HelloPM: majstorska klasa iz AI product management-a 2026.

O čemu je video

Objavljen u januaru 2026. godine, ovo je majstorska klasa punog formata koju vodi Ankit Shukla — osnivač HelloPM-a i stručnjak za produkt i rast s više od deset godina iskustva. Sesija je održana uživo s više od 800 učesnika i dostupna je na YouTube-u kao snimak. Pokriva tehničke osnove i primenjena znanja koja se očekuju od product manager-a u AI produktnim ulogama.

Sesija je strukturirana oko onoga što AI-orijentisani PM zaista treba da razume: ne samo kako koristiti AI alate, već kako funkcionišu temeljni sistemi i zašto. Shukla objašnjava kako veliki jezički modeli generišu izlaz kroz predviđanje sledećeg tokena, šta radi transformer arhitektura i kako tokenizacija utiče na dizajn promptova u praksi. Sledi GenAI value stack — okvir od četiri sloja za razumevanje gde se vrednost stvara u AI proizvodima: od infrastrukture kroz dobavljače modela, aplikativni sloj do interfejsa.

Tehnički blok prelazi na retrieval-augmented generation (RAG): kako funkcionišu RAG pipeline-ovi, šta su embedinzi i kako ih vektorske baze podataka čuvaju, i zašto je RAG obično poželjniji od fine-tuninga za većinu poslovnih produktnih slučajeva. Slede okviri za prompt engineering s naglaskom na context engineering — strukturiranje informacija koje se prosleđuju modelu radi dosljednog poboljšanja kvaliteta izlaza, a ne oslanjanje na formulacije.

Sesija se završava AI agentima i guardrails-ima, a zatim analizama tri proizvoda: Granola (AI beleške sa sastanaka), NotebookLM (AI istraživanje dokumenata) i Lovable (AI-podržana izgradnja proizvoda). Analize primenjuju tehničke koncepte na stvarne proizvode, pokazujući kako su dizajnerske odluke povezane s ponašanjem modela i gde su vidljivi kompromisi svakog proizvoda.

Za koga je namenjeno

Za product manager-e koji neformalno koriste AI alate, ali nemaju jasan mentalni model kako funkcionišu. Sesija je namenjena nivou od početnog do srednjeg — ne zahteva se iskustvo s programiranjem, ali učesnici s nekim prethodnim poznavanjem LLM-ova će više izvući iz dela s analizama. PM-ovi u ulogama koje uključuju specificiranje AI funkcija, pisanje AI acceptance criteria ili blisku saradnju s ML inženjerima posebno će koristiti fundamentalni deo.

Ključni zaključci

1. Context engineering je važniji od formulacije prompta. Shukline teze o interakciji s LLM-om naglašavaju da dobro strukturiran kontekst — ono što dajete modelu da radi s tim — ima veći uticaj na kvalitet izlaza od formulacije instrukcije. Razumevanje ovoga menja kako PM piše produktne specifikacije za AI funkcije.

2. Izbor između RAG-a i fine-tuninga je produktna, a ne samo tehnička odluka. Ovaj izbor ima implikacije na troškove, održavanje i učestalost ažuriranja o kojima PM treba da može rasuđivati zajedno s inženjerima, a ne potpuno prepustiti tehničkim timovima.

3. Četvoroslojni GenAI value stack razjašnjava gde se odvija konkurencija. Razdvajanje infrastrukture, modela, aplikacija i interfejsa pomaže PM-ovima da identifikuju na kom sloju zapravo konkuriše njihov proizvod i odakle dolazi odbranjena pozicija.

4. Guardrails agenata su problem produktnog dizajna. Odeljak o AI agentima tretira granične uslove — šta agent treba da odbije, eskalira ili potvrdi s korisnikom — kao produktne zahteve, a ne samo bezbednosne mere. Definisanje ovih granica predstavlja se kao jedna od centralnih odgovornosti AI PM-a.

5. Analize proizvoda otkrivaju kompromise ugrađene u stvarne proizvode. Analize Granola, NotebookLM i Lovable pokazuju kako razumevanje arhitekture objašnjava zašto svaki proizvod donosi dizajnerske odluke koje donosi, i gde bi sledeća iteracija mogla da se poboljša.

Vredi gledati ako…

Ste PM koji želi da vodi preciznije tehničke razgovore s ML inženjerima, ili ako vaš tim u ranoj fazi planira AI proizvod i potreban vam je zajednički rečnik za arhitekturne odluke. Korisno i kao priprema pre plaćenog kursa za AI PM, jer sesija pokriva osnovu terminologije koju napredniji programi obično podrazumevaju.