Perustaja ja entinen Applen tuotepäällikkö sanoo, että PRD-prosessit on uudistettava perusteellisesti — tässä on suunnitelma

Sonia Vora on toiminut tuotepäällikkönä ja tuotehallinnan johtajana useissa terveydenhuoltoalan yrityksissä. Hän johti myös Applen muutamien terveydenhuoltotuotteiden tuotekehitystä. Nyt hän on tekoälyyn keskittyvän terveydenhuoltoyrityksen perustaja.

Keskustelimme Sonian kanssa oppiaksemme, miten hän hyödyntää agentteja tuotehallinnan työnkuluissa. Tässä hänen kertomansa.

Syventyminen tekoälyä hyödyntäviin terveydenhuollon tuotteisiin

Hei, olen Sonia. Aloitin urani strategia- ja liikkeenjohdon konsultoinnissa McKinseyllä ja GoogleX:ssä. Sen jälkeen minusta tuli Intiassa toimivan, D-sarjan rahoituskierroksen läpikäyneen suoraan kuluttajille vakuutuksia myyvän vakuutusyhtiö ACKO Insurancen tuotehallinnan johtaja. Myöhemmin toimin Narayana One Healthissa tuotejohtajana. Narayana One Health on intialaisen sairaalajärjestelmän integroitu hoitoyksikkö. Johdin myös kahden Applen terveydenhuoltotuotteen tuotekehitystä: Attain-sovelluksen (joka kehitettiin yhteistyössä Aetna Insurancen kanssa) ja Lumihealthin (joka kehitettiin yhteistyössä Singaporen hallituksen kanssa). Lisäksi pääsin Forbesin 30 Under 30 -listalle.

Vuonna 2017, ennen transformereita ja LLM:iä, tutkin tekoälyn vaikutuksia McKinseyllä ja Googlella sekä selvitin koneoppimiseen perustuvia mahdollisuuksia potilashoidon parantamiseksi Applen ja ACKO:n palveluksessa. En kuitenkaan ollut työskennellyt tekoälyn parissa suoraan sen jälkeen. Noin puolitoista vuotta sitten ymmärsin, että tekoäly mullistaisi paitsi toimialani (terveydenhuollon) myös tuotehallinnan. Aloitin välittömästi useita hankkeita:

1. Hankin itsenäisesti tietoa tekoälyn perusteista.
2. Integroin ChatGPT:n ja Geminin tuotetiimini PM-työn päivittäisiin käytäntöihin. Tähän kuului kehotteiden laatiminen tarkempia PRD:itä varten, PRD:iden ideointi, tutkimuksen tekeminen Deep Researchin avulla sekä ChatGPT:n ja Geminin hyödyntäminen suunnittelupalautteen antamisessa ja UX-ongelmien havaitsemisessa.
3. Kokeilin Lovablen kaltaisia työkaluja nopeaan prototyyppien laatimiseen sekä UX-palautteen keräämiseen käyttäjiltä ja ostajilta.

Nyt olen Alongside Healthin, tekoälyä ja terveydenhuoltoa yhdistävän yrityksen, perustaja. Olen hyödyntänyt LLM:ien luonnollisen kielen käsittelykykyjen ja determinististen protokollien yhdistelmää kliinisen hoidon automatisointiin. Alkuvaiheen pilottien rakentamiseksi käytän Claude Codea päivittäin determinististen järjestelmien suunnitteluun ja agenttien julkaisemiseen pilottiasiakkaidemme testattaviksi. Rakennan prototyyppejä ja verkkosivustoamme myös suoraan Claude Codella.

Sonia kertoo

Tuotejohtajien on suunniteltava täysin uudelleen järjestelmä, jossa tuotepäälliköt kirjoittavat PRD:n, luovuttavat sen suunnittelulle ja sen jälkeen tekniikalle.

Miten tekoäly muuttaa PRD-prosessia

Tuotejohtajien on suunniteltava täysin uudelleen järjestelmä, jossa tuotepäälliköt kirjoittavat PRD:n, luovuttavat sen suunnittelulle ja sen jälkeen tekniikalle. Tavoitteena on nopeuttaa koko sykliä, estää PM:iä ja suunnittelijoita joutumasta tekniikan pullonkaulojen hidastamiksi sekä ottaa tekniikka mukaan aiemmin siellä, missä sen asiantuntemusta tarvitaan eniten.

Ihmiset lähestyvät tätä eri tavoin, mutta näen kaksi vaikuttavaa ja helposti hyödynnettävää mahdollisuutta:

1. Nopeutetaan alustavaa ”PRD:n hiomista” ja ideointia tarjoamalla Claudella rakennettuja prototyyppejä, ensin PM:ien laatimina ja sen jälkeen suunnittelijoiden viimeisteleminä. Tämä antaa insinööreille konkreettisen perustan uusien ominaisuuksien suunnitteludokumenttien rakentamiseen sen sijaan, että he aloittaisivat pitkistä kirjallisista vaatimuksista.
2. Olemassa olevan ominaisuuden kohdalla olen havainnut hyödylliseksi antaa PM:ille ja suunnittelijoille täydet oikeudet tehdä tiettyjä muutoksia ja lähettää PR:itä – kunhan nämä muutokset eivät vaikuta arkkitehtuuriin perustavanlaatuisesti. Jos käytössäsi on vahva koodin tarkistusprosessi, estät suuren osan sekavasta uudesta koodista PM:ien ja suunnittelijoiden lähettäessä muutoksia.

Henkilökohtaisesti en enää kirjoita alussa pitkiä PRD:itä, joissa pyritään käsittelemään kaikki poikkeustapaukset. Sen sijaan työskentelen heti Clauden kanssa ja täydennän alkuperäistä vaatimusdokumenttiani kysymys–vastaus-keskustelujen avulla.

Käytän sitten tätä dokumenttia Claude Coden lähtökohtana ja hyödynnän varsinaista prototyyppiä poikkeustapausten löytämiseen. Sen jälkeen yhdistän nämä vaatimukset Clauden avulla takaisin PRD-dokumenttiin ennen julkaisua.

Tämän ansiosta tuotan paljon laadukkaampaa työtä samassa ajassa. Minulla on ajatuskumppani ja keskustelukumppani, joka auttaa minua työskentelemään perusteellisesti, tutkimaan vaihtoehtoja nopeammin ja löytämään hyödyllisiä verkkoresursseja.

Miksi kokeileminen on tekoälyn supervoima

Kerron seuraavaksi, miten käytän tekoälyä tuotehallinnassa:

• Ongelman löytäminen: tekoälystä on tässä vähiten hyötyä, koska se ei tunne käyttäjien todellisen maailman ongelmia. Tekoäly voi muodostaa hypoteeseja, mutta ne eivät perustu ensikäden tietoon eivätkä paljasta yleisestä näkemyksestä poikkeavia totuuksia. Mikään ei vedä vertoja sille, että istut käyttäjän kanssa ja ymmärrät hänen ajatuksiaan.
• Priorisointi: Vastaavasti tekoäly voi tarjota priorisoinnin "maalaisjärkeä" hyödyntävän ensivaiheen, mutta siltä puuttuu aito käyttäjäpalaute ja tuotetuntemus, joten tekoälyä on seurattava tällä alueella tarkasti.
• Suunnittelun taju ja UX-päätökset: Tekoäly tarjoaa hyvän ensivaiheen, mutta se ei ymmärrä käyttäjiäsi tai heidän tavoitteitaan, vaan ainoastaan jäljittelee olemassa olevia työnkulkuja. Sinun on harkittava tarkasti "inhimillistä" elementtiä, joka auttaa käyttäjiä suorittamaan tehtävänsä. Olen kehittänyt UX:ää laajasti varmistaakseni johdonmukaisuuden, huomioidakseni komponentit ja saavuttaakseni tietoarkkitehtuurin, joka todella vastaa käyttäjien odotuksia ja tavoitteita. Se on kuin insinööri, joka suunnittelee jokaisen näkymän hämmästyttävien käyttöliittymäkirjastojen avulla — joskus lopputulos näyttää hienolta, mutta se ei auta käyttäjiä ymmärtämään helposti, miten heidän tehtävänsä suoritetaan.
• Suunnittelu: Tämä on alue, jolla tekoäly loistaa ensivaiheen luomisessa. Kun sille annetaan riittävästi kontekstia, se pystyy tehokkaasti laatimaan alustavia aikatauluja ja auttamaan suunnittelutaktiikoissa. Olen erityisen ihastunut Lineariin.
• Kompromissien ja suunnittelupäätösten vaikutusten tunnistaminen: Koodausagentit eivät useinkaan tee tätä, ellei niitä pyydetä siihen erikseen. Kun niitä kuitenkin kehotetaan, ne esittävät tehokkaasti useita hyötyjä, haittoja ja sisäisiä keskusteluja, mikä auttaa pohtimaan seurauksia syvällisemmin. Löydän edelleen usein puutteita juurisyyanalyysissä ja aivoriihessä koodausagenttien kanssa, mutta joskus ne myös tuovat esiin asioita, joita en ollut heti tullut ajatelleeksi.
• Kokeilu: Tämä on tekoälyn todellinen supervoima. Koska voit rakentaa konsepteja niin nopeasti, voit kokeilla monia eri asioita, käyttää tuotetta ja iteroida sitten havaintojesi perusteella.

Miten tekoäly voi tukea arvioinnin työnkulkuja

Tässä on esimerkki tekoälyn työnkulusta, jota käytän tuotehallinnassa.

Käytin Claudea ohjelmoimaan prosessin, jossa pyydän jokaisen uuden tuoteversion kohdalla OpenAI:ta tai Geminiä (rajapintakutsujen kautta) esiintymään potilaspersoonana ja vastaamaan agentilleni simuloidussa keskustelussa.

Luon potilaspersoonat skriptillä, joka luo kaikki protokollan haarat ja testaa jokaisen niistä. Skripti sisältää myös tutkimukseemme perustuvan generaattorin persoonallisuustyypit. Kun kukin persoona on keskustellut agentin uuden version kanssa, pyydämme Geminiä tai OpenAI:ta arvioimaan keskustelun 10 arviointikriteerimme perusteella ja antamaan hyväksytty/hylätty-pisteet.

Tarkistan sitten arviointitulokset, luettelen ehdotetut muutokset Clauden ongelmien korjaamiseksi, julkaisen agentin uuden version ja suoritan koko työnkulun uudelleen.

Käytin Claude Codea käyttöliittymän rakentamiseen. Sen avulla voin tarkastella arviointituloksia, simuloituja keskusteluja ja simuloituja potilaspersoonia.

Siitä on ollut valtavasti hyötyä, mutta siihen liittyy yksi varoitus: tekoäly on edelleen erittäin stokastista. Olen kamppaillut luotettavuutta vaativilla alueilla. Esimerkiksi tällaisissa LLM-arvioijana-arvioinneissa tekoäly antaa usein yhdellä suorituskerralla hyväksytyn tuloksen ja toisella hylätyn, mikä on merkittävä ongelma.

Voit suunnitella järjestelmän vähentämään epäjohdonmukaisuutta, mutta sinun on aina suunniteltava se myös havaitsemaan tekoälyn mahdolliset virheet.

Miten tuotepäälliköt voivat lakata tuntemasta Claude Codea kohtaan epävarmuutta

Aluksi tunsin epävarmuutta ajatuksesta käyttää Claude Codea tehokkaasti ei-insinöörinä, etenkin koska useimmat käyttivät sitä päätteen kautta.

Mutta aloin rakentaa. Käsittelin Claudea/Cursoria nuorempana työntekijänä, joka tarvitsee paljon ideointia ja ohjausta, ja se auttoi minua oppimaan Claude-tyylisen koodauksen mahdolliset ongelmat. Nyt ennakoin niitä työnkulussani.

Esimerkiksi Claude voi vaikuttaa "hajamieliseltä", koska se tiivistää tietoa mahtuakseen konteksti-ikkunaansa. Tämän kiertämiseksi pyydän sitä nykyään aina kirjoittamaan suunnitelman muistiin ja viittaamaan siihen ennen jonkin rakentamista, aivan kuten toimisit oikean ihmisen kanssa — olemmehan mekin hajamielisiä!

Claudea on nykyään erityisen helppo käyttää, koska mallit ovat parantuneet merkittävästi. Vaikka konteksti olisi puutteellinen, se voi kehotettuna esittämään kysymyksiä, keskustella kanssasi ja laatia ensin kattavan suunnitelman. Sen jälkeen se pystyy toteuttamaan suunnitelman luotettavammin, joten sinun ei tarvitse huolehtia yhtä paljon perustan rakentamisesta.

Miksi koodausagentit eivät ole taikaratkaisuja

Nykyään kuka tahansa voi olla insinööri koodausagenttien avulla. Meidän pitäisi siis pitää asiantuntijat keskittyneinä asioihin, jotka vain he osaavat tehdä hyvin, ja antaa kaikkien muiden hoitaa yksinkertaiset tehtävät. Ajattelutapa, jonka mukaan ”kaikki ovat insinöörejä”, on erittäin tärkeä.

On kuitenkin syytä huomata, että koodausagentit eivät pysty korjaamaan virheitä taianomaisesti ilman ihmisen väliintuloa. Koodausagenteilta puuttuu usein maalaisjärkeä tai suunnittelukontekstia, minkä vuoksi ne saattavat tunnistaa ongelmien perimmäiset syyt väärin tai ratkaista ne virheellisesti.

Pienellä ohjeistamisella ne suoriutuvat paljon paremmin, mutta kontekstin rajallisuus voi hienovaraisesti johtaa laiskaan toteutukseen tai ajatteluun.

Ne ovat silti lyhentäneet kehitysaikaa valtavasti, mutta hyvän tuotteen julkaiseminen vaatii edelleen merkittävää harkintaa.

Miten pysyä tekoälyn kehityksen mukana

Aloita näiden työkalujen käyttäminen oikeassa työssäsi jo nyt! Mitä myöhemmin otat ne käyttöön, sitä enemmän jäät jälkeen vertaisistasi, jotka ovat jo optimoineet työnkulkujaan näiden agenttien avulla.

Pidä samalla mielesi avoimena tekoälyn vahvuuksien ja heikkouksien suhteen — ja tunnista, että tämä muuttuu lähes joka kuukausi.

Kokeile. Käytä Claude Codea tai muita työkaluja päivittäisessä työssäsi ymmärtääksesi mallien vahvuudet ja heikkoudet. Jos käytät tehtävään edes 30 minuuttia päivässä, siihen kannattaa todennäköisesti investoida yksi tai kaksi tuntia sen automatisoimiseksi — säästetty aika kertautuu.

Kokeile useita LLM-keskustelutyökaluja etsiessäsi vastauksia, jotta näet, miten eri palveluntarjoajat ja mallit vastaavat. Muuta myös LinkedIn-”ruokavaliotasi” pysyäksesi ajan tasalla ihmisistä, jotka soveltavat tekoälyä tullakseen parhaiksi mahdollisiksi PM-ammattilaisiksi.

Kaikki tuntevat olonsa tällä hetkellä kuormittuneeksi, ja se on ihan okei. Keskustelen kokopäiväisten tekoälyammattilaisten kanssa, jotka tuntevat olonsa kuormittuneeksi — ole armollinen itsellesi ja juhlista pieniä onnistumisia, kun pysyt tekoälyn kehityksen mukana.

Pysy mukana

Voit olla yhteydessä Sonia Voraan LinkedInissä.

Lisää asiantuntijahaastatteluja on tulossa The CPO Clubiin!