PM z Anthropic ujawnia, jak narzędzia AI zmieniają cykle rozwoju produktów

Joerg Hiller 19 mar 2026 22:46

Szef produktu Claude Code dzieli się informacjami, jak wykładniczo poprawiające się modele AI zmuszają zespoły produktowe do porzucenia tradycyjnych map drogowych na rzecz szybkich eksperymentów.

Cat Wu, szef produktu Claude Code w Anthropic, przedstawił ujawniające spojrzenie na to, jak szybko poprawiające się modele AI fundamentalnie łamią tradycyjne podejścia do zarządzania produktem. Kluczowy wniosek? To, co jest technologicznie możliwe na początku projektu, nie przewiduje już tego, co jest możliwe na końcu.

Liczby to potwierdzają. Według badań METR cytowanych przez Wu, Opus 4.6 może teraz wykonywać zadania programistyczne, które zajęłyby ludziom prawie 12 godzin — jest to około 41 razy większa wydajność niż Sonnet 3.5 (nowy) zaledwie 16 miesięcy temu, kiedy obsługiwał 21-minutowe zadania.

Stary podręcznik umarł

Menedżerowie produktu tradycyjnie zbierali wymagania z góry, blokowali mapę drogową, a następnie realizowali przez miesiące. To już nie działa, gdy ograniczenia modelu, wokół których projektowałeś, mogą zniknąć w połowie projektu.

„Budujesz na gruncie, który podnosi się pod tobą" — pisze Wu. Jej zespół odpowiedział, całkowicie porzucając długoterminowe mapy drogowe na rzecz tego, co nazywa „questami pobocznymi" — krótkimi, samokierowanymi eksperymentami, w których każdy w zespole (inżynierowie, projektanci, PM) może prototypować pomysły w ciągu popołudnia.

W ten sposób powstało kilka popularnych funkcji Anthropic: Claude Code na pulpicie, narzędzie AskUserQuestion i listy zadań — wszystkie rozpoczęły się jako nieformalne eksperymenty, a nie zaplanowane elementy mapy drogowej.

Trzy narzędzia, jeden przepływ pracy

Codzienny przepływ pracy Wu obejmuje teraz trzy różne produkty AI. Claude.ai obsługuje myślenie strategiczne i szybkie odpowiedzi. Claude Code buduje prototypy i ewaluacje. Cowork zarządza wszystkim innym — e-mail, listy zadań, prezentacje, badania Slack, rezerwacje podróży.

Zewnętrzni PM odkrywają podobne wzorce. Bihan Jiang, dyrektor produktu w Decagon, powiedział Wu, że to, co kiedyś zajmowało tygodnie budowania, aby dostać się przed klientów, teraz dzieje się w „kilka godzin". Kai Xin Tai z Datadog opisał zmianę jako przejście „od definiowania pewności z góry do przyspieszania odkrywania".

Praktyczne zmiany dla zespołów produktowych

Wu przedstawił cztery konkretne zmiany, które przyjął jej zespół:

Prototypuj przed dokumentowaniem. Po napisaniu specyfikacji wyślij ją do Claude Code i zobacz, co wraca. „Nawet surowy prototyp zmienia rozmowę" — zauważa. Gdy członek zespołu udostępnił specyfikację wtyczek, wygenerowany przez AI prototyp wrócił niemal gotowy do produkcji.

Ponownie odwiedzaj funkcje przy każdym wydaniu modelu. Claude Code z Chrome powstał, ponieważ użytkownicy ręcznie kopiowali instrukcje między narzędziami. Hack działał wystarczająco dobrze, że stał się wbudowaną funkcją.

Optymalizuj najpierw pod kątem możliwości, później pod kątem kosztów. Używaj więcej tokenów, niż myślisz, że potrzebujesz podczas prototypowania. „Zawsze możesz później obniżyć koszty, gdy tańsze modele dogoną".

Utrzymuj implementacje proste. Złożone obejścia ograniczeń modelu stają się niepotrzebnym bagażem, gdy pojawia się następny model. Anthropic zredukował 20% swoich systemowych promptów wyłącznie dzięki Opus 4.6.

Co to oznacza dla zespołów produktów AI

Szerszy kontekst branżowy ma tu znaczenie. Zarządzanie produktami AI wyłoniło się jako odrębna dyscyplina wymagająca zarówno tradycyjnych umiejętności PM, jak i głębokiego technicznego zrozumienia możliwości modeli. Wraz z regulacjami takimi jak RODO i powstającymi ramami zarządzania AI, dodającymi warstwy zgodności, rola stała się bardziej złożona, nawet gdy narzędzia stały się bardziej potężne.

Podstawowe przesłanie Wu dla innych PM: śledź dwie rzeczy jednocześnie — jak AI zmienia twój przepływ pracy i jak zmienia to, co jest możliwe w twoim produkcie. Zespoły, które robią to dobrze, nie będą zaskoczone, gdy możliwości skoczą do przodu.

Dla zespołów oprogramowania korporacyjnego obserwujących koszty rozwoju AI i harmonogramy, implikacje są znaczące. Jeśli cykle prototypowania skurczą się z tygodni do godzin, przewagi konkurencyjne zbudowane na szybkości realizacji mogą erodować szybciej niż oczekiwano.

• anthropic
• rozwój ai
• zarządzanie produktem
• claude
• korporacyjne ai