kopii. Narzędzie wykonuje specyficzne modyfikacje zamiast budować projekt od podstaw.

Gopal zadał istotne pytanie o model AI i edytowanie baseline. Matthews wyjaśnił, że proces polega na importowaniu kodu do nowego projektu, nie na read-only baseline.

Onboarding zespołu przez baseline

Typowe problemy z zespołem dotyczą frustracji początkujących użytkowników. Ludzie próbują narzędzia, napotykają błędy i rezygnują. Baseline oferuje gotowy punkt startowy, eliminując początkowe przeszkody. Znacznie ułatwia wprowadzenie nowych członków zespołu do workflow.

Organizacja zespołu przy prototypowaniu AI

Problem z historią czatów

Matthews pokazał swoją historię w Bolt – setki projektów w różnych narzędziach. Brak możliwości łatwego odnalezienia konkretnego prototypu frustruje użytkowników. Problem dotyczy wszystkich dostępnych narzędzi AI.

Rozwiązania organizacyjne

Metoda dokumentacji zewnętrznej: Matthews prowadzi dokument Notion z opisami projektów i linkami. Alternatywnie można użyć Google Sheets z elementami: opis projektu, bezpośredni link, typ projektu, data utworzenia.

Magic Patterns oferuje widok canvas z organizacją w folderach. Matthews demonstrował organizację z nazwami jak „pricing update filters 529.”

Bezpieczeństwo prototypów

Publiczne URL nie są dostępne dla każdego, ale pozostają technicalnie osiągalne. Matthews przedstawił dwie metody zabezpieczania: prompt password i natywne funkcje narzędzi.

Pierwsza metoda ma ograniczenia – hasła przechowywane po stronie klienta można znaleźć w kodzie. Magic Patterns oferuje bezpieczniejsze natywne funkcje zabezpieczenia hasłem.

Zbieranie feedbacku od klientów i stakeholderów

Live demo – kluczowa rekomendacja

Matthews zdecydowanie poleca demo na żywo zamiast wysyłania linków bez kontekstu. „Dostaję najlepszy feedback na prototypy, gdy robię demo.”

Live demo pozwala na prowadzenie customer discovery podczas sesji. Zespoły mogą zrozumieć problemy użytkowników, poznać wypróbowane rozwiązania oraz przedstawić nowe propozycje w odpowiednim kontekście.

Narzędzia do feedbacku

Magic Patterns oferuje wbudowaną funkcję zbierania feedbacku z różnymi typami pytań. Alternatywnie można użyć Google Forms czy Typeform w połączeniu z linkiem do prototypu. Umożliwia to bardziej zaawansowane ankiety.

Techniki optymalizacji pracy z narzędziami AI

Planowanie jako obsesja Matthews’a

„Czasami moje prompty wyglądają jak po prostu iterowanie nad planem w kółko. Zrobię cztery lub pięć promptów w kroku planowania zanim w ogóle rozpocznę generowanie kodu.”

Matthews pokazał konkretny przykład w Bolt, tworząc aplikację To-do. Używa szczegółowych promptów planujących przed jakąkolwiek implementacją.

Różnica między PRD a PRD.md dla AI

PRD.md różni się od tradycyjnego PRD. Zawiera breakdown komponentów, model danych, podział na pliki oraz fazową implementację. Te elementy są kluczowe dla narzędzi AI do zrozumienia struktury projektu.

Kluczowe zasady planowania

Narzędzia często planują i implementują jednocześnie, dlatego trzeba być niezwykle specyficznym. Jeśli nie chcesz kodowania, musisz wyraźnie to określić. Specyficzność promptów ma kluczowe znaczenie dla kontroli procesu.

Global system prompts

Matthews używa globalnych promptów systemowych stosowanych do każdej wiadomości. Ze względu na długość nie mógł udostępnić przykładu podczas webinaru.

Fazowanie implementacji

Kontrolowane podejście obejmuje planowanie komponentów, modelu danych oraz fazowej implementacji. Zespoły mogą modyfikować plan między fazami. Matthews ostrzega, że podejście jest wizualnie mniej imponujące, ale oferuje większą kontrolę.

Prototypowanie agentów AI

Przykład z Maven

Matthews zaprezentował prototyp Maven połączony z systemem AI. Backend wykorzystuje ChatGPT do odpowiedzi na pytania w kontekście kursu. Użytkownicy mogą zadawać pytania bezpośrednio w prototypie.

Różnica między building agents a using tools

Matthews wyjaśnił dwie opcje: budowanie agenta od podstaw z kodem oraz używanie gotowych narzędzi jak Zapier. Pierwsza opcja oznacza tworzenie agenta dla własnego produktu. Druga polega na byciu użytkownikiem końcowym istniejącego narzędzia.

Mastra AI dla developerów

Framework Mastra AI oferuje komponenty do budowania agentów: routing modeli, pamięć agentyczną, workflow, deploymenty oraz monitoring. Matthews porównuje agenta do klocków Lego – Mastra dostarcza elementy do konstrukcji.

Narzędzia i porównania

Dlaczego Magic Patterns do demo

Matthews wybrał Magic Patterns jako wschodzące narzędzie dobrze ilustrujące workflow. Podkreślił, że prezentowane idee dotyczą wszystkich narzędzi, nie tylko konkretnej platformy.

UI Selector – praktyczna funkcja

Wszystkie narzędzia wspierają selektor UI do precyzyjnego wskazywania elementów. Funkcja dodaje kontekst do promptów.

Wszystkie narzędzia robią to samo w 2025

Narzędzia są bardzo podobne pod względem funkcjonalności. Różnice dotyczą stylistyki, łatwości użytkowania oraz konkretnych możliwości. Matthews nie widzi złych czy dobrych wyborów – to kwestia osobistych preferencji.

Gdzie znajdziesz funkcję fork

Lokalizacja różni się między narzędziami: V0 ma fork w prawym górnym rogu, Bolt oferuje „fork current design”, Lovable ukrywa „remix” w ustawieniach, Magic Patterns ma „fork current design” w głównym interfejsie.

Praktyczne wskazówki implementacji

Ograniczenia zakresu baseline

Matthews zaleca małe baseline’y – maksymalnie 1-3 strony, ponieważ LLM-y mają problemy z większymi projektami. Dla większych produktów lepiej stworzyć 5-15 różnych baseline’ów niż jeden ogromny.

Design system – wyzwania toolingu

Tooling nie jest gotowy do bezpośredniego replikowania istniejących systemów projektowych. Matthews tworzy biblioteki komponentów wewnątrz narzędzi, prosząc o kontynuację dodawania elementów. Proces zajmuje więcej pracy początkowo, ale oszczędza czas przy uzyskiwaniu konsystencji.

Strategie dla większych projektów

Matthews poleca pozostanie przy małym zakresie gdzie to możliwe. Dla większych projektów sugeruje „zszywanie” różnych widoków jako osobnych projektów. Można pokazywać klientom projekty side by side, symulując przepływ między ekranami.

Evals i ograniczenia wiedzy

Matthews był szczery o granicach swojej wiedzy w kwestii evals dla systemów LLM. Polecił inne źródła i instruktorów Maven jako lepsze opcje do nauki w tej dziedzinie.

✅ Checklist: Wdrożenie AI prototypowania w zespole

Przygotowanie workflow

Napisz PRD z kontekstem prawnym, marketingowym i go-to-market
Przygotuj PRD.md z komponentami, modelem danych i fazami dla AI
Wybierz główne narzędzie (wszystkie robią to samo w 2025)
Stwórz dokumentację zewnętrzną (Notion/Google Sheets)
Przeszkol zespół z baseline workflow

Tworzenie baseline’ów

Zaplanuj 30-60 minut inwestycji na każdy baseline
Ograniczaj do 1-3 stron na baseline
Upewnij się że baseline pasuje do istniejącej aplikacji
Stwórz 5-15 różnych baseline’ów dla większych produktów

Workflow prototypowania

Rób 4-5 promptów planowania przed kodowaniem
Używaj PRD.md z komponentami, UI elementami i fazami
Bądź niezwykle specyficzny w promptach
Kopiuj baseline zamiast zaczynać od zera

Organizacja projektów

Wyciągnij linki z chaosu historii czatów
Używaj opisowych nazw folderów/projektów
Backup kluczowych baseline’ów
Monitoruj oszczędności tokenów

Zbieranie feedbacku

Preferuj live demo nad wysyłanie linków
Prowadź customer discovery podczas demo
Używaj wbudowanych funkcji feedbacku lub Google Forms
Unikaj wysyłania prototypów bez kontekstu

Bezpieczeństwo

Zabezpiecz prototypy hasłami
Pamiętaj o ograniczeniach haseł po stronie klienta
Rozważ natywne funkcje zabezpieczeń narzędzi

Struktura kursu Matthews’a

Kurs Matthews’a obejmuje budowanie 2-3 prototypów tygodniowo. 70-80% contentu koncentruje się na aspektach technicznych: integracje API, debugowanie oraz podstawy web development.

Projekty mają zróżnicowane czasookresy: od 15-20 minut do półtorej godziny. Uczestnicy webinaru otrzymują dodatkowe korzyści: kod zniżkowy, darmowy miesiąc Bolt i Replit oraz 1400$ w kredytach do różnych narzędzi.

Ten wpis jest częścią mojej kolekcji notatek z ciekawych podcastów, webinarów i innych treści, które uważam za wartościowe i do których sam chcę wracać. Jeśli chcesz sprawdzić oryginalne źródło, znajdziesz je tutaj: Webinar „Adopt AI Prototypes With Your Team” – Colin Matthews na Maven

Tag: Oszczednosci Tokenow

Jak zespoły produktowe mogą efektywnie adoptować prototypy AI #EN119