Læs transskriptionen:
Vi prøver at transskribere vores podcasts ved hjælp af et softwareprogram. Bær over med eventuelle slåfejl, da botten ikke er korrekt 100 % af tiden.
Hannah Clark: Bare så du er advaret: Dette bliver endnu en episode om AI. Jeg formoder, at der lige nu er to grupper af lyttere; folk, der hungrer efter information om alt, der har med AI at gøre, og folk, der tænker: »AI? Mere som A, jeg har hørt nok om det her.« Og hvis du stadig lytter efter den frygtelige ordvits, går jeg ud fra, at du tilhører den første gruppe—hvilket betyder, at du måske er den perfekte kandidat til at specialisere dig i AI-produktledelse.
I dag har jeg igen besøg af dr. Nancy Li, som ud over at være en helt utrolig stærk profil er grundlægger af Product Manager Accelerator, vært på Product Insider Podcast, omtalt i Forbes og desuden veteran inden for AI-produktledelse. Dr. Li har haft et helt unikt perspektiv på både AI-produktområdet og karrierelandskabet inden for produktledelse gennem de seneste år. Derfor er hun her for at dele insiderinformation om, hvordan du kan omsætte din fascination af AI til et karriereskift, der kan ændre dit liv. Lad os komme i gang.
Velkommen tilbage til The CPO Club-podcasten. Dr. Nancy, tusind tak, fordi du vil være med igen i dag.
Nancy Li: Tak, fordi du inviterede mig med i programmet. Jeg havde det virkelig sjovt, da vi optog de episoder sidst, så jeg er glad for at være tilbage og dele flere AI-indsigter.
Hannah Clark: Ja, helt sikkert.
For dem, der ikke hørte dig sidst, kan du så give os en kort opsummering af din baggrund og fortælle, hvordan du endte, hvor du er i dag?
Nancy Li: Ja, selvfølgelig. Hej allesammen, jeg er dr. Nancy Li, direktør for produktledelse og omtalt i Forbes. Jeg har hjulpet tusindvis af mennesker med at få deres drømmejob inden for produktledelse i førende virksomheder og enhjørningsstartups, og jeg hjælper dem fortsat med at blive forfremmet som produktledere. I dag driver jeg min egen virksomhed, PM Accelerator, som hjælper mennesker med at udvikle deres karriere inden for produktledelse. Jeg har også min egen podcast, som hedder Product Insider. Her har vi produktledere med, blandt andre vicepræsidenter for produkt fra Google, og vi fortæller dig alt om hemmelighederne bag at bygge succesfulde produkter.
Jeg er selv immigrant og flyttede til USA med 800 dollars på lommen. Fire år senere blev jeg direktør for produktledelse. Mit mål er virkelig at bringe undervisning i produktledelse, særligt iværksætterorienteret undervisning, ud til mennesker fra middelindkomstfamilier. Derfor har jeg delt masser af gratis ressourcer og hemmeligheder på YouTube.
Min YouTube-kanal har nu over 1 million visninger. Sidste år var vi også så heldige at starte vores egen nonprofitorganisation, PMA Kids, som tilbyder gratis undervisning i produktledelse til børn fra lavindkomstfamilier. Så jeg er meget glad for at se, at mennesker udvikler sig sammen med mig og opnår personlig vækst.
Fællesskabet er også vokset til over 100.000 produktchefer gennem al min kontakt på sociale medier.
Hannah Clark: Det er et virkelig imponerende cv. Og som prikken over i’et har du også bygget et meget succesfuldt og prisvindende AI-produkt, har du ikke?
Nancy Li: Jo.
Hannah Clark: Kan du fortælle lidt om det?
Nancy Li: Ja, helt sikkert. Det var før, AI blev meget populært.
Det produkt, jeg byggede, hedder Smart Cities. Det bruger AI, især maskinsyn, til at reducere bilulykker. Mere specifikt blev produktet udviklet i 2016, hvor der var en meget kendt bevægelse i forskellige byer, som hedder Vision Zero. Målet var at reducere antallet af trafikdræbte til nul.
Derfor kaldte jeg det Vision Zero. På det tidspunkt prøvede vi blot at finde ud af, hvordan vi kunne hjælpe byerne med at reducere bilulykker på en mere effektiv og skalerbar måde. Dengang var der ingen, der sagde, at man skulle bruge AI. Vi kiggede bare på forskellige teknologier for at finde ud af, om det måske skulle være AI, IoT eller dataanalyse.
Jeg vidste det ikke. Til sidst besluttede vi at bruge AI som en af de vigtigste teknologier til at skabe produktet, og det modtog senere borgmesterens pris for bedste praksis. Det blev hurtigt implementeret i omkring de ti største byer i USA. Jeg er meget glad for at se, hvordan AI allerede dengang ændrede menneskers liv, før det blev så hypet, som det er i dag.
Hannah Clark: Det er en perfekt overgang til, hvordan AI ændrer menneskers liv i dag, nemlig gennem specialisering i AI-produktledelse. Lad os begynde med dette: Hvilke konkrete fordele kan produktchefer forvente, hvis de satser på AI som specialisering?
Nancy Li: Det er et godt spørgsmål.
AI som specialisering åbner helt klart mange nye døre for nuværende produktchefer og for alle, der gerne vil ind i produktledelse. For eksempel er én fordel uden tvivl en højere løn. AI-produktchefer får generelt omkring 10-20 % mere i løn end den gennemsnitlige produktchef.
For det andet giver det dig et karriereløft. Jeg har for eksempel en studerende, som kom ind hos Amazon som produktchef for generativ AI. Hun løftede bogstaveligt talt sin karriere til næste niveau. Hun kom ikke bare ind i en førende virksomhed; hun var også i stand til at bygge et meget betydningsfuldt produkt for Amazon, som mange mennesker kan bruge.
Den tredje fordel er, hvor meget det kan fremskynde din vej ind i produktledelse. Jeg har for eksempel studerende, der beslutter sig for at specialisere sig i AI. Når de tilføjer mange AI-nøgleord og arbejder med forskellige slags AI-produkter som projekter på deres cv, får de bogstaveligt talt langt flere muligheder for jobsamtaler end andre kandidater.
Det skyldes, at alle virksomheder nu vil have AI på deres køreplan. Vi kan senere diskutere, om de bør gøre det eller ej, men det er den aktuelle tendens, og den hjælper dem helt klart videre. Der er også en meget interessant sammenligning, som svarer lidt til et amerikansk udtryk: Det er som at skyde fisk i en tønde.
Hvis du går ind i AI-området nu, føles det som at skyde fisk i en tønde, fordi AI i løbet af de næste fem år, måske ti eller endda kun to år, virkelig kan »lette«. Uanset om du udfører et okay stykke arbejde—forhåbentlig udfører du fremragende arbejde—så lad os sige, at du leverer middelmådigt arbejde på området. Hele området letter som et raketskib.
Du sidder med på raketskibet. Det er derfor, din karriere helt sikkert kommer til at vokse sammen med hele området. Jeg anbefaler virkelig alle at undersøge AI som deres næste karriereskridt.
Hannah Clark: Vil du tage os gennem livscyklussen for en AI-produktchef?
Nancy Li: Ja, meget gerne. Jeg vil også bruge mit eget produkt som eksempel.
Mere specifikt består livscyklussen for AI-produktledelse af fire trin. Det første er idéudvikling og at forstå, om AI faktisk kan løse problemet eller ej. Det andet trin er at forstå, hvilken dataindsamling der er nødvendig, og hvor vi finder dataene, fordi data er et nyt fagområde i den nye AI-æra. Det tredje er at bygge en MVP, og det fjerde er at lancere produktet. Lad mig nu bruge et eksempel fra det virkelige liv og vise jer, hvordan man ved hjælp af denne ramme kan bygge et fremragende og i mit tilfælde prisvindende AI-produkt.
Det første trin er virkelig at forstå, om kunderne har et problem, eller om vi bruger AI til at skabe et problem for kunderne. Det er en form for omvendt konstruktion. Derfor er det vigtigere at foretage en meget grundig evaluering af markedet. Forstå, hvilke problemer AI faktisk kan løse, og hvilke problemer AI ikke kan løse. Lad mig give et konkret eksempel. Det er et casestudie, jeg lavede i PM Accelerator sammen med mine studerende.
Vi lavede en brainstorm. Hvis du for eksempel var administrerende direktør for Delta, hvad ville du så gøre i løbet af de næste ti år? Mine studerende, inklusive mig selv, sagde selvfølgelig: »Hey, måske kan du gøre noget med AI.« Men den konkrete AI-løsning, som en af mine studerende udviklede i undervisningen, var at bruge AI til flynavigation.
Jeg sagde: »Nej, det er den forkerte anvendelse.« AI i dag, især generativ AI og mange andre former for AI, har en sandsynlighed for at fejle—lad os sige 1 % eller 0,001 %. Hvis den fejler, kan mennesker dø, fordi det handler om flynavigation. Det er for stor en risiko at tage med det samme i en sikkerhedskritisk kontrolanvendelse.
Derfor skal vi lave meget grundig research for at forstå, om vi virkelig har brug for løsningen, og hvordan AI faktisk kan forbedre anvendelsen markant. Da jeg byggede mit eget Smart City-produkt, som jeg nævnte tidligere, var det i 2016, og der var ikke noget pres for at bruge AI. Ingen tænkte engang på AI. Vi lavede bare ægte kundeundersøgelser. Derefter fandt vi ud af, at AI var den bedste metode og det bedste værktøj at bruge. Derfor skal man helt sikkert starte med en masse research.
Den anden fase i livscyklussen for produktledelse af et AI-produkt er dataindsamling og træning af en datamodel. Data er et nyt område inden for AI. Det er derfor, virksomheder som Scale AI er så populære i dag, og hvorfor mange forskellige virksomheder og startups er blevet grundlagt i denne AI-æra.
Når du træner en model, er det derfor vigtigt at finde den rigtige type data. Nogle gange kan du bruge andre menneskers eksisterende modeller. Der findes for eksempel mange gode AI-modeller, blandt andet ChatGPT. Der findes også mange andre typer AI-modeller.
Gemini har sine egne, og Anthropic har sine egne AI-modeller. Der findes rigtig, rigtig mange AI-modeller. Du skal derfor beslutte, hvad din beslutningsproces er, hvis du vil bruge en eksisterende datamodel. Hvilken er bedst? Måske kan du integrere via et API. Hvis du gør det, hvor meget kommer det så til at koste dig at køre direkte oven på en andens model? Måske kan du bruge nogle af modellerne fra andre og bygge noget mindre oven på dem for at reducere dine samlede omkostninger.
Der findes altså mange forskellige beslutninger omkring modeltræning, dataindsamling og brug af eksisterende modeller. Den tredje del er at bygge en MVP. Det er forholdsvis ligetil at bygge en MVP for AI-produkter og meget lig den traditionelle produktledelse. Når du bygger en MVP, skal du teste den på markedet, men noget særligt ved AI-produktledelse er, at vi skal tænke på sikkerhed og tillid. Ikke alle ønsker at tage AI i brug, og alle mulige former for skævheder kan ende i AI-systemer. AI-styring skal derfor indgå i overvejelserne, når du bygger disse produkter.
Ideelt set skal du tage højde for dette så tidligt som muligt i produktudviklingens livscyklus. Da vi byggede vores Smart Cities-produkt, var måden, vi byggede vores MVP på, meget interessant. Vi arbejdede med én by, Boston, og målet var at bruge maskinsyn til at reducere bilulykker. Da vi byggede vores MVP, var det dog meget svært at kontrollere og træne vores datamodel ved hjælp af begrænsede data om bilulykker.
Tænk over det. Hvis du vil træne en AI-model, skal du bruge store mængder data. I dette tilfælde prøvede vi at reducere bilulykker. Hvor mange data om bilulykker findes der egentlig? For det første skal de kunne registreres, og vi skal også rense vores data. Derudover vil vi nogle gange gerne teste, om vores model kan registrere bilulykker i snevejr, fordi Boston har sne i seks måneder om året—en hilsen til jer fra Boston.
Kan man registrere bilulykker i Bostons seks måneder lange snesæson? I sådanne situationer er det meget svært at indsamle data. Vi ønsker heller ikke at indsamle disse data. Vi håber, at sådanne data aldrig kommer til at eksistere. Ikke sandt? Da vi byggede MVP’en, valgte vi derfor en helt anden tilgang. Vi gjorde to ting. For det første købte vi nogle data direkte.
På det tidspunkt hed virksomheden Mint AI, og vi kunne købe forskellige slags træningsdata fra dem. For det andet skabte vi forskellige simulerede miljøer. Måske kunne vi gøre det på en parkeringsplads, hvor folk lod, som om de kom tæt på biler. Vi lavede også miljøer baseret på legetøj. Det var meget sjovt.
Vi havde små legetøjsbiler, der ramte legetøjscykler. Alt var baseret på legetøj, som ramte andet legetøj. I din AI-model ændrer du selvfølgelig parametrene for at forstå størrelsen på en rigtig bil. Men du kan se, om AI kan registrere, at ét stykke legetøj rammer et andet, og endda forudsige sammenstødet, før det sker.
Vi lavede mange forskellige aktiviteter, da vi byggede MVP’en. Jeg vil også gerne give Jensen Huang fra NVIDIA æren. Vi var faktisk blandt de tidlige brugere af NVIDIAs træningsmodel. Selv dengang i 2016 havde hans team skabt en fantastisk AI-model til objektgenkendelse, som vi kunne bygge videre på.
Alle disse detaljer indgår i at bygge en MVP, og det var meget spændende. Det handler om mere end blot at træne en model. Man skal være både intelligent og kreativ, når man skaber en MVP. Den sidste fase er selvfølgelig en strategi for markedsintroduktion. En markedsintroduktionsstrategi for et AI-produkt har den traditionelle GTM-proces, som du allerede kender.
Jeg har en anden YouTube-video om GTM-strategier, som I kan se på min YouTube-kanal senere. Men oven på den traditionelle GTM-proces skal vi tænke på yderligere ting som kundernes og de interne interessenters accept.
Kundernes accept afhænger af deres risikotolerance. Nogle mennesker vil ganske enkelt ikke prøve et AI-produkt. Andre kan have haft en dårlig oplevelse én gang og aldrig vende tilbage. De kan også være bange for, at deres data bliver overtaget af AI for altid, eller tænke: »Måske overtager AI mit arbejde.«
Vi skal virkelig håndtere denne form for slutbrugeraccept. Den anden del handler om interne interessenter. Gennem al min kontakt med produktchefer, der bygger succesfulde produkter, har vi fundet ud af, at ikke alle i virksomheden ønsker at bruge AI. Det kan være ledelsen, andre ingeniørteams eller den juridiske afdeling, og de vil helt sikkert gøre indsigelser.
Du skal derfor lære at argumentere for AI-produkter i forskellige situationer. Det er de fire trin i livscyklussen for en AI-produktchef.
Hannah Clark: Det var meget grundigt og lyder også som et virkelig spændende område at udforske.
Hvilke skridt kan produktchefer tage for at kvalificere sig til alle disse spændende roller som AI-produktchef?
Nancy Li: Det er bestemt meget spændende. Jeg plejer at tale om de fire eneste måder at blive AI-produktchef på. Den første gælder personer, der lige er blevet færdige med deres uddannelse. Det er faktisk den letteste vej. Hvis du lige er blevet færdig, skal du lave hvad som helst inden for AI og bare komme ind på området først. Du har endnu ingen erfaring, så du kan med det samme arbejde med AI i dit afsluttende projekt.
Du kan arbejde med AI i din første praktikplads. Det behøver ikke være produktledelse inden for AI, fordi du er nyuddannet og blot er praktikant. Du kan være softwareingeniør i en AI-startup eller lave hvad som helst i en AI-startup.
Vi har studerende, der gør netop dette. Jeg har for eksempel en studerende på andet studieår, hvis første praktikplads som produktchef er hos NVIDIA, hvor hun arbejder med grundlæggende modeller som AI-produktchef. Du kan gå direkte efter en praktikplads inden for AI eller AI-produktledelse, hvis du er nyuddannet.
Den anden vej ind i AI-produktledelse gælder nuværende produktchefer. Hvis du tidligere har arbejdet med IoT eller fintech uden at have beskæftiget dig med AI, er den nemmeste vej at lære om AI. Der findes utrolig mange forskellige AI-kurser. Mens vi optager denne podcast, lancerer Google også AI-kurser.
Jeg opfordrer alle, der allerede er produktchefer, til at lære alle AI-færdighederne på forhånd. Lær om forskellige store sprogmodeller, og sammenlign dem for at forstå, hvilken der er god, og hvordan man træffer tekniske beslutninger omkring dem. Det er de vigtigste skridt, som alle produktchefer i dag skal begynde at få erfaring med.
Den tredje vej til at blive AI-produktchef gælder mennesker, der allerede har teknisk erfaring fra AI-virksomheder. Jeg har bogstaveligt talt mange AI-ingeniører og dataforskere i PM Accelerator. De ved slet ikke noget om produktledelse, men de har en unik fordel, fordi de allerede har bygget AI-modeller.
De har måske været nogle af mine egne ingeniører, da jeg byggede Smart Cities for flere år siden. De ved, hvordan man træner AI-modeller, og hvordan man bygger en MVP, fordi de var en del af hele processen. De skrev ikke kravene—det gjorde jeg—men produktledelse er faktisk lettere at lære end at forstå, hvad store sprogmodeller er, og hvordan man træner en AI-model.
Til disse ingeniører anbefaler jeg, at I straks lærer alt om produktledelse, herunder hvordan man udvikler en markedsintroduktionsstrategi, og hvordan man gennemfører kundeinterviews. Det vil hjælpe jer med at fremskynde processen betydeligt. Den sidste vej gælder mennesker, der hverken har teknisk erfaring eller erfaring med produktledelse.
Til disse mennesker anbefaler jeg følgende tilgang. For det første: Lær, hvad AI er. Det er grundlaget. For det andet: Lær, hvad produktledelse er. For det tredje: Byg dit eget praktiske projekt. At bygge dit eget praktiske projekt er den bedste måde for mennesker med eller uden AI-erfaring at vise deres passion for AI-området og deres viden.
Det viser også, at du ikke bare taler om tingene, men faktisk har bygget flere forskellige AI-anvendelser som produktchef. Jeg vil også gerne understrege dette: Som produktchef behøver du ikke lære at programmere. Du kan dog lære nogle enkle metoder. Jeg er for eksempel selv i gang med at bygge min egen anvendelse oven på ChatGPT, og jeg kan slet ikke programmere. Jeg har en ph.d. i materialevidenskab, men selv i dag ved jeg stadig ikke, hvordan man programmerer.
Du kan få praktisk erfaring ved at bruge API’er, forskellige plugins og ChatGPT’s instruktioner til at bygge anvendelser oven på ChatGPT. Alt dette kan bruges til at opnå praktisk erfaring og lære. Du kan omdanne det til en produktportefølje, hvorefter det bliver meget lettere at overbevise den ansættende leder om, at du kan gøre det. Der er altså forskellige trin, man kan følge, og de vil helt sikkert hjælpe med at sætte fart på karrieren.
Hannah Clark: Det var nogle virkelig nyttige hemmeligheder.
Hvis vi går tilbage til de selvstyrede kurser, ressourcer og andre former for uddannelse, som folk kan bruge til at udvikle disse færdigheder, har du så nogle konkrete anbefalinger til ressourcer eller kurser?
Nancy Li: Ja, der er flere kurser, jeg selv har taget, og som jeg virkelig godt kan lide.
Min tilgang er lidt anderledes. Jeg tager ikke kun kurser; jeg læser også artikler, får praktisk erfaring og leger med forskellige værktøjer. Jeg vil give jer nogle af de bedste muligheder, som alle kan gå i gang med med det samme. Den vigtigste ressource er DeepLearning.AI. Det er den oplagte kilde, som Andrew Ng står bag.
Han tilbyder flere gratis ressourcer på sin hjemmeside. Der er især ét kursus, jeg varmt kan anbefale. Det tager kun én time, men vil i høj grad øge din forståelse af AI og give dig praktisk erfaring med AI. Det handler om promptteknik. Det tager kun én time, og kurset på hjemmesiden er hurtigt og kort.
For det andet kan du gå på Coursera og tage kurser i maskinlæring. Coursera samarbejder med forskellige virksomheder, blandt andre IBM og DeepLearning.AI, om at skabe kurser i maskinlæring. Jeg anbefaler også kurserne fra DeepLearning.AI. De har kurser i maskinlæring, som kan give dig en mere end-to-end-forståelse af maskinlæring. Du skal også lære om dyb læring og forstå, hvad dyb læring er. Jeg anbefaler desuden alle at læse de forskellige artikler, som NVIDIA udgiver.
Jeg er igen en stor fan af NVIDIA. Jeg har kendt den administrerende direktør i omkring otte år. Det er utroligt. Han er meget intelligent. Jason er virkelig, virkelig intelligent. NVIDIA udgiver mange artikler baseret på de grundlæggende modeller, de har bygget internt. Derefter kan andre, som mig selv og mit team, bygge anvendelser oven på den eksisterende ramme.
Min bedste ven, som jeg har kendt i omkring tolv år og stadig er bedste ven med i dag, arbejder som ledende softwareingeniør med at skabe denne slags AI-rammer for NVIDIA. Det er vigtigt at lære om disse AI-rammer på et overordnet niveau. Som jeg sagde tidligere i forbindelse med livscyklussen for AI-produktledelse, behøver du ikke altid bygge din egen løsning. Ofte kan du bruge andres eksisterende arbejde.
Jeg anbefaler derfor, at man besøger NVIDIAs hjemmeside, hvor man kan finde undervisningsindhold og lære om eksisterende rammer, der kan bruges. Den næste mulighed er overraskende nok Google. Google lancerer også AI-produktet BlackRock og tilføjer mange forskellige anvendelser oven på AWS i dag.
De har også meget enkle beskrivelser af, hvad AI-rammer er, og hvilke anvendelser og brugsscenarier man kan bygge oven på AI. Det hele er meget enkelt og kort, og nogle gange har de videoer. Du kan også bruge disse ressourcer.
Jeg har selvfølgelig en komplet liste over forskellige AI-kurser. Jeg har lagt den på min hjemmeside drnancyli.com/aicourses sammen med en liste over alle de AI-kurser, jeg personligt har taget og vurderet. Jeg mener, at alle bør kigge på den. Gå ind på drnancyli.com/aicourses for at få adgang til kurserne og begynde at lære for sjov. Det er mine anbefalinger til AI-kurser, hvis du vil opfriske dine AI-færdigheder.
I PM Accelerator har jeg selvfølgelig også mit eget kursus i AI-produktledelse. Det fokuserer mere på, hvad produktchefer skal gøre til daglig, på hele livscyklussen for produktledelse og på at træffe vigtige tekniske beslutninger, herunder at vælge forskellige modeller som produktchef.
I kan gå ind på min hjemmeside og læse mere om kurserne i produktledelse. Jeg har også min egen version af et kursus i AI-produktledelse. Det er primært specialiseret i produktledelse for AI-produktchefer. Her taler vi meget om hele livscyklussen for produktledelse, om praktisk erfaring og om at bygge rigtige AI-produkter sammen med mig, så du får noget, du kan vise i din produktportefølje.
Her giver vi også en opsummeret version af forskellig teknisk AI-viden, så du kan fremskynde læringsprocessen. Hvert AI-kursus derude tager omkring to måneder at gennemføre, og hver uge kræver det ti timer.
Vi giver dig derfor en genvej og fortæller dig præcis, hvad en AI-produktchef skal mestre.
Hannah Clark: Det dækker det enorme landskab af kurser og ressourcer for folk, der gerne vil lære mere om AI.
Lad os nu tale lidt om arbejdsgiverlandskabet. Kender du nogle konkrete virksomheder, der virkelig forsøger at ansætte produktchefer med specialisering i AI?
Nancy Li: Ja, der er mange. Hver eneste uge kommer der nye arbejdsgivere og nye jobmuligheder. Der er for eksempel flere spændende nyheder. Amazon ansætter aggressivt AI-produktchefer, især produktchefer for generativ AI i nogle af Amazons afdelinger, som jeg ikke kan fortælle jer hvilke er.
Det, jeg fandt ud af, var, at nogle af Amazons afdelinger begyndte at udskifte ledelsen. Vicepræsidenten forlod virksomheden, direktøren forlod virksomheden, og derefter ansatte man en ny ledelse, som var meget positiv over for AI.
Den tidligere ledelse var imod AI. De ville bruge traditionelle metoder til at finde ud af, om man virkelig havde brug for AI, eller om man måske ikke skulle følge AI-tendensen med det samme. Den nye AI- og produktledelse ønskede virkelig at satse på AI. Derfor udskiftede virksomheden de eksisterende produktchefer, som ikke vidste meget om AI, med nye AI-produktchefer. De satte de gamle på en forbedringsplan og lod langsomt de nye AI-produktchefer overtage deres opgaver én efter én.
Det er trist at se, men det er Amazons kultur. De har en kultur med meget hurtig vækst, så jeg bliver ikke overrasket. Det betyder også, at de lige nu ansætter mange AI-produktchefer i nogle af Amazons afdelinger. Netflix er selvfølgelig også en vigtig aktør.
De ansætter altid AI-produktchefer. Sidste år læste I sikkert nyheden om, at Netflix betalte 900.000 dollars om året i løn til en senior-AI-produktchef, som skulle skabe AI-genereret indhold. Der findes også andre meget stærke AI-startups, som man måske aldrig har hørt om, men som vokser utrolig hurtigt.
En af dem, jeg personligt godt kan lide, er Inkitt. Jeg har en studerende, der lige nu er til jobsamtale hos virksomheden, og idéen er revolutionerende. De er Netflix for læsere. I dag læser mennesker romaner og deltager i alle mulige læseklubber. De kan gå ind på denne virksomheds platform og læse, men de kan også interagere med personerne i bøgerne ved hjælp af AI.
Kan du forestille dig, at du ser Game of Thrones eller læser om Game of Thrones og kan stille Daenerys spørgsmål direkte ved hjælp af AI? Personerne er faktisk skabt af AI. Virksomheden har allerede rejst meget kapital og bliver stadig mere populær, samtidig med at den får mange brugere til sit nye AI-produkt i læsefællesskaber.
Der findes ikke kun én sådan virksomhed. Der findes utrolig mange AI-startups, og man skal følge nøje med. Jeg anbefaler alle at besøge TechCrunch. De skriver meget om nye idéer fra teknologistartups og om nye finansieringsrunder, og alt dette er gode muligheder for at opdage nye AI-jobmuligheder.
Hannah Clark: Nu hvor vi er ved at runde af, nævnte du, at der bestemt er lønmæssige incitamenter ved at udvikle en specialisering i AI. Er der andre former for løn eller kompensation, som du vil fremhæve for folk, der overvejer at udvikle AI-færdigheder, og som måske kan få dem til at tage det alvorligt som deres næste karriereskridt?
Nancy Li: Ja. I begyndelsen nævnte jeg, at AI-produktchefer får mere i løn, og det er korrekt. Jeg vil også gerne dele den anden side af lønnen og vise, hvordan man kan se på løn fra et andet perspektiv. For det første er det sandt, at AI-produktchefer får mere i løn. Men jeg vil også fremhæve den indflydelse, man kan skabe ved at udvikle AI, den effektivitet, man kan skabe i hverdagen, og muligheden for at udvikle apps, man personligt holder af.
Jeg ville for eksempel virkelig elske at tale med nogle af personerne fra Game of Thrones. Derudover vil jeg gerne have, at folk ser nærmere på lønnen. Hvis du arbejder i børsnoterede virksomheder, har jeg studerende, der er kommet ind i alle de førende virksomheder og også i virksomheder som Snowflake.
De har betalt mine studerende over 400.000 dollars om året som AI-produktchefer. Startups kan måske ikke tilbyde 450.000 dollars i kontant løn. Det er kontante tilbud. I nogle startups får du måske en grundløn på 160.000 dollars, men til gengæld en stor aktieandel. Tænk på, hvor meget aktierne kan blive værd, hvis virksomheden bliver den næste millionforretning. Det ved vi aldrig.
Derfor råder jeg alle til at vælge startupvirksomheden med stor omhu. Du skal være på linje med virksomhedens mission og skabe den rigtige indflydelse. Du skal også vælge den rigtige hest. Måske bliver den virksomhed, du vælger, den næste Google. Så er det dig, der taler i denne podcast næste gang, og så inviterer jeg dig også med i min egen podcast, hvor vi kan tale om, hvilket AI-produkt man skal vælge. Vær klog, når du vælger dit næste karriereskridt. Spring ikke bare ind i AI-området med det samme. Vælg den rigtige hest.
Hannah Clark: Med det vil jeg endnu en gang sige tusind tak, fordi du ville være med, dr. Nancy Li. Du har nævnt nogle af de ressourcer, som folk kan finde på din hjemmeside.
Er der andre steder, hvor folk kan følge dit arbejde online?
Nancy Li: Ja. I kan besøge min podcast, Product Insider-podcasten med dr. Nancy Li. På min YouTube-kanal skal I bare søge efter dr. Nancy Li, direktør for produktledelse, og I kan også sende mig en direkte besked på LinkedIn. Jeg er meget aktiv på LinkedIn og svarer på alle beskeder, når folk skriver til mig. Gå ind på LinkedIn og søg efter dr. Nancy Li. Det er dér, I kan finde min tilstedeværelse på sociale medier. I kan også besøge min hjemmeside, drnancyli.com/aicourses, og se de gratis ressourcer, jeg har samlet til jer.
Hannah Clark: Fantastisk. Tusind tak, fordi du ville være med igen. Det har været meget interessant at lære om, og det er et spændende område, som folk bør kende til.
Nancy Li: Tak, fordi jeg måtte være med, Hannah, og lad os holde kontakten. Alle sammen, lad os gå ind i AI-æraen sammen.
Hannah Clark: Tak, fordi I lyttede med. Du kan få flere gode indsigter, vejledninger og anmeldelser af værktøjer ved at abonnere på vores nyhedsbrev på theproductmanager.com/subscribe. Du kan høre flere samtaler som denne ved at abonnere på The CPO Club, dér hvor du normalt får dine podcasts.




