TechCanvass: Kako AI menja ulogu product managera u 2026. godini

Objavljen u februaru 2026. godine od strane Pankaja Doshija — product managera sa više od 13 godina iskustva u automobilskim tehnologijama i digitalnoj transformaciji — ovaj tekst tvrdi da AI nije samo novi tip funkcionalnosti na product roadmapi. To je osnovna platforma kroz koju PM-ovi sada donose odluke, pomerajući ulogu od obimnog dokumentacionog rada ka onome što autor naziva “naukom o odlučivanju.”

Ključne promene

Argument strukturišu četiri operativna pomaka. Prvo: generativni AI je smanjio vreme koje PM-ovi troše na PRD-ove i korisničke priče — alati poput Notion AI i Jira sada pružaju strukturalni okvir, pa se pažnja PM-a pomera ka rubnim slučajevima i zahtevima, a ne ka formatu i formulacijama. Drugo: NLP omogućava timovima da analiziraju velike volumene zahteva za podršku odjednom, postavljajući kvalitativna pitanja o frustraciji korisnika i dobijajući kvantifikovane uvide — vrsta analize povratnih informacija koja je ranije bila ograničena vremenskim troškovima ručne obrade.

Treće: alati prediktivne analitike sada omogućavaju timovima da modeluju očekivani uticaj odluka o roadmapi na osnovu istorijskih podataka o lansiranju funkcionalnosti. Doshi to povezuje sa “HiPPO problemom” — produktnim odlukama vođenim mišljenjem najplaćenije osobe, a ne podacima. Četvrto: PM-ovi sve direktnije upravljaju AI arhitektonskim odlukama — postavljaju guardrails za preporučujuće sisteme, identifikuju reward hacking (kada model optimizuje proxy metriku poput klikova umesto ciljnog ishoda) i održavaju kvalitet ulaznih podataka.

Primeri kompanija

Tekst podkrepljuje svaki argument imenovanim primerima. Shopify koristi semantičku pretragu kroz povratne informacije prodavaca kako bi otkrio regionalne probleme sa upotrebljivošću. PM-ovi Spotifyja upravljaju sistemima nagrađivanja i kazni koji regulišu ponašanje algoritama preporuke, balansirajući između angažovanosti i dugoročnog zadovoljstva. Lansiranje Adobe Firefly-a zahtevalo je od PM-ova da sa korisnicima direktno reše pitanja etike podataka za obuku AI. Instacart koristi AI za predviđanje nedostupnosti artikala pre nego što kupci stignu u prodavnicu. Intuit proverava procene uticaja funkcionalnosti na osnovu istorijskih podataka o performansama ML modela.

Ljudski faktor

Uprkos svom operativnom potencijalu automatizacije, Doshijev zaključak je da meke veštine postaju važnije kako AI preuzima izvršne poslove, a ne manje važne. Rad sa stejkholderima, sposobnost pripovedanja i rešavanje konflikata ostaju ključni diferencijatori za senior PM-ove — i kako dokumentacija i analitika postaju dostupne svima, upravo ljudska dimenzija produktnog rada postaje primarni izvor uticaja.

Tekst je najkorisniji za PM-ove na sredini karijere koji se susreću sa AI ili kao funkcionalnošću za lansiranje ili kao setom alata koji ulazi u njihov svakodnevni tok rada. Bogat je primerima i praktičan, a ne teorijski.