Najbardziej trending tool dla non-developerów — pokazuję live setup od instalacji do trzech działających skilli. Bez teorii, bez „skonfiguruj sobie", od razu na konkretnym PM workflow.
Workshop flagship dla knowledge workerów. Budujemy razem cały Personal AI OS: notatki, daily brief, weekly review, knowledge base z RAG, automatic ingest. 30 dni roadmap od zera do dojrzałego setupu.
Personal AI trending. Pokazuję cały mój setup: Notion jako baza, Claude jako exec, MCP jako spoiwo. Codzienne notatki, weekly review, automatyczne digest z inboxes — bez ręcznej pracy.
Pełny workflow PM-a 2026: discovery z synthetic users, spec jako behavior + evals, prototype w v0, ship przez Claude Code, monitoring drift. Wszystko w jednym tygodniu, na jednym realnym przykładzie.
Evals to nowa skill PM-ów i większość PM-ów nie zna nawet bazowych wzorców. Pokazuję trzy: LLM-as-judge, factual eval, behavioral eval — każdy z gotowym promptem i rubryką scoringową.
MCP marketplace eksploduje, ale 80% serverów to drobne zabawki. Pokazuję dziesiątkę która naprawdę zmienia workflow: Linear, Postgres, Slack, Notion, Sentry, GitHub, Vercel, plus 3 niszowe.
Workshop dla PM-ów którzy chcą realnie zostać AI-Native. Pełna konfiguracja `.claude/` + 10 slash commands + 5 subagentów dla każdej fazy PM pracy. Wychodzisz z kopilotem na poniedziałek.
Subagenty właśnie weszły jako stabilna feature. Większość ludzi traktuje je jak duże prompty — to błąd. Pokazuję 3 wzorce: research-er, refactor-er, eval-er, każdy z gotowym templatem.
Standard 2026. Pokazuję jak postawić sędziego od podstaw: dataset, prompt sędziego, rubryka 1-5, calibration na 20 przykładach. Wynik: liczba zamiast feelinga, comparable across deploys.
v0 wygrywa wojnę o PM-prototyping. Pokazuję mój workflow: brief → 3 prompty → PR otwarty na repo produkcyjnym, gotowy do review przez engineera. 20 minut, zero handoffu.
Claude in Chrome wszedł niedawno do produkcji i już nadaje się do realnej pracy. Buduję na żywo agenta researchowego: 5 promptów, jeden workflow, wynik to gotowy market map z 20 firmami.
Workshop dla teamów buildujących AI features. Pełen eval framework: dataset construction, LLM-as-judge library, CI integration, alerting. Pokazujemy jak ewoluują evals przez 6 miesięcy produkcji.
Najczęściej zadawane pytanie 2026. Każdy wygrywa w innym scenariuszu: Lovable = full-stack PoC, v0 = production-ready UI, Bolt = quick mocks. Pokazuję ten sam brief w trzech narzędziach, jeden zwycięzca per use case.
Każda firma AI którą podziwiasz — Palantir, OpenAI, Anduril — buduje produkty inaczej. Wysyłają inżynierów w pole żeby zobaczyli software w starciu z rzeczywistością. Efekt: produkty które się przyjmują zamiast leżeć na półce.
Najbardziej zaniedbany skill. PRD nie wystarczy gdy feature jest agentic — potrzebujesz spec na zachowanie: co agent może robić, czego nie, jak eskaluje, kiedy pyta człowieka. Pokazuję template.
Format „mission brief" wystrzelił w 2026. Pokazuję mój generator: o 6:30 dostaję maila z briefem na dzień zsyntetyzowanym z kalendarza, inboxa, Lineara i Slacka. 5 priorytetów, czas zoptymalizowany.
Nowy paradygmat: zamiast ręcznie tagować, ingest pipeline mieli wszystko (maile, Slack, dokumenty, web), Claude robi indeksację po znaczeniu, retrieval przez konwersację. Wszystko w Twoich Notion + Postgres.
Świeża feature Claude. Skills to nie prompts, to małe playbookki z własnym kontekstem. Pokazuję pięć: meeting-summarizer, weekly-review-writer, decision-doc-maker, code-reviewer, message-drafter.
Najprostsza customizacja Claude Code, której nikt nie używa. 10 slash commands z mojej codziennej pracy PM — od /standup-prep po /spec-review. Każdy z zegarmistrzowską precyzją skalibrowany na czas oszczędzony.
Cursor to nowy Notion dla buildersów. Ale PM bez `.cursorrules` to PM który psuje produkcję. Pokazuję 10 reguł które trzymają vibe-coding-PM w ryzach: branch, testy, scope, review.
Wiele systemów wewnątrz firm nie ma API. Claude in Chrome + Playwright robi to co API by robił, tylko klikając. Pokazuję 5 ready playbooków: refund processing, data entry, audit, scraping, QA.
Real production problem. Model się updatuje, dane się zmieniają, prompt który działał miesiąc temu produkuje teraz śmieci. Pokazuję eval suite + alerting który łapie drift zanim usera dostanie złą odpowiedź.
Granola jest hot, integracja z Claude oczywista, ale mało kto ma działający workflow. Pokazuję pipeline: nagranie → transkrypt → 5 akcji w Linear → DM do osób → kalendarz follow-up — w 2 minuty.
Top FUD producycyjnych zespołów. Pokazuję workflow z git hygiene: feature branch + autocommit co AI move + eval-driven merge. PM-i mogą eksperymentować bez paniki w eng-teamie.
Synthetic users brzmią jak magia — natychmiastowy feedback bez rekrutowania. Większość prób produkuje brzmiące rozsądnie bzdury. Złe dane, zły use case, kopiowanie akademickich badań bez tych samych warunków. Po 30+ syntetycznych eksperymentach pokażę co musisz wiedzieć.