A Day in the Life: How UX and PMs Are Actually Using (or Should Use) LLMs

Jest 8:45. Sarah, senior product designer w firmie fintech, otwiera laptopa i staje przed znajomym problemem: 87 nieprzeczytanych komentarzy z wczorajszego testu użyteczności. Przed erą LLM-ów spędziłaby cały poranek na ręcznym kategoryzowaniu opinii. Dziś wkleja komentarze do LLM-a z konkretnym promptem, który dopracowywała przez miesiące: "Przeanalizuj te komentarze użytkowników. Pogrupuj według funkcji, sentymentu i wagi problemu. Znajdź wzorce i ustal priorytety."

Minutę później ma uporządkowaną analizę z wyróżnionymi najważniejszymi problemami. Szybko konfrontuje ocenę AI z własnym doświadczeniem, nanosi kilka poprawek i rusza dalej - oszczędzając niemal dwie godziny.

To nie hipotetyczna przyszłość. Tak specjaliści UX i product managerowie pracują już teraz. Przejdźmy przez typowy dzień, by zobaczyć dokładnie, jak korzystają z LLM-ów jako praktycznych narzędzi w 2025 roku.

Rano: od zalewu danych do konkretnych wniosków

Synteza badań użytkowników

Przed LLM-ami: Kimberly w Shopify poświęcała 60% czasu na badania, ręcznie transkrybując i tagując nagrania z wywiadów.

Z LLM-ami: Wgrywa nagrania do Rewind AI, które je transkrybuje i wykrywa kluczowe motywy. Następnie pisze prompt: "Podsumuj te wywiady z użytkownikami, wyróżniając niespodziewane bolączki oraz dosadne cytaty, które je ilustrują." Efektem jest wstępna wersja analizy, która uchwyca 80% wniosków - Kimberly ją dopracowuje, zamiast tworzyć od zera.

Wskazówka: Kimberly dodaje konkretne instrukcje co do tego, co w jej organizacji liczy się jako "bolączka", dzięki czemu LLM nie wyciąga jedynie ogólnych narzekań.

Przyspieszenie analizy konkurencji

Przed LLM-ami: Mark w Adobe śledził konkurencję, ręcznie testując ich produkty i tworząc szczegółowe arkusze porównawcze - proces, który zajmował całe dni.

Z LLM-ami: Robi zrzuty ekranu funkcji konkurencji i pyta: "Porównaj ten proces płatności z naszą obecną implementacją. Wskaż wzorce UX, których oni używają, a my nie, i oceń, czy rozwiązałyby konkretne problemy naszych użytkowników." LLM wychwytuje wzorce, które zespół przeoczył, skupiając się zbyt wąsko na własnym rozwiązaniu.

Wskazówka: Mark dołącza listę znanych problemów UX swojego produktu, by analiza odnosiła się do jego konkretnych wyzwań, a nie tylko ogólnych obserwacji.

Południe: komunikacja i tworzenie treści

UX writing na dużą skalę

Przed LLM-ami: Jamie w Intuit miała trudności ze spójnym pisaniem komunikatów o błędach i mikrotekstów w setkach scenariuszy ich oprogramowania podatkowego.

Z LLM-ami: Stworzyła rozbudowany szablon promptu, który zawiera wytyczne dotyczące tonu marki, limity znaków i wymogi regulacyjne. Dla każdego scenariusza pyta: "Napisz 5 wariantów komunikatu o błędzie na sytuację, gdy użytkownik [konkretny stan błędu], zgodnych z naszymi wytycznymi i przepisami." Następnie wybiera i redaguje najlepszą opcję.

Dokumentowanie uzasadnienia projektowego

Przed LLM-ami: Tłumaczenie decyzji projektowych interesariuszom wymagało od Carlosa w Twilio tworzenia obszernych prezentacji, często do późnych godzin wieczornych.

Z LLM-ami: Pisze prompt: "Pomóż mi wyartykułować uzasadnienie tego projektu systemu powiadomień, skupiając się na tym, jak odpowiada on na wnioski z badań użytkowników dotyczące zmęczenia alertami." LLM tworzy uporządkowane wyjaśnienie, które Carlos dopracowuje i włącza do swoich prezentacji.

Kluczowa technika: Carlos dołącza do promptów konkretne dane z badań, dzięki czemu LLM opiera rozumowanie na rzeczywistych potrzebach użytkowników, a nie na ogólnych zasadach projektowych.

Popołudnie: pomysły i rozwiązywanie problemów

Przełamywanie fiksacji projektowej

Przed LLM-ami: Warsztaty projektowe w Airbnb często rodziły podobne pomysły, a zespoły wracały do znanych schematów.

Z LLM-ami: Elena, prowadząca warsztaty, pyta: "Na potrzeby naszego wyzwania z onboardingiem gospodarzy wygeneruj 12 koncepcji rozwiązań inspirowanych różnymi dziedzinami: ochroną zdrowia, gamingiem, edukacją i handlem detalicznym." Zespół traktuje je jako prowokacje, nie gotowe rozwiązania, co prowadzi do 40% wzrostu liczby unikalnych podejść.

Kluczowa technika: Elena celowo prosi o rozwiązania, które przeczą obecnym założeniom: "Co, jeśli nasze obecne podejście jest całkowicie błędne? Wygeneruj alternatywy, które podważają nasze podstawowe założenia."

Identyfikacja przypadków brzegowych

Przed LLM-ami: Product Manager Raj w Uber miał trudności z przewidzeniem wszystkich sposobów, na jakie użytkownicy mogą wchodzić w interakcje z nowymi funkcjami, co prowadziło do problemów po premierze.

Z LLM-ami: Przed finalizacją wymagań pisze prompt: "Wskaż 20 przypadków brzegowych dla naszej nowej funkcji płatności grupowych, uwzględniając różne konteksty użytkowników, ograniczenia techniczne i dynamikę społeczną." LLM ujawnia scenariusze, których zespół nie wziął pod uwagę - na przykład co się dzieje, gdy członek grupy prosi o zwrot pieniędzy po tym, jak inni już zapłacili.

Koniec dnia: planowanie i dokumentacja

Asystent planowania badań

Przed LLM-ami: Planowanie badań zajmowało Jessice w LinkedIn kilka dni na researchu metodologii i przygotowaniach.

Z LLM-ami: Opisuje swoje pytania badawcze i ograniczenia, a następnie pyta: "Zaproponuj trzy możliwe metodologie dla tego badania, z plusami i minusami każdej z nich, harmonogramem oraz kryteriami rekrutacji uczestników." Daje jej to uporządkowany punkt wyjścia, który dopracowuje swoją wiedzą.

Wskazówka: Jessica dodaje informacje o konkretnych decyzjach biznesowych, na które wpłyną wyniki badania, co pomaga LLM-owi dobrać metodologię tak, by przynosiły najtrafniejsze wnioski.

Konfrontacja z rzeczywistością: gdzie LLM-y zawodzą

Specjaliści UX i PM-owie nauczyli się, gdzie polegać na LLM-ach, a gdzie ludzka wiedza pozostaje niezbędna:

Czego UX-owcy i PM-owie nie powierzają LLM-om

Ostatecznych decyzji: nawet najbardziej zaawansowani użytkownicy korzystają z LLM-ów do generowania opcji i analizy, ale nigdy nie oddają im samych decyzji.
Subtelnej empatii wobec użytkownika: projektanci w Microsoft uznali LLM-y za świetne w analizie wzorców, ale słabe w prawdziwym rozumieniu emocjonalnego kontekstu zachowań użytkowników.
Opinii o projektach wizualnych: choć przydatne do generowania pomysłów, specjaliści tacy jak Alex w Figmie stwierdzili, że LLM-y dają ogólny, czasem sprzeczny feedback na temat projektów wizualnych.
Przewidywania zachowań użytkowników: product managerowie w Netflix zauważyli, że choć LLM-y potrafią analizować przeszłe zachowania, nie radzą sobie lepiej niż ludzie w przewidywaniu, jak użytkownicy zareagują na całkowicie nowe doświadczenia.

Praktyczne wdrożenie: zaczynaj od małego

Najskuteczniejsi specjaliści nie przeobrazili całego swojego workflow z dnia na dzień. Zaczęli od konkretnych bolączek:

Zacznij od powtarzalnych zadań pisarskich: komunikaty o błędach, etykiety przycisków i prosta dokumentacja dają natychmiastowy zwrot z inwestycji.
Stwórz własną bibliotekę promptów: skuteczni specjaliści UX prowadzą dokumenty ze sprawdzonymi promptami do różnych sytuacji i z czasem je doskonalą.
Wdróż podejście "pierwszej wersji": użyj LLM-a do stworzenia uporządkowanego punktu wyjścia, a potem dopracuj go własną wiedzą.
Mierz oszczędność czasu: licz zaoszczędzone godziny, by ustalić, które zadania najbardziej zyskują na wsparciu LLM-a.

Kwestie etyczne w codziennej praktyce

Wiodące organizacje wypracowały praktyczne wytyczne dotyczące odpowiedzialnego korzystania z LLM-ów:

Przejrzystość autorstwa: dzieląc się pracą wspartą LLM-em, specjaliści w Google jasno zaznaczają, które części wygenerowała AI i jak zostały dopracowane.
Sprawdzanie uprzedzeń: zespół UX w HubSpot prowadzi regularne audyty, w których analizuje, czy projekty wspierane LLM-em nie wykazują wzorców wykluczania określonych grup użytkowników.
Granice kompetencji: zespoły w Salesforce stosują prostą zasadę: im bardziej specjalistyczna wiedza jest wymagana, tym większy nadzór człowieka jest potrzebny nad wynikami LLM-a.

Przyszłość jest wspomagana, nie zautomatyzowana

Najbardziej uderzający wniosek dzisiejszych specjalistów UX i PM-ów nie jest taki, że LLM-y zastępują ich pracę - chodzi o to, że LLM-y eliminują małowartościowe zadania, które wcześniej powstrzymywały ich od wykonywania najlepszej pracy.

Jak ujęła to Sarah z naszego początkowego przykładu: "Wciąż wykonuję tę samą pracę, podejmuję te same decyzje. Ale teraz 80% czasu poświęcam na trudne części wymagające mojej wiedzy, a nie na pracę administracyjną, która kiedyś pochłaniała większość mojego dnia."

W 2025 roku przewaga konkurencyjna to nie sam dostęp do LLM-ów - to wiedza o tym, jak dokładnie wpleść je w swój workflow, by wzmocnić unikalne, ludzkie zdolności. Specjaliści, którzy to rozgryźli, nie są jedynie bardziej wydajni. Tworzą lepszą pracę, kierując swoją energię umysłową tam, gdzie ma ona największe znaczenie.

It's 8:45 AM. Sarah, a senior product designer at a fintech company, opens her laptop and faces a familiar problem: 87 unread comments from yesterday's usability test. Before LLM, she'd spend the entire morning manually categorizing feedback. Today, she pastes the comments into LLM with a specific prompt she's refined over months: "Analyze these user comments. Group by feature, sentiment, and severity. Identify patterns and prioritize issues."

One minute later, she has an organized analysis with the top issues highlighted. She quickly validates the AI's assessment against her own experience, makes a few adjustments, and moves on - saving nearly two hours.

This isn't a hypothetical future. It's how UX professionals and product managers are working right now. Let's walk through a typical day to see exactly how they're using LLMs as practical tools in 2025.

Morning: From Data Overload to Actionable Insights

User Research Synthesis

Before LLMs: Kimberly at Shopify spent 60% of her research time manually transcribing and tagging interview recordings.

With LLMs: She uploads recordings to Rewind AI, which transcribes them and identifies key themes. She then prompts, "Summarize these user interviews, highlighting unexpected pain points and direct quotes that illustrate them." The result is a first-draft analysis that captures 80% of insights, which she refines rather than creates from scratch.

Tip: Kimberly includes specific instructions about what counts as a "pain point" in her organization, ensuring the LLM doesn't just surface general complaints.

Competitive Analysis Acceleration

Before LLMs: Mark at Adobe tracked competitors by manually testing their products and creating detailed comparison spreadsheets - a process that took days.

With LLMs: He creates screenshots of competitor features and asks, "Compare this checkout flow against our current implementation. Identify UX patterns they're using that we aren't, and evaluate whether they would address our specific user problems." The LLM spots patterns his team missed by focusing too narrowly on their own solution.

Tip: Mark provides a list of his product's known UX issues to ensure the analysis is relevant to his specific challenges, not just generic observations.

Midday: Communication & Content Creation

UX Writing at Scale

Before LLMs: Jamie at Intuit struggled to write consistent error messages and microcopy across hundreds of scenarios in their tax software.

With LLMs: She created a comprehensive prompt template that includes their brand voice guidelines, character count limits, and regulatory requirements. For each scenario, she asks, "Write 5 variations of error messages for when a user [specific error condition] that comply with our guidelines and regulations." She then selects and edits the best option.

Design Rationale Documentation

Before LLMs: Explaining design decisions to stakeholders required Carlos at Twilio to create lengthy slide decks, often working late into the evening.

With LLMs: He prompts, "Help me articulate the rationale behind this notification system design, focusing on how it addresses our user research findings about alert fatigue." The LLM produces a structured explanation he refines and incorporates into his presentations.

Key technique: Carlos attaches specific research data points to his prompts, ensuring the LLM grounds its reasoning in actual user needs rather than general design principles.

Afternoon: Ideation & Problem-Solving

Breaking Design Fixation

Before LLMs: Design workshops at Airbnb often produced similar ideas, with teams falling back on familiar patterns.

With LLMs: Workshop facilitator Elena asks, "For our host onboarding challenge, generate 12 solution concepts inspired by different domains: healthcare, gaming, education, and retail." The team uses these as provocations, not solutions, leading to a 40% increase in unique approaches.

Key technique: Elena specifically asks for solutions that contradict current assumptions: "What if our current approach is completely wrong? Generate alternatives that challenge our core premises."

Edge Case Identification

Before LLMs: Product Manager Raj at Uber struggled to anticipate all the ways users might interact with new features, leading to post-launch issues.

With LLMs: Before finalizing requirements, he prompts, "Identify 20 edge cases for our new group payment feature, considering different user contexts, technical limitations, and social dynamics." The LLM surfaces scenarios his team hadn't considered, like what happens when a group member requests a refund after others have already paid.

End of Day: Planning & Documentation

Research Planning Assistant

Before LLMs: Planning research studies took Jessica at LinkedIn several days of methodology research and preparation.

With LLMs: She describes her research questions and constraints, then asks, "Recommend three possible methodologies for this study, with pros and cons of each, a timeline, and participant screening criteria." This gives her a structured starting point she refines with her expertise.

Tip: Jessica includes the specific business decisions this research will inform, helping the LLM tailor methodologies to produce the most relevant insights.

The Reality Check: Where LLMs Fall Short

UX professionals and PMs have learned where to rely on LLMs and where human expertise remains essential:

What UX/PMs Don't Trust LLMs With

Final decisions: Even the most sophisticated users use LLMs for options generation and analysis, but never delegate actual decisions.
Nuanced user empathy: Designers at Microsoft found LLMs excellent at analyzing patterns but poor at truly understanding the emotional context behind user behavior.
Visual design feedback: While useful for generating ideas, professionals like Alex at Figma found LLMs gave generic, sometimes contradictory feedback on visual designs.
Predicting user behavior: Product managers at Netflix observed that while LLMs could analyze past behavior, they were no better than humans at predicting how users would react to truly novel experiences.

Practical Integration: Starting Small

The most successful professionals didn't transform their entire workflow overnight. They started with specific pain points:

Begin with repetitive writing tasks: Error messages, button labels, and simple documentation provide immediate ROI.
Create a personal prompt library: Successful UX professionals maintain documents with proven prompts for different scenarios, refining them over time.
Implement the "first draft" approach: Use the LLM to create a structured starting point, then apply your expertise to refine it.
Track time savings: Measure hours saved to identify which tasks benefit most from LLM assistance.

Ethical Considerations in Daily Practice

Leading organizations have established practical guidelines for responsible LLM use:

Credit transparency: When sharing LLM-assisted work, professionals at Google explicitly note which parts were AI-generated and how they were refined.
Bias checking: HubSpot's UX team runs regular audits where they analyze whether LLM-assisted designs show patterns of exclusion for certain user groups.
Expertise boundaries: Teams at Salesforce use a simple rule: the more specialized the knowledge required, the more human oversight is needed for LLM outputs.

The Future is Augmented, Not Automated

The most striking insight from today's UX professionals and PMs isn't that LLMs are replacing their work - it's that LLMs are eliminating the low-value tasks that previously prevented them from doing their best work.

As Sarah from our opening example put it: "I'm still doing the same job, making the same decisions. But now I spend 80% of my time on the challenging parts that require my expertise, rather than the administrative work that used to consume most of my day."

In 2025, the competitive advantage isn't just having access to LLMs - it's knowing exactly how to integrate them into your workflow to amplify your unique human capabilities. The professionals who have figured this out aren't just more efficient. They're producing better work by focusing their mental energy where it matters most.