Come Distinguersi Come PM dell’Intelligenza Artificiale

Leggi la Trascrizione:

Stiamo sperimentando la trascrizione dei nostri podcast con un software. Perdonate eventuali errori di battitura, il bot non è corretto al 100% delle volte.

Hannah Clark: Sarò schietta: che tu abbia o meno come obiettivo di carriera quello di specializzarti nella gestione di prodotto per l’IA, ora è una competenza che ogni PM di software dovrebbe sviluppare. Credo sia ormai chiaro che la tecnologia è qui per restare, continuerà a migliorare, a diventare più intelligente e più diffusa—quindi imparare a lavorare con l’IA è essenziale come imparare a lavorare con Internet. In realtà si potrebbe già sostenere che le competenze di base nell’IA siano un requisito minimo nelle candidature per ruoli di PM. Ma come puoi andare oltre e distinguerti nel mercato del lavoro come PM per l’IA?

Il mio ospite di oggi è Praveen Gujar, Director of Product in LinkedIn. Come suggerisce il ruolo, Praveen ha una visione privilegiata sui casi d’uso in crescita dell’IA nel settore dei prodotti digitali, oltre a un’intima comprensione delle competenze che un product manager deve sviluppare per avere davvero successo in questo settore. Abbiamo affrontato sia gli aspetti tecnici sia teorici dell’utilizzo dell’IA, ma, se non doveste ricordare altro, la parte fondamentale è la conversazione sull’igiene dei dati—che arriva circa a metà episodio—ed è cruciale per chiunque desideri non solo ottenere un ruolo di PM per l’IA, ma anche eccellere in quel campo. Iniziamo subito.

Bentornati, ascoltatori, al podcast The CPO Club. Sono Hannah Clark, e siamo una comunità di leader di prodotto determinati a condividere la responsabilità della crescita dei vostri prodotti. Tra i nostri membri ci sono PM orientati al SaaS che amano davvero il loro lavoro e vogliono aiutare gli altri a raggiungere il successo. Se vuoi saperne di più, visita theproductmanager.com/membership. Saremmo felici di averti con noi.

Oggi siamo con Praveen Gujar. Grazie mille per essere qui con noi.

Praveen Gujar: Felice di essere qui. Grazie per avermi invitato, Hannah.

Hannah Clark: Sì, siamo contentissimi di averti qui.

Puoi raccontarmi qualcosa del tuo percorso e di come sei arrivato a LinkedIn?

Praveen Gujar: Il mio background è un misto tra ingegneria e product management. Ho iniziato la mia carriera come sviluppatore software, ma presto mi sono reso conto che la mia vera passione era partire dal cliente per costruire grandi prodotti. Così ho preso un MBA e ho iniziato in Amazon come product manager.

In sintesi, la mia esperienza è in due aree principali: pubblicità digitale e cloud pubblico. Tutti i prodotti che ho costruito in questi due ambiti sono alimentati dall’IA. Ho lavorato per Amazon, LinkedIn e anche Twitter, quindi ho sviluppato prodotti in grandi organizzazioni. Ormai sono PM per l’IA da parecchio tempo e sono felice di condividere la mia esperienza e competenza in questo campo.

Hannah Clark: Ottimo! So che siamo tutti molto interessati ad approfondire. L’argomento di oggi è proprio la specializzazione nella gestione di prodotto per l’IA, un settore che sta crescendo enormemente proprio adesso.

Quindi, per iniziare, quali sono alcune delle abilità che distinguono un ottimo PM per l’IA da un PM tradizionale?

Praveen Gujar: Domanda eccellente. Prima di tutto, se vuoi essere un grande PM per l’IA, devi già essere un buon PM, o meglio, un grande PM. Molte delle competenze fondamentali di un buon PM sono necessarie anche per essere un buon PM per l’IA: saper individuare il problema, partire dal cliente, avere senso del prodotto per costruire la soluzione giusta, guidare la fase esecutiva e quella di go-to-market.

Tutte queste competenze di base sono necessarie. In più, nel ruolo di PM per l’IA direi che ci sono tre cose chiave davvero critiche. La prima è la comprensione tecnica dello spazio IA. Credo sia essenziale per essere un buon PM in questo ambito: bisogna capire i concetti di machine learning e IA, i modelli, le varie tipologie di modelli, inclusa la formazione dei modelli, oltre a sapere come interagire efficacemente con gli ingegneri dell’IA—questo è davvero fondamentale.

Il secondo aspetto riguarda la scienza dei dati o comunque il lato dati. Come PM in questo settore devi capire bene i dati, il flusso dei dati, come vengono utilizzati per addestrare i modelli, cosa si intende per dati puliti e “in regola”, e come i dati possono introdurre bias. Tutte queste conoscenze sono fondamentali per essere un ottimo PM.

Terzo, ma non meno importante, la programmazione può essere davvero un valore aggiunto per un PM. Se sai programmare in Python, R o simili, riesci a relazionarti meglio con gli ingegneri che lavorano su questi progetti, e puoi essere molto più efficace come PM.

Classifico queste come competenze tecniche nell’ambito IA. Questo copre un aspetto, giusto? L’altro è applicare questi concetti di IA al tuo dominio: che sia sanitario, servizi finanziari o altro, come puoi applicare i principi e le tecnologie IA che conosci per creare prodotti più rilevanti per i tuoi clienti?

Questo è davvero cruciale. Il terzo pilastro riguarda il potenziamento delle tue capacità da PM. Un elemento chiave è la spiegabilità: come riesci a spiegare ai colleghi, anche a dirigenti eventualmente poco ferrati in IA, quello che state facendo? Saperlo spiegare è fondamentale.

Capire l’intero ciclo di vita dei modelli è anch’esso importante, perché significa collaborare con gli ingegneri nella messa a punto, nel ciclo di vita stesso del modello, lavorando molto a stretto contatto con loro.

In sintesi: competenze tecniche nell’IA, applicazione dell’IA al proprio dominio, e potenziamento delle skills specifiche del PM con focus su spiegabilità e altri aspetti peculiari. Sono questi i fattori che fanno la differenza come PM dell’IA.

Hannah Clark: Sì, immagino che tutti vorranno sviluppare queste competenze, perché è davvero un’enorme opportunità.

A proposito, dal tuo punto di vista, qual è oggi la situazione per i PM con competenze ed esperienza nell’IA?

Praveen Gujar: L’IA è ormai un termine di uso comune. In gran parte per merito di ChatGPT e la sua diffusione, ma l’IA non è certo una novità per il mondo tech. Da oltre un decennio, almeno nel digital advertising, l’IA alimenta sistemi e funzionalità, e in altri settori anche da più a lungo. Negli ultimi due anni però, c’è stato un aumento esponenziale sia in popolarità che in utilizzo dell’IA, il che apre grandi opportunità per i PM che hanno queste competenze: nuovi domini, nuovi problemi, soluzioni innovative. Questa “esplosione” continuerà nel futuro prossimo—è quello che vediamo almeno noi.

Il secondo aspetto riguarda l’espansione del ruolo. Negli ultimi due anni, praticamente ogni organizzazione di prodotti e servizi sta evolvendo verso l’integrazione dell’IA. Può essere un’esperienza migliorata grazie all’IA, oppure il ricostruire il prodotto con un approccio “AI first” o “AI integrata“.

Questo apre enormi opportunità per i PM: lavorare su nuove tecnologie, generare valore reale per i clienti. Inoltre è strategicamente rilevante: anche solo dal punto di vista dell’immagine, oggi essere “PM dell’IA” rafforza il profilo. Ma, sempre più, questa è soprattutto una responsabilità strategica per l’organizzazione: come PM dell’IA, sei più allineato ai bisogni dell’azienda e vieni valorizzato per le tue skill.

Infine, la domanda di PM dell’IA è altissima, proprio a causa di questa esplosione del settore. Questo genera nuove opportunità sia per lo sviluppo delle competenze, sia sul piano della costruzione di prodotti di qualità, ed anche a livello di benefit economici.

Hannah Clark: Tantissime opportunità, tantissimi vantaggi.

Torniamo allora sulle competenze e sulla loro applicazione. Hai qualche consiglio per i PM che vogliono sfruttare l’IA per realizzare prodotti a forte crescita?

Praveen Gujar: Ottima domanda. Stiamo anche pubblicando un paper su questo tema per l’Engineering Management Review, proprio per riflettere su cosa significhi costruire un grande prodotto con l’IA.

Se guardiamo ai trend attuali, tutti stanno saltando sul carro dell’IA; molte aziende aggiungono l’IA ai loro prodotti e servizi, spesso in modo superficiale—ad esempio implementando chatbot su servizi esistenti.

Questo ricorda la reazione che le aziende ebbero all’era mobile: la prima reazione fu “ridurre” il prodotto desktop nella versione mobile, ma non funzionò davvero a lungo termine. Oggi tante aziende “spolverano” l’IA sui prodotti esistenti solo per moda, senza vero valore aggiunto.

Un vantaggio davvero sostenibile c’è quando si costruiscono prodotti “AI first” oppure “AI integrati”. Cosa si intende? Mettere l’IA al centro, costruendo esperienze completamente alimentate e automatizzate dall’IA.

Invece di lasciare l’IA a gestire solo parti isolate dei workflow, occorre sfruttare i modelli per fare ottimizzazioni cruciali. Un altro elemento importante è la presa di decisioni: spesso si intende l’IA solo come risposta a una domanda rapida, ma il vero punto di forza arriva quando l’IA gestisce anche le ottimizzazioni e le decisioni di prodotto. Fondamentale è anche la struttura organizzativa: se hai team multidisciplinari, con ingegneri IA integrati e a stretto contatto coi PM, riesci a produrre prodotti IA molto più pensati e competitivi, costruendo un vantaggio sostenibile.

Quindi, l’invito è: ripensate prodotti e servizi mettendo l’IA davvero al centro.

Inoltre, la soluzione dei problemi utente resta irrinunciabile, nessuna scorciatoia: reinventare il prodotto con l’IA come decision maker e utilizzare la tecnologia per migliorare l’esperienza è il vero salto di qualità.

Hannah Clark: Sono curiosa di conoscere alcuni esempi resi possibili dall’IA oggi. Sicuramente esistono prodotti notevolmente migliorati dall’IA, e altri che magari meno. Quali sono i casi d’uso migliori che hai visto recentemente, o dove c’è un grande potenziale di crescita?

Praveen Gujar: Vengo dal settore della pubblicità digitale. Prendiamo quell’esempio. Che cosa è importante nel digital advertising? Devi essere sicuro di puntare sul pubblico giusto, con il contenuto giusto e nel momento e luogo giusto.

Tradizionalmente, il tutto partiva da modelli IA che cercavano di stabilire quale fosse la migliore audience per i tuoi prodotti/servizi. A seconda degli obiettivi, avveniva la segmentazione del pubblico. Nel tempo, gli algoritmi predittivi hanno permesso di individuare nuovi “pubblici predittivi” a cui rivolgersi.

Altro caso: l’arrivo della GenAI (IA generativa), soprattutto negli ultimi due anni, ha rivoluzionato la creazione di contenuti. Se vuoi raggiungere diversi target, oggi puoi generare automaticamente l’80% dei contenuti e variarne rapidamente l’80% dei formati, accelerando i tempi e aumentando la produttività del team creativo.

Una volta che hai pubblico e contenuti, il passo successivo è personalizzare su larga scala. Personalizzare per piccoli gruppi è facile, ma raggiungere milioni di utenti con contenuti personalizzati è impresa solo possibile grazie all’IA, che consente segmentazione dinamica e creazione di contenuti on demand.

Questi tre elementi—pubblico, contenuto, personalizzazione di massa—sono sviluppati da tempo. Ma il passaggio successivo è integrarli per ottenere automazione e ottimizzazione su tutta la filiera. Ecco perché molte piattaforme pubblicitarie stanno creando soluzioni end-to-end completamente automatizzate: Google, LinkedIn, Meta ne sono esempi.

Questo solo per il settore digitale. In sanità, ad esempio, conosco una persona in Google che lavora sull’analisi automatica di radiografie con IA, per individuare precocemente anomalie che possano segnalare masse tumorali.

I modelli sviluppati negli anni stanno dimostrando di riuscire a individuare indicatori di tumori maligni molto prima di quanto un radiologo umano possa fare. Sono esempi dove l’IA non solo aumenta la produttività, ma migliora l’efficacia stessa.

Questi sono solo due esempi fra migliaia di casi d’uso possibili.

Hannah Clark: Immagino che in ogni settore possa esistere un’applicazione simile.

Parliamo un attimo di igiene dei dati. Quanto è importante mantenere i dati puliti lavorando con strumenti IA?

Praveen Gujar: Si sente spesso che i grandi modelli linguistici, e in generale tutti i modelli IA, vengono addestrati su enormi quantità di dati. È la famosa regola “garbage in, garbage out”: se i dati sono di bassa qualità o presentano bias o errori, il risultato sarà mediocre.

L’igiene dei dati è quindi fondamentale. Come dicevo prima, il PM per l’IA deve capire i dati e anche le piattaforme dati: è un aspetto critico. Primo obiettivo: aumentare la precisione del modello con cui stai lavorando.

Ridurre i bias è fondamentale, e qui entra in gioco proprio l’igiene dei dati. Anche le performance del modello (accuratezza, efficienza) ne sono direttamente influenzate. L’addestramento dei modelli richiede molte risorse; se i dati sono scadenti o sporchi, l’operazione diventa lunga e faticosa.

Da ultimo, ci aspettiamo una crescente attenzione normativa verso i modelli IA e i loro output. E se la fonte è costituita da dati poco affidabili, i risultati potrebbero non rispondere ai requisiti delle nuove regole.

Un semplice esempio: nel settore finanziario, se stai pubblicizzando prodotti ma i modelli sono stati istruiti con dati errati, puoi facilmente introdurre bias verso certe comunità—cosa che può portare a sanzioni per non rispetto delle regole sulla parità di trattamento nel credito.

L’effetto negativo dei dati poco “igienici” è quindi molto più grave di quanto sembri. È necessario costruire piattaforme e sistemi per curare i dati e addestrare i modelli in modo efficace.

Hannah Clark: Questo tema si collega con l’etica nell’uso dell’IA.

Sono curiosa di conoscere il tuo parere sull’etica nell’IA e su come i PM, specie chi è alle prime armi, può assicurarsi di agire in modo responsabile nell’implementare soluzioni IA.

Praveen Gujar: Domanda importantissima. Oggi molte organizzazioni stanno creando team dedicati chiamati proprio “responsible AI teams”, team per l’IA responsabile, con l’obiettivo di garantire che standard etici e morali vengano sempre rispettati. L’esempio finanziario di prima mostra come, se non gestite correttamente, queste tecnologie possono avere impatti economici e sociali anche pesanti.

Come PM dell’IA, il punto di partenza è sempre l’educazione: occorre formarsi sui limiti e i rischi—come i dati “non igienici”, l’addestramento scorretto dei modelli, ecc. Poi bisogna agire: se si scopre che certi dati introducono bias, bisogna capire come ripulirli, addestrare nuovamente i modelli, verificarne la precisione dopo il retraining.

Terzo: anche la struttura del team è fondamentale. Avere una squadra diversificata è un ottimo metodo per garantire uno standard etico elevato. Un’idea può essere inserire una figura di riferimento (POC, Point of Contact) incaricata di garantire diversità e rispetto degli standard etici.

Questa persona può monitorare, farsi promotrice della pulizia e correttezza dei dati e dei processi, così che la precisione dei modelli sia sempre coerente con le regole. Tutte queste sono pratiche utili che i PM possono applicare in questo campo.

Hannah Clark: Cambiando argomento, l’IA può aiutarci a condurre esperimenti in modo più efficiente?

Praveen Gujar: Ottima domanda. Pensiamo al metodo tradizionale: aziende come DoorDash, ad esempio, possono arrivare a condurre migliaia di esperimenti al giorno.

Ci sono molte metriche di business e di sistema da monitorare. Un PM normalmente gestisce più esperimenti in parallelo su diverse funzionalità. Occorre capire gli impatti di questi esperimenti, lavorare fianco a fianco con i data scientist per perfezionare l’esperimento, analizzare i risultati, ottimizzare le strategie, decidere se “rampare” (estendere) o ridurre l’esperimento, e capire l’impatto delle features che si stanno provando.

Tutto ciò segue un approccio molto umano e manuale. Ma ora possiamo pensare a sistemi IA che ottimizzano lo svolgimento degli esperimenti. Questo non solo rende il lavoro del PM molto più efficiente, ma aiuta anche l’intero processo: pianificare, valutare, prendere decisioni diventa più facile.

Già in fase di progettazione dell’esperimento, gli algoritmi IA possono suggerire ipotesi e identificare i parametri ottimali. Durante l’esperimento, possono regolare dinamicamente parametri, varianti e bilanciamenti.

Possono anche determinare automaticamente se i rischi iniziali sono stati mitigati e se si può aumentare la portata per ottenere segnali statistici più solidi. Infine, sono in grado di identificare anomalie nelle metriche a causa dell’esperimento, permettendo di agire tempestivamente (ad esempio per chiudere un esperimento che impatta negativamente sui ricavi).

In questo modo, i modelli IA aiutano i PM a sperimentare meglio, aumentando la produttività e permettendo decisioni rapide e informate.

Hannah Clark: Prima di concludere, sono emersi moltissimi spunti utili. Sicuramente molti ascoltatori vorranno sapere come fare il prossimo passo, perché crescere nel campo dell’IA interessa davvero a tanti.

Hai consigli o risorse per chi vuole sviluppare queste skill ma non lavora ancora su prodotti IA? Ci sono corsi o materiali che raccomandi?

Praveen Gujar: Sì, ci sono un sacco di corsi su LinkedIn Learning, oppure su Coursera. Uno dei miei preferiti è DeepLearning.ai, il sito di Andrew Ng; i suoi corsi sono disponibili anche su Coursera e LinkedIn Learning. Costruire una solida base di conoscenze sull’IA è fondamentale—non smetto mai di sottolineare quanto sia importante: una volta che hai le fondamenta, puoi approfondire tecnologie più avanzate e capire come applicarle ai tuoi casi d’uso.

Consiglio ai tuoi ascoltatori di concentrarsi prima sulle basi e costruire poi su quelle affrontando corsi più avanzati. I podcast sono un ottimo modo per imparare e anche restare aggiornati su ciò che accade nel settore. È una tecnologia in rapido cambiamento: restare aggiornati è difficile, e i podcast sono uno strumento valido.

Un’altra fonte importante sono i blog: molti post ti permettono di approfondire temi specifici e capire le applicazioni nella pratica, sia nel tuo settore sia in generale. Queste sono tre risorse forti da cui partire.

Anche le università offrono corsi, magari più strutturati e che danno anche un diploma utile per entrare nel settore, anche se sull’efficacia reale non saprei garantire.

Quindi, queste sono alcune modalità per aggiornare oppure sviluppare da zero le skill per entrare nell’IA. Posso aggiungere una cosa? Più di ogni altra, la curiosità è essenziale per un PM in questo campo: bisogna investire tempo, approfondire, comprendere a fondo i concetti e poi applicarli al proprio lavoro.

Hannah Clark: Ottimi consigli. Grazie davvero per essere stato con noi oggi, Praveen. Dove possono seguirti online i nostri ascoltatori?

Praveen Gujar: Mi potete seguire su LinkedIn, e sto anche costruendo il mio sito: praveengujar.com. È ancora in costruzione, ma tutte le mie pubblicazioni e il mio prossimo libro saranno pubblicati lì.

Hannah Clark: Perfetto. Grazie davvero della partecipazione, abbiamo apprezzato molto.

Praveen Gujar: Grazie a voi per l’invito.

Hannah Clark: Grazie per averci ascoltato. Per maggiori approfondimenti, guide pratiche e recensioni di tool, iscrivetevi alla nostra newsletter su theproductmanager.com/subscribe. Potete ascoltare altre conversazioni come questa iscrivendovi a The CPO Club ovunque ascoltiate podcast.