Paweł Huryn: kad bih ponovo učio AI product management, počeo bih odavde

Paweł Huryn vodi productcompass.pm i piše o AI product managementu za publiku od više od 10.000 pretplatnika. Ovaj članak iz januara 2026. bavi se konkretnom greškom rasipanja vremena koju je uočio kod početnika u AI PM-u: mjeseci provedeni na linearnoj algebri, Python kursevima i backpropagationu — pri čemu nijedno od tih znanja ne prelazi u kreiranje boljih AI proizvoda.

Članak predlaže osam oblasti koje Huryn smatra zaista važnima, organizovanih oko onoga što PM treba razumjeti na nivou proizvoda, a ne istraživanja.

Prva je osnovne koncepte: kako funkcionišu LLM-i, šta su transformeri i embeddingi, šta rade kontekstni prozori. Ne matematika iza njih, već mentalni model toga kako se tehnologija ponaša u produktnim uslovima. Druga je prompt engineering, koji Huryn naziva najcjenjenijim vještinom u AI produktnom radu. Prompting opisuje kao produktni dizajn za AI — interfejs između namjere čovjeka i izlaza modela.

Fine-tuning dolazi treći: kada je koristan i kada nije. Njegova pozicija je da je fine-tuning često nepotreban ako je prompting dobro urađen, a razumijevanje te razlike štedi značajne inženjerske resurse. Četvrti je RAG (retrieval-augmented generation) — mehanizam za davanje LLM-ima pristupa prilagođenim podacima — koji smatra gotovo neophodnom sposobnošću za bilo koji proizvod koji treba da radi s vlasničkim ili podacima u realnom vremenu.

AI agenti i agentni workflowi dolaze peti. Sistemi koji planiraju, rasuđuju i autonomno koriste alate postaju zadana arhitektura za kompleksne AI proizvode, a PM-ovi trebaju radni model o tome kako funkcionišu. Šesta je AI prototipizacija: praktična izgradnja korišćenjem no-code alata poput Lovablea, Supabasea i n8n-a. Argument ovdje je da ova vještina brzo napreduje čim se počne primjenjivati i otkriva praznine u produktnom razmišljanju koje samo čitanje ne otkriva.

Sedma je poznavanje glavnih temeljnih modela — Claudea, ChatGPT-a, Geminija — i razumijevanje njihovih različitih snaga, cjenovnih struktura i ograničenja, budući da je odabir modela produktna odluka s značajnim posljedicama. Osma, koju Huryn identificira kao najrjeđu vještinu, su AI evals: izgradnja sistema mjerenja za određivanje da li AI proizvod zaista funkcioniše.

Članak zagovara učenje kroz akciju nasuprot pasivnoj potrošnji. Huryn predlaže dva mjeseca praktičnog rada, s principom da jedan sat izgradnje uči više nego sedmica čitanja. Pristup je pragmatičan: nauči minimum potreban za lansiranje, pa tek onda širi znanje.

Korisno za svakog PM-a koji počinje raditi s AI proizvodima i želi razumjeti gdje se fokusirati na prvom mjestu, posebno onih kojima su govorili da trebaju duboko tehničko znanje da bi smisleno doprinijeli ovom prostoru.