Te notatki powstały na podstawie rozmowy z Ankit Shukli (HelloPM Founder) oraz Aakash Guptą w Product Growth Podcast. Wszystkie przemyślenia, obserwacje i strategie pochodzą od rozmówców, którzy dzielą się swoim doświadczeniem w pomocy setkom osób w znalezieniu pracy AI PM.

TL;DR

AI PM to już teraźniejszość, nie przyszłość – każdy PM musi używać AI lub stanie się nieaktualny
Zarobki AI PM są znacząco wyższe – w USA średnio $254k vs $190k dla tradycyjnych PM
Applied AI PM oferuje najwięcej możliwości – nie musisz być ekspertem od modeli, wystarczy umieć je wykorzystać
Fundamenty PM się nie zmieniają – user empathy, problem solving i stakeholder management pozostają kluczowe
Evaluations to nowa krytyczna umiejętność – musisz wiedzieć jak testować nieprzewidywalne outputs AI
Konkretny plan działania – przeanalizuj 20 opisów stanowisk AI PM, zbuduj portfolio i zastosuj „company hack”
Portfolio building – od reverse engineering produktów AI po budowanie side projectów rozwiązujących własne problemy

Dlaczego każdy PM musi stać się AI PM

Według Ankit Shukli istnieją obecnie dwa typy PM na świecie. Ci, którzy używają AI do lepszych bonusów i wyższych pensji. Z kolei druga grupa tkwi w starym sposobie robienia rzeczy.

Różnice w zarobkach są uderzające. Dane przedstawione przez Aakash Guptę pokazują, że w USA przeciętny PM zarabia $190,000 rocznie. AI PM natomiast otrzymuje $254,000. W Indiach tradycyjny PM z kilkuletnim doświadczeniem zarabia 25-30 lakh rupii rocznie, jednak AI PM startuje od 35-45 lakh, dochodząc nawet do 65 lakh rupii.

Gupta wspomina konkretny przypadek: „Pracowałem z osobą, która otrzymała ofertę Google AI PM, a jej total compensation wyglądała jak 125 LPA włączając stock options i bonus.”

Shukla dzieli AI PM na trzy kategorie:

AI-enabled PM – to już 100% wszystkich PM. Jeśli nie używasz ChatGPT, Lovable czy Notebook LM do zwiększenia produktywności, już przegrywasz.
Applied AI PM – budują produkty wykorzystujące AI jako narzędzie. To jak różnica między twórcami infrastruktury UPI a firmami jak Paytm czy PhonePe, które ją wykorzystują.

Analogia UPI: Shukla porównuje obecny moment AI do rewolucji płatniczej UPI w Indiach. Rządowa organizacja National Payments Corporation stworzyła infrastrukturę (jak OpenAI tworzy GPT), a na jej podstawie wyrosły jednorożce takie jak Paytm i PhonePe, które stworzyły aplikacje dla użytkowników. Większość wartości leży w warstwie aplikacji, nie infrastruktury.

Core AI PM – pracują na poziomie infrastruktury, modeli i deep tech. Wymagają background w AI/ML, ale stanowią mniejszość rynku.

Jak zauważa Shukla: „Każda praca PM to praca AI PM, ponieważ nawet jeśli nie rozwijasz produktu AI, musisz używać wielu narzędzi AI, żeby być produktywnym.”

Dlaczego każda rola PM staje się AI PM? Nawet jeśli nie budujesz core AI product, musisz:

Używać AI tools do zwiększenia produktywności (ChatGPT, Lovable, Notebook LM)
Rozumieć jak AI może usprawnić workflows w Twoim produkcie
Komunikować się z engineers którzy implementują AI features
Konkurować z PM-ami którzy już wykorzystują AI leverage

Firmy mają przewagę dzięki AI people, więc AI people też mają przewagę w karierze. Jeśli engineers dodają 10x value dzięki AI tools, product managerowie mogą co najmniej 2-3x swoją wartość.

Fundamenty, które się nigdy nie zmienią

Najważniejsza obserwacja Shukli dotyczy tego, co pozostaje stałe. Zanim zapytasz co się zmieni, zapytaj co się nie zmieni. I uczyń to swoją podstawą.

Fundamenty product management to:

User empathy – zdolność do zrozumienia użytkowników
Problem solving – umiejętności rozwiązywania problemów
Stakeholder management – zarządzanie interesariuszami

Jak podkreśla Gupta, to właśnie aspekt ludzki sprawia, że rola PM pozostanie sticky w przyszłości. AI engineers czy designers wolą skupić się na rozmowach z użytkownikami, zrozumieniu business value i współpracy z finance i marketingiem.

Zespoły stają się mniejsze, ale focus przesuwa się na external stakeholders. Jak zauważa Shukla na przykładzie Perplexity – mają bardzo mały zespół inżynierski, ale skupiają się na partnerstwach z uniwersytetami i distribution channels. Większość czasu PM była spędzana na zarządzaniu wszystkimi engineerami. Teraz można spędzić go tam gdzie faktycznie chcesz – na customers i partners.

AI PDLC vs tradycyjny cykl

Shukla wyjaśnia, że AI sprawia, że cykl rozwoju produktu staje się krótszy. Tradycyjnie walidacja była kosztowna ze względu na drogi czas developerski. Teraz z narzędziami jak Lovable, Cursor czy V0 można szybko budować prototypy i testować z prawdziwymi użytkownikami.

Kluczowa różnica: w AI PDLC musisz zrozumieć, które problemy AI rozwiązuje lepiej, a które tradycyjne CRUD aplikacje. AI ma koszt, więc nie można go wpychać wszędzie na siłę.

Problem space vs solution space

Shukla podkreśla fundamentalny podział w product management. Problem space składa się z czterech źródeł:

Business challenges – OKR-y i metryki które musisz osiągnąć
User empathy – zrozumienie użytkowników i workflow optimizations
Market opportunities – trendy i analiza konkurencji
Data analytics – insights z secondary i primary data

Solution space to sposób jak AI może rozwiązać te problemy. Nie można zostać PM tylko przez zrozumienie narzędzi – wszystko musi zaczynać się od problem space.

Framework dla AI PM: valuable, usable, feasible, viable

Shukla adaptuje framework Marty’ego Kagana do AI PM. Każdy produkt musisz ocenić z czterech perspektyw:

Valuable – czy istnieje powód, żeby ten produkt istniał w życiu użytkownika. Jako PM odpowiadasz za user personas, customer journey mapping, jobs-to-be-done.
Usable – czy ludzie potrafią tego używać. AI wymaga innowacji w UI. Google i Perplexity rozwiązują ten sam problem informacyjny, ale mają zupełnie różne interfejsy.
Feasible – czy tech potrafi to zbudować. Tu Shukla radzi: „Zrozum podstawy, ale nie zabijaj się, jeśli nie rozumiesz algorytmu. Obejrzyj video Andreja Karpathy’ego o LLM, ale nie wchodź w transze deep tech przedwcześnie.”
Viable – czy ma to sens biznesowy. Cost of tokens, infrastructure, pricing strategy, business partnerships.

Najważniejsza rada Shukli: Motivation is perishable. Zacznij od valuable i viable – to obszary PM. Zostaw feasible najlepszym engineerom w firmie.

Kluczowe umiejętności AI PM

Predictive vs Generative AI – dwie różne kategorie rozwiązań

Shukla dzieli AI na dwie główne kategorie, każda z własnymi use cases:

Predictive AI (tradycyjne AI) rozwiązuje problemy:

Ranking – jak Google Search automatycznie sortuje wyniki
Recommendations – Netflix sugeruje co obejrzeć, Amazon co kupić
Anomaly detection – banki wykrywają fraudulent transakcje
Categorization – Gmail klasyfikuje spam vs nie-spam

Generative AI to contextual content generation:

Text generation – summaries, kod, dokumenty
Multimodal content – obrazy, audio, video
Complex reasoning – analiza i wnioskowanie

Jak podkreśla Gupta, ludzie niedoceniają jak skuteczne może być ulepszenie predictive AI. Google’owski paper „Attention is All You Need” pozwolił transformerom rozumieć natural language, więc możesz wyszukiwać „what is the AI product management lifecycle” zamiast tylko „AI product management”.

Kluczowa rada Shukli: Zrozum koszty generative AI i jego najlepsze use cases, żeby dopasować właściwe rozwiązanie zamiast wpychać generative AI wszędzie.

Contextualization – jak AI rozumie Twoje dane

Shukla wyjaśnia ecosystem AI w trzech warstwach:

Infrastructure layer – Nvidia i konkurenci (bare metal)
Cloud/Model layer – OpenAI, Google Vertex, Amazon SageMaker
Application layer – tu jest największa wartość i możliwości

Build, buy, borrow framework: W każdym building block AI (modele, data layer, infrastructure, UI, security) masz opcje – zbudować własne, kupić/wynająć od dostawców, lub wykorzystać open source.

Shukla podaje konkretne przykłady contextualization:

Notion AI – GPT sam nie wie co masz jutro w to-do. Jednak Notion AI + kontekst Twojej bazy = potężne narzędzie które może odpowiedzieć na „what’s in my project plan today”.

Stripe documentation chatbot – zamiast przedzierać się przez długą dokumentację, developerzy mogą zadać pytanie i otrzymać contextual answer.

Atlassian Intelligence – nie tylko wyszukuje content, ale wykonuje actions. Może automatycznie tworzyć stories i tasks na podstawie PRD i całego kontekstu z Confluence/Jira.

Trzy sposoby kontekstualizacji:

Prompt engineering – najprostrze. Podajesz AI template dobrego PRD, kontekst i generuje lepszy output niż podstawowy ChatGPT.
RAG (Retrieval Augmented Generation) – dla większych, zmieniających się baz danych. Przykład: Notion AI może odpowiedzieć „co mam jutro w to-do list”, bo ma dostęp do Twojego Notion. Zwykły ChatGPT nie.

Jak działa RAG: Twoja baza danych (np. Notion) jest konwertowana na embeddings – pozycje w przestrzeni, gdzie podobne znaczeniowo treści mają podobne embeddings. Kiedy zadajesz pytanie o „RAG”, system znajduje wszystkie chunki z podobnymi embeddings, dodaje je do prompt i wysyła do LLM. To pozwala na real-time access do zmieniających się danych.

Fine-tuning – dla wyspecjalizowanych przypadków z dużą ilością danych treningowych. Drogie, nie real-time, ale potężne dla niche zastosowań.

Konkretne narzędzia zwiększające produktywność

Shukla pokazuje jak AI już teraz zmienia codzienną pracę PM:

Mixpanel AI – zamiast ręcznego tworzenia funnels i ryzyka błędów w eventach, AI robi to automatycznie.

Jira Atlassian Intelligence – zamiast uczyć się Jira Query Language, piszesz w natural language co chcesz znaleźć.

ClickUp/Monday macros – pomagają PM-om którzy nie są dobrzy w komunikacji. Piszesz wiadomość, AI przepisuje ją na bardziej formal, friendly lub professional.

Caveat od Shukli: Jako PM motywuj swój zespół inżynierski do używania AI tools, ale daj im security że nie zostaną zwolnieni. Musi to przyjść top-down. Niektórzy ludzie pytają: moja firma nie pozwala używać AI tools, co robić? To musi pochodzić od góry.

Evaluations – nowa krytyczna umiejętność

Jak podkreśla Shukla, w tradycyjnych produktach było łatwiej testować, bo były deterministyczne. AI halucynuje, ma biasy i jest nieprzewidywalne, ale odpowiada z pełną pewnością siebie.

Evaluations to testy wydajności AI. Sprawdzasz czy output jest faktycznie poprawny, czy ma właściwą strukturę, czy zawiera biasy.

Shukla pokazuje konkretny przykład: AI-first job website. AI crawluje oferty pracy i generuje lepsze podsumowania, możliwe pytania rekrutacyjne, wymagane skillsy, quiz oceniający. Ale co jeśli podsumowanie jest halucynacją? Evaluations to wykryją.

Process wygląda tak: Output AI → Evaluation prompt → Inteligentniejszy model ocenia → Dashboard dla ludzkich auditorów → Iteracja na promptach/RAG/danych.

AI Agents i Model Context Protocol

Agents to AI z możliwością wykonywania akcji. Jak wyjaśnia Shukla: „Do tej pory dawaliśmy AI tylko pracę myślenia. Ale potrzebujemy ludzi którzy wykonują pracę.”

Agent = Intelligence LLM + Tools + Autonomy

Przykład Shukli: Agent sortujący zaproszenia na podcasty. Czyta Gmail, kategoryzuje maile, sprawdza liczbę subskrybentów YouTube przez API, wysyła odpowiedź z odpowiednim linkiem Calendly.

Model Context Protocol (MCP) to breakthrough od Anthropic. Zamiast integrować się z każdym API osobno, MCP konwertuje API na format zrozumiały dla modeli w natural language.

Przykład: Razorpay MCP. Zamiast wchodzić na stronę i klikać, piszesz w Claude: „Stwórz payment link dla Rupesh na 10 rupii” i AI wywołuje odpowiednie API.

Security note: Dla FinTech i health, Shukla radzi używać official MCP od dostawców, bo zabezpieczają dostęp do krytycznych funkcji (np. transfer pieniędzy na inne konta).

Konkretny plan działania

Krok 1: Przeanalizuj rynek pracy i zbuduj database use cases

Shukla ma konkretny system. Stworzył spreadsheet z 20+ opisami stanowisk AI PM z LinkedIn. Analizuje linia po linię czego szukają pracodawcy.

Równie ważny exercise: Idź na customer stories na stronach OpenAI, Anthropic, Gemini i Product Hunt. Stwórz własną bazę use cases AI. Po przejściu przez to, jeśli jesteś naprawdę poważny o product management, powinieneś stworzyć listę use cases.

Ta database to Twój „training for your own mind” – później możesz mix and match żeby zrozumieć co AI może zrobić w konkretnych sytuacjach.

✅ Checklist: Analiza job descriptions

[ ] Znajdź minimum 20 opisów stanowisk AI PM na LinkedIn
[ ] Jeśli brak „AI PM”, szukaj „PM” ze wzmiankami o AI
[ ] Przeanalizuj linia po linię wymagania i obowiązki
[ ] Dla każdego wymagania zadaj pytanie: „Jak udowodnię, że to potrafię?”

Krok 2: Zbuduj portfolio – od analizy do tworzenia

Shukla pokazuje konkretną ścieżkę budowania dowodu kompetencji:

Analiza istniejących produktów: Wybierz 2-3 produkty AI (Perplexity, Cursor, Grammarly) i wykonaj ich szczegółową dekonstrukcję. Zrozum jaki problem rozwiązują, jak działają, gdzie są gaps.

Propozycje ulepszeń: Na podstawie analizy zaproponuj konkretne improvements. Pokaż myślenie produktowe, nie tylko techniczne.

Side projekty: Znajdź problem w swoim otoczeniu (personal/professional workflow) i rozwiąż go za pomocą AI tools. Dokumentuj cały process myślowy – dlaczego ten problem, dlaczego to rozwiązanie.

Content creation: Zacznij pisać o tym czego się uczysz. „Writing is thinking” – jak podkreśla Gupta, proces pisania zmusza do uporządkowania myśli.

Pro tip od Shukli: Zawsze zaczynaj od problemu użytkownika, nie od technologii. Unikaj „shiny object syndrome” – rzucania się na każdy nowy AI tool bez strategic thinking.

Krok 3: Ultimate hack na pracę

15-20 firm hack Shukli to najlepszy tip z całej sesji:

Wybierz 15-20 średnich firm AI (100-500 osób). Nie gigantów – HR będzie gatekeepował. Wyobraź sobie, że jesteś PM w tej firmie. Co robiłbyś przez pierwsze 6-8 miesięcy?

Zbuduj dla nich coś konkretnego. Roadmapę, rozwiązanie problemu, analizę. Follow up 3 razy przed poddaniem się.

„Jeśli to zrobisz, jestem pewien, że znajdziesz pracę AI PM” – zapewnia Shukla.

Najczęstsze błędy AI PM

AI jako młotek do wszystkich problemów – Nie każdy problem wymaga AI. Sprawdź czy tradycyjna CRUD aplikacja nie będzie lepsza i tańsza.
Outsourcing całego myślenia do AI – Shukla używa analogii: „AI to intern, nie senior PM.” Może wygenerować PRD 0.2 albo 0.8 quality, ale Ty musisz dodać kontekst, research, domain expertise żeby dostać 1.0.
Zaczynanie od najtrudniejszych rzeczy – Największy błąd: od razu rzucanie się na statistics, neural networks, data science. Motivation is perishable – jeśli zaczniesz od najtrudniejszych elementów, stracisz motywację zanim dojdziesz do praktyki. Zacznij od purpose i valuable/viable.
Ignorowanie evaluations – Większość teamów robi podstawowe metryki i liczy na szczęście. Teams które naprawdę shipują reliable AI, opanowały systematyczne evaluation.
„Shiny object syndrome” – Rzucanie się na każdy nowy AI problem bez kontekstu całej roadmapy. Jako PM musisz mieć strategic mindset i rozumieć gdzie dany problem pasuje w całej strategii produktu.

Kluczowe ostrzeżenie Shukli: „Jeśli będziesz robić 0.5, 0.8, 0.2 pracę generowaną przez AI, w końcu przestaniesz myśleć krytycznie i stracisz mojo jako PM.”

AI levels the playing field – jak pokazuje przykład DeepSeek z Chin, którzy używając starszych modeli Nvidia stworzyli konkurencję dla OpenAI. AI będzie wyrównywać pole gry. Ludzie którzy pójdą beyond AI wygrają na rynku.

Przydatne zasoby

Shukla poleca konkretne źródła wiedzy:

Customer stories na stronach OpenAI, Anthropic, Gemini – zobacz jak firmy używają AI w practice
Product Hunt – top AI produkty, community feedback
FinSMEs – baza firm otrzymujących funding. Filtruj po AI
Y Combinator companies – startupy AI do analizy
Agents.ai – łatwy start z AI agents, projekt Dharmesh Shah z HubSpot
LangChain/LangGraph – dla bardziej technical osób, podstawa większości AI tools
Notebook LM – dla market research i analizy trendów
Andrej Karpathy videos – szczególnie 3.5h video o LLM dla zrozumienia podstaw

Ostatnia rada Shukli: Masz teraz wielki leverage – AI jest bardzo nowe i wielu ludzi nie wie co się dzieje. To Twoja przewaga żeby wyróżnić się hard work. Ale pamiętaj: zanim zapragniesz roli, zasłuż na nią.

Praktyczne prompty dla AI PM

Na podstawie przykładów Shukli z sesji, oto kluczowe prompty które każdy AI PM powinien mieć w swoim arsenale:

1. Prompt do tworzenia PRD z kontekstem

Jesteś doświadczonym product managerem w [branża]. Bazując na tym template PRD [wklej template] oraz na tym kontekście biznesowym [wklej kontekst], stwórz PRD dla [opis produktu/feature]. 

Upewnij się, że:
- Uwzględniasz user personas i customer journey
- Definiujesz clear success metrics
- Zawierasz technical considerations
- Pokazujesz business impact

Kiedy stosować: Zamiast prosić o generic PRD, zawsze dodaj kontekst swojej branży i template od top PM-ów.

2. Prompt do evaluation AI outputs

Jesteś content quality evaluatorem dla [typ produktu]. Mając dany output AI: [wklej output], oceń go według tej checklisty:

1. Faktyczna poprawność
2. Struktura i format (czy jest w wymaganym formacie?)
3. Biasy i dyskryminacja
4. Hallucinations
5. Relevance do zadania

Odpowiedz w tym formacie:
- Ocena ogólna: [1-10]
- Czerwone flagi: [lista problemów]
- Zielone flagi: [co działa dobrze]  
- Rekomendacje: [jak poprawić]

Kiedy stosować: Do systematycznego testowania każdego AI output w Twoim produkcie przed wypuszczeniem do userów.

3. Prompt do komunikacji re-articulation

Przepisz tę wiadomość na bardziej [professional/friendly/formal] ton, zachowując wszystkie kluczowe informacje:

[twoja wiadomość]

Upewnij się, że ton jest odpowiedni dla [kontekst: meeting z CEO/email do engineera/update dla stakeholderów]

Kiedy stosować: Gdy musisz dostroić komunikację do różnych stakeholderów, jak wspomniane przez Shukli w ClickUp/Monday przykładzie.

4. Prompt do reverse engineering produktów AI

Przeanalizuj [nazwa produktu AI] jako product manager. Określ:

1. Jaki problem rozwiązuje dla users
2. Jakie AI capabilities wykorzystuje (predictive/generative)
3. Jak prawdopodobnie działa contextualization (prompt/RAG/fine-tuning)
4. Jakie są potential gaps lub areas for improvement
5. Jak monetizują AI features

Bazuj analizę na publicly available informacji i user reviews.

Kiedy stosować: Do budowania case studies i zrozumienia AI product landscape, jak radzi Shukla.

5. Prompt do analizy target firm (15-20 firm hack)

Jestem product managerem chcącym pracować w [nazwa firmy]. Bazując na ich publicznej informacji:

1. Zidentyfikuj 3 główne product challenges które prawdopodobnie mają
2. Jak AI mogłoby rozwiązać te challenges  
3. Jakie quick wins mógłbym dostarczyć w pierwszych 6 miesięcy
4. Stwórz outline 90-day planu jako nowy AI PM w tej firmie

Bazuj na: company blog, product updates, job postings, user feedback.

Kiedy stosować: Przed aplikowaniem do firm w ramach „15-20 firm hack” strategii Shukli.

6. Prompt do tworzenia AI use cases database

Przeanalizuj te customer stories/case studies: [link/tekst]

Wyciągnij:
1. Konkretne AI use cases
2. Problemy które rozwiązywały  
3. Technical approach (jeśli dostępne)
4. Business outcomes
5. Lessons learned

Skategoryzuj według: predictive AI, generative AI, agents, contextualization type.

Kiedy stosować: Do budowania osobistej bazy wiedzy o AI applications, jak sugeruje Shukla przy analizie OpenAI/Anthropic customer stories.

7. Prompt dla MCP/AI agents workflow

Stwórz workflow dla AI agenta który będzie:

1. Monitorował [źródło danych: Gmail/Slack/etc]
2. Identyfikował [typ wydarzeń/wiadomości]  
3. Wykonywał [specific action] gdy [warunki są spełnione]
4. Raportował wyniki do [destination]

Uwzględnij error handling i human oversight checkpoints.

Kiedy stosować: Do automatyzacji repetitive workflows, jak agent Shukli do sortowania zaproszeń na podcasty.

Kluczowa rada: Jak podkreśla Shukla, traktuj AI jak „intern, nie senior PM”. Te prompty to starting points – zawsze dodaj swój kontekst, domain expertise i critical thinking żeby dostać quality 1.0 zamiast 0.5-0.8.

✅ Quick Start Checklist

W tym tygodniu

[ ] Przeanalizuj 5 job descriptions AI PM
[ ] Wybierz jeden top produkt AI do reverse engineering
[ ] Załóż konto na Agents.ai i zrób pierwszy eksperyment

W tym miesiącu

[ ] Skompletuj analizę 20 job descriptions
[ ] Napisz pierwszy case study analizujący produkt AI
[ ] Wybierz 5 target firm do „15-20 firm hack”

W ciągu 3 miesięcy

[ ] Zbuduj portfolio z 3 case studies
[ ] Stwórz jeden side project rozwiązujący Twój problem
[ ] Wykonaj outreach do target firm z konkretnymi propozycjami

Kluczowy insight

Nie szukaj „AI PM jobs”

Standardowo myślimy: Żeby zostać AI PM, muszę znaleźć job postings z tytułem „AI Product Manager” i aplikować tylko do firm AI.

W praktyce okazuje się, że: Jak ujawnia Shukla, większość firm nie promuje swoich ofert jako „AI Product Manager”. Zamiast tego publikują zwykłe oferty PM, ale w opisie obowiązków pojawiają się słowa jak „RAG, evaluations, iterations, foundational understanding of LLMs, AI tools productivity”. Each PM job is becoming an AI PM job.

Dlaczego to jest istotne: Szukając tylko „AI PM” ograniczasz się do 5% dostępnych pozycji, podczas gdy 95% prawdziwych możliwości AI PM ukrywa się pod standardowymi tytułami „Product Manager”. To kompletnie zmienia strategię job search i zwiększa szanse wielokrotnie.

Test na jutro: Następnym razem gdy szukasz pracy, zamiast filtrować po „AI Product Manager” wyszukaj „Product Manager” i przeczytaj job descriptions szukając AI-related keywords. Sprawdź ile więcej relevant opportunities znajdziesz w ciągu godziny.

Ten wpis to część kolekcji notatek z wartościowych treści branżowych. Oryginalne źródło: Product Growth Podcast – „Full Roadmap: Become an AI PM in 2025 | Ankit Shukla, HelloPM Founder„

Tag: Rag Technology

Kompletna mapa drogowa: jak zostać AI Product Managerem w 2025 #EN240