Lihat bagaimana AI mengubah catatan kasar menjadi pernyataan masalah yang jelas, wawasan pengguna, fitur yang diprioritaskan, serta spesifikasi, roadmap, dan prototipe siap dibangun.
Sebagian besar pekerjaan produk tidak dimulai dengan brief rapi. Ia dimulai sebagai “ide berantakan”: halaman Notion penuh kalimat setengah jadi, thread Slack di mana tiga masalah berbeda bercampur, catatan rapat dengan action item tapi tanpa pemilik, screenshot fitur pesaing, memo suara yang direkam dalam perjalanan pulang, dan backlog “quick wins” yang tak ada yang bisa jelaskan lagi.
Kekacauan itu bukan masalahnya. Kemandekan terjadi ketika kekacauan itu menjadi rencana.
Saat ide tetap tidak terstruktur, tim menghabiskan waktu untuk memutuskan ulang hal yang sama: apa yang sedang Anda bangun, siapa yang menjadi target, bagaimana bentuk keberhasilan, dan apa yang tidak Anda lakukan. Itu menyebabkan siklus lambat, tiket yang samar, pemangku kepentingan tidak selaras, dan penulisan ulang yang bisa dihindari.
Sedikit struktur mengubah laju kerja:
AI bagus untuk mengubah input mentah menjadi sesuatu yang bisa Anda kerjakan: meringkas thread panjang, mengekstrak poin kunci, mengelompokkan ide serupa, menyusun pernyataan masalah, dan mengusulkan user stories awal.
AI tidak bisa menggantikan penilaian produk. Ia tidak akan mengetahui strategi Anda, batasan, atau apa yang benar-benar dihargai pelanggan kecuali Anda memberi konteks—dan Anda tetap harus memvalidasi hasilnya dengan pengguna nyata dan data.
Bukan prompt-ajaib. Hanya langkah yang bisa diulang untuk bergerak dari input tersebar menjadi masalah yang jelas, opsi, prioritas, dan rencana yang bisa dikirim—menggunakan AI untuk mengurangi pekerjaan sibuk sementara tim Anda fokus pada pengambilan keputusan.
Sebagian besar kegagalan pekerjaan produk bukan karena idenya jelek—melainkan bukti tersebar. Sebelum Anda meminta AI meringkas atau memprioritaskan, Anda perlu aliran input yang bersih dan lengkap.
Tarik bahan mentah dari rapat, tiket support, panggilan sales, dokumen internal, email, dan thread chat. Jika tim Anda sudah memakai alat seperti Zendesk, Intercom, HubSpot, Notion, atau Google Docs, mulailah dengan mengekspor atau menyalin cuplikan relevan ke satu workspace (dokumen tunggal, database, atau papan gaya inbox).
Gunakan metode yang cocok dengan momennya:
AI juga membantu di sini: bisa mentranskripsikan panggilan, membersihkan tanda baca, dan menstandarkan format—tanpa menulis ulang makna.
Saat menambahkan item, lampirkan label ringan:
Simpan asli (kutipan verbatim, screenshot, link tiket) berdampingan dengan catatan Anda. Hapus duplikat yang jelas, tapi jangan terlalu mengedit. Tujuannya adalah satu workspace tepercaya yang dapat direferensi alat AI Anda nanti tanpa kehilangan asal-usulnya.
Setelah Anda menangkap input mentah (catatan, thread Slack, transkrip panggilan, survei), risiko selanjutnya adalah “membaca ulang tanpa akhir.” AI membantu Anda memampatkan volume tanpa kehilangan yang penting—lalu mengelompokkan sinyal menjadi beberapa ember jelas yang bisa ditindaklanjuti tim.
Mulailah dengan meminta AI menghasilkan brief satu halaman per sumber: konteks, temuan utama, dan kutipan langsung yang layak disimpan.
Pola yang berguna: “Ringkas ini menjadi: tujuan, masalah, hasil yang diinginkan, kendala, dan kutipan verbatim (maks 8). Pertahankan ketidakjelasan.” Baris terakhir mencegah AI seolah-olah semuanya jelas.
Selanjutnya, gabungkan beberapa brief dan minta AI untuk:
Di sinilah umpan balik tersebar berubah menjadi peta, bukan tumpukan.
Minta AI menulis ulang tema menjadi pernyataan berbentuk masalah, dipisahkan dari solusi:
Daftar masalah yang bersih membuat langkah berikutnya—perjalanan pengguna, opsi solusi, dan prioritisasi—jauh lebih mudah.
Tim sering terhenti ketika kata yang sama berarti hal berbeda (“account,” “workspace,” “seat,” “project”). Minta AI mengusulkan glosarium dari catatan Anda: istilah, definisi bahasa biasa, dan contoh.
Simpan glosarium ini dalam dokumen kerja Anda dan tautkan dari artefak berikutnya (PRD, roadmap) supaya keputusan tetap konsisten.
Setelah Anda mengelompokkan catatan mentah menjadi tema, langkah berikutnya adalah mengubah setiap tema menjadi pernyataan masalah yang bisa disepakati. AI membantu dengan menulis ulang gagasan samar yang berbentuk solusi (“tambah dashboard”) menjadi bahasa pengguna-dan-hasil (“orang tidak bisa melihat kemajuan tanpa mengekspor data”).
Gunakan AI untuk membuat beberapa opsi, lalu pilih yang paling jelas:
Untuk [siapa], [pekerjaan] sulit karena [hambatan saat ini], yang menyebabkan [dampak].
Contoh: Untuk pemimpin tim, melacak beban kerja mingguan sulit karena data tersebar di tiga alat, yang menyebabkan serah terima yang terlewat dan lembur.
Minta AI mengusulkan metrik, lalu pilih yang benar-benar bisa Anda lacak:
Pernyataan masalah gagal ketika keyakinan tersembunyi menyelinap. Minta AI mencantumkan asumsi yang mungkin (mis., pengguna punya akses data konsisten), risiko (mis., integrasi tidak lengkap), dan ketidakjelasan yang harus divalidasi di discovery.
Terakhir, tambahkan daftar singkat “tidak dalam ruang lingkup” supaya tim tidak melenceng (mis., “tidak mendesain ulang seluruh area admin,” “tidak ada model penagihan baru,” “tidak ada aplikasi mobile pada fase ini”). Ini menjaga masalah tetap tajam—dan menyiapkan langkah selanjutnya dengan rapi.
Jika ide Anda terasa bercampur, seringkali karena Anda mencampur siapa yang menjadi target, apa yang mereka coba capai, dan di mana rasa sakit itu terjadi. AI membantu memisahkan benang-benang itu dengan cepat—tanpa menciptakan pelanggan fantasi.
Mulailah dari apa yang sudah Anda punya: tiket support, catatan panggilan sales, wawancara pengguna, ulasan aplikasi, dan umpan balik internal. Minta AI menyusun 2–4 “persona ringan” yang mencerminkan pola dalam data (tujuan, kendala, kosakata), bukan stereotip.
Prompt yang baik: “Berdasarkan 25 catatan ini, ringkas 3 tipe pengguna teratas. Untuk masing-masing: tujuan utama, kendala terbesar, dan apa yang memicu mereka mencari solusi.”
Persona menjelaskan siapa; JTBD menjelaskan kenapa. Minta AI mengusulkan pernyataan JTBD, lalu sunting agar terdengar seperti yang akan diucapkan orang nyata.
Contoh format:
Ketika [situasi], saya ingin [pekerjaan], sehingga saya bisa [hasil].
Minta AI menghasilkan beberapa versi per persona dan sorot perbedaan pada hasil (kecepatan, kepastian, biaya, kepatuhan, usaha).
Buat satu halaman perjalanan yang fokus pada perilaku, bukan layar:
Lalu minta AI mengidentifikasi titik gesekan (kebingungan, penundaan, serah terima, risiko) dan momen nilai (legaan, kepercayaan, kecepatan, visibilitas). Ini memberi gambaran nyata di mana produk Anda benar-benar bisa membantu—dan di mana sebaiknya tidak mencoba.
Masukan yang berantakan menjadi masalah ketika diperlakukan sebagai rencana. Tanpa struktur, tim terus memperdebatkan hal-hal dasar (siapa yang menjadi target, apa keberhasilan, apa yang masuk/keluar), yang menghasilkan tiket yang samar, ketidakselarasan, dan pengerjaan ulang.
Sedikit struktur mengubah “tumpukan catatan” menjadi:
Mulailah dengan memusatkan bahan mentah ke dalam satu workspace (dokumen tunggal, database, atau papan inbox) tanpa mengedit berlebihan.
Daftar tangkapan minimal:
Simpan asli di dekatnya (screenshot, link tiket) supaya ringkasan AI tetap dapat ditelusuri.
Minta ringkasan terstruktur dan paksa model menjaga ketidakpastian.
Contoh pola instruksi:
Gabungkan beberapa brief sumber, lalu minta AI untuk:
Output praktisnya adalah tabel tema singkat: nama tema, deskripsi, bukti pendukung, dan pertanyaan terbuka. Itu menjadi peta kerja Anda daripada harus membaca ulang semuanya.
Ubah setiap tema menjadi pernyataan berbentuk masalah sebelum membahas solusi.
Template:
Lalu tambahkan:
Gunakan input nyata (tiket, panggilan, wawancara) untuk membuat 2–4 persona ringan, lalu nyatakan motivasi mereka sebagai Jobs To Be Done.
Format JTBD:
Ketika [situasi], saya ingin [pekerjaan], sehingga saya bisa [hasil].
Akhirnya, petakan perjalanan sederhana (sebelum/selama/sesudah) dan tandai:
Hasilkan beberapa pendekatan berbeda terlebih dulu untuk menghindari terjebak pada satu fitur.
Minta AI 3–6 opsi yang berbeda di berbagai tuas, seperti:
Kemudian paksa trade-off dengan prompt seperti: “Apa yang kita lakukan jika tidak bisa membangun X?” dan “Berikan satu opsi yang menghindari infrastruktur baru.”
Mulailah dengan Fitur → kemampuan → potongan tipis sehingga pekerjaan bisa dikirim secara bertahap.
Lalu minta AI untuk merancang:
Pertahankan user story berfokus pada hasil dan hindari menyematkan detail implementasi kecuali tim membutuhkannya untuk kelayakan.
Definisikan kriteria penilaian yang dipahami semua orang (mis., Dampak, Upaya, Keyakinan, Risiko) dengan satu kalimat tiap kriteria.
Gunakan AI untuk menyusun tabel skor dari backlog dan catatan discovery Anda, tetapi anggap itu sebagai titik awal. Lalu:
Gunakan AI untuk draf pertama, tapi lakukan gerbang kualitas dan privasi singkat sebelum membagikan atau mengikatkan keputusan.
Pemeriksaan kualitas:
Dasar privasi:
Baris terakhir mencegah “halusinasi percaya diri” dari model menjadi kebenaran yang diasumsikan.
