La CPO e fondatrice nativa dell’IA spiega come gestire intelligentemente una roadmap con l’IA

Tara Sakhuja è la CPO di Luv or Pop e la fondatrice di un'azienda nativa dell'IA chiamata Data Dumpling. Prima di ricoprire questi ruoli, ha lavorato nel settore dei prodotti presso aziende come Meta e Bumble.

Abbiamo incontrato Tara per scoprire come sta cambiando i suoi flussi di lavoro come PM grazie all'IA. Nel corso della conversazione, ha condiviso una delle trappole più grandi per chi costruisce prodotti basati sull'IA.

Prodotti intelligenti, costruiti in modo intelligente

Sono Tara Sakhuja. Opero all'intersezione tra IA, strategia di prodotto e comportamento umano.

Sono la fondatrice e CEO di Data Dumpling, una piattaforma di IA che aiuta le aziende a capire chi sono i loro clienti, quali segnali contano e su cosa dovrebbero concentrarsi i loro team. Sono anche responsabile del prodotto di Luv or Pop, dove stiamo ripensando gli appuntamenti e le comunità online attraverso uno degli spettacoli più virali al mondo, Pop the Balloon or Find Love with Arlette Amuli.

Prima di allora, ho trascorso un decennio a sviluppare prodotti presso Meta e successivamente Bumble, lavorando su pubblicità, commercio, messaggistica aziendale, integrità, fiducia e sistemi di apprendimento automatico.

Una singola domanda collega tutte queste esperienze: come si costruiscono sistemi che aiutano le persone a prendere decisioni migliori?

In Meta, ho costruito sistemi operativi su una scala di miliardi di utenti. In Bumble, mi sono concentrata sulla sicurezza, sulla fiducia e sul modo in cui l'IA influisce su esperienze profondamente umane. Ora, come fondatrice, costruisco prodotti nativi dell'IA partendo dai principi fondamentali.

Stiamo entrando in una delle più grandi trasformazioni nello sviluppo dei prodotti dai tempi del mobile. Il cambiamento più importante non è che i prodotti stiano diventando intelligenti. È che anche il modo in cui costruiamo i prodotti deve diventare intelligente.

La prossima generazione di prodotti

Data Dumpling è nativa dell'IA. Collega l'intelligence aziendale, i comitati d'acquisto, i segnali relazionali e l'intenzione in tempo reale, aiutando i team a identificare le opportunità di maggior valore e a capire quale azione intraprendere successivamente. Lavoriamo con aziende nei settori della tecnologia enterprise, della consulenza e dell'industria, aiutando i team commerciali a passare da elenchi statici e ricerche manuali a sistemi decisionali basati sull'IA.

In Luv or Pop, guido la strategia di prodotto per una piattaforma social per consumatori che sta reinventando gli appuntamenti attraverso fiducia, identità e comunità. Abbiamo raggiunto decine di migliaia di utenti negli Stati Uniti, nel Regno Unito, in Canada e in alcune aree dell'Africa, costruendo sistemi per la verifica, l'abbinamento e connessioni umane autentiche.

Sebbene i prodotti sembrino molto diversi, la filosofia di prodotto alla base è la stessa: la prossima generazione di prodotti non aiuterà semplicemente le persone a svolgere più lavoro. Le aiuterà a prendere decisioni migliori.

Che si tratti di aiutare un team GTM a trovare il prossimo cliente o qualcuno a trovare una relazione significativa, la sfida consiste nel progettare una tecnologia che amplifichi il giudizio umano.

Come l'IA consente ai team più piccoli di raggiungere il rigore di prodotto

Uno dei cambiamenti più importanti per me riguarda il modo in cui l'IA ha aumentato la leva operativa dei piccoli team di prodotto.

Quando lavoravo in Meta, disponevamo di un'infrastruttura significativa per prendere decisioni. Team dedicati, piattaforme mature per la sperimentazione, dashboard, data scientist, ricercatori e analisti aiutavano i team di prodotto a comprendere il comportamento degli utenti e a prendere decisioni migliori.

Storicamente, solo le aziende con centinaia o migliaia di persone potevano raggiungere quel livello di rigore di prodotto. L'IA sta cambiando questa situazione.

Anche con i miei team più piccoli, utilizziamo intensamente l'IA per comprendere le interazioni degli utenti e definire le nostre prossime aree di interesse.

Colleghiamo i nostri dati di prodotto a Claude e utilizziamo strumenti come Mixpanel per comprendere il comportamento degli utenti. In precedenza, un piccolo team avrebbe dedicato molto tempo alla creazione di dashboard, alla scrittura di query e all'analisi manuale dei modelli prima di affrontare la domanda di prodotto. Ora possiamo conversare con i nostri dati.

Quindi, quando lanciamo una nuova funzionalità o svolgiamo una campagna, possiamo capire rapidamente:

• Quali segmenti di utenti stanno rispondendo?
• Dove abbandonano gli utenti?
• Quali comportamenti sono correlati alla fidelizzazione?
• Che cosa dovremmo testare ora?

Questo non significa che sia l’IA a prendere la decisione al posto nostro. Cambia il modo in cui impieghiamo il nostro tempo.

Il ruolo umano si allontana dall’estrazione dei dati e si orienta verso la formulazione di domande migliori.

Un modello può identificare l’andamento delle metriche, segmentare il cambiamento e suggerire possibili spiegazioni, ma in fin dei conti è il giudizio umano sul prodotto a dirci quali ipotesi siano credibili, se il cambiamento sia rilevante e che cosa fare dopo.

Come la prototipazione rapida cambia la conversazione

L’IA riduce la distanza tra un’idea e il feedback reale dei clienti.

Utilizziamo ampiamente l’IA durante le prime fasi dello sviluppo del prodotto. Invece di partire da un documento concettuale scritto, ora creiamo rapidamente prototipi ed esperienze interattive con il vibe coding, che permettono al team di provare il prodotto prima di impegnare risorse di sviluppo.

Questo ha migliorato la qualità delle conversazioni che intratteniamo internamente ed esternamente.

Un’idea di prodotto può sembrare eccellente in un documento, ma nel momento in cui qualcuno interagisce con essa si notano aspetti che altrimenti sfuggirebbero: attriti per l’utente, reazioni emotive, flussi confusi o supposizioni che non reggono alla prova dei fatti.

Sottoponiamo rigorosamente i prototipi a prove di stress, raccogliamo feedback, iteriamo e solo a quel punto passiamo allo sviluppo completo.

E questo è particolarmente importante perché l’IA rende anche più facile costruire cose impressionanti che non risolvono problemi significativi. Per esempio, in Data Dumpling abbiamo sperimentato con personas sintetiche dei clienti perché disponevamo di informazioni approfondite sulle aziende, sugli acquirenti e sui responsabili delle decisioni. Potevamo simulare il modo in cui personas diverse avrebbero potuto reagire a messaggi o campagne. Tecnicamente, era una delle cose più interessanti che avessimo costruito. Ma ai nostri clienti non serviva.

Riflessioni di Tara

Sottoponiamo rigorosamente i prototipi a prove di stress, raccogliamo feedback, iteriamo e solo a quel punto passiamo allo sviluppo completo. E questo è particolarmente importante perché l’IA rende anche più facile costruire cose impressionanti che non risolvono problemi significativi.

Come l’IA influisce sulla scoperta dei clienti e sulle roadmap

Storicamente, la scoperta dei clienti comportava una perdita di informazioni. Un PM prendeva appunti, riassumeva le conversazioni, individuava i temi e traduceva queste intuizioni in decisioni sulla roadmap. Molto dipendeva da ciò che qualcuno ricordava o documentava.

Ho ricostruito questo flusso di lavoro con l’IA. Read AI acquisisce ogni conversazione con clienti e potenziali clienti, mentre Claude le sintetizza. Abbiamo creato competenze personalizzate che collegano direttamente queste conversazioni alla nostra roadmap, aiutandoci a capire quali problemi si presentano ripetutamente, quali segmenti di clienti se ne preoccupano e come queste richieste si collegano alle opportunità di fatturato.

In qualsiasi momento possiamo capire non solo quanti clienti abbiano richiesto una funzionalità, ma anche quanto sia importante il problema, chi lo stia affrontando e se risolverlo faccia avanzare l’azienda.

Il risultato è che le decisioni sul prodotto si basano su un sistema di informazioni sui clienti in continuo aggiornamento, anziché su una raccolta di note statiche e conversazioni isolate.

Perché i PM dovrebbero essere cauti nel costruire sulla base di ciò che i modelli fondazionali non possono fare

Se stai costruendo prodotti di intelligenza artificiale, devi capire quanto rapidamente migliorano i modelli di base. Proprio l'anno scorso, una delle prime funzionalità di intelligenza artificiale che abbiamo sviluppato in Data Dumpling riguardava la generazione di contenuti. All'epoca, generare messaggi di contatto altamente contestualizzati utilizzando le informazioni sulle aziende sembrava un vero vantaggio competitivo.

Entro la fine dell'anno, i modelli avevano migliorato notevolmente la loro capacità di comprendere immagini, link e contesti estesi, oltre a generare contenuti di alta qualità già pronti all'uso. Ciò che inizialmente sembrava differenziante è diventato rapidamente un requisito fondamentale.

Penso che sia pericoloso costruire prodotti il cui valore principale dipende da ciò che il modello non è in grado di fare oggi. Invece, ci concentriamo sulla costruzione di soluzioni basate sui flussi di lavoro dei clienti, sui dati proprietari e su sistemi che diventano sempre più preziosi nel tempo.

Perché i responsabili di prodotto devono sperimentare, ma essere decisi

Il mio consiglio è semplice: sii curioso, ma deciso.

Quasi ogni settimana emergono nuovi modelli, strumenti e funzionalità. Nessuno ha tutte le risposte, quindi i team che imparano più rapidamente sono quelli disposti a sperimentare.

Inizia da qualsiasi parte lenta, ripetitiva o frustrante del processo di sviluppo del tuo prodotto. Prova diversi strumenti di intelligenza artificiale. Verifica cosa migliora davvero il lavoro del tuo team. Misura l'impatto, conserva ciò che funziona e non avere paura di abbandonare ciò che non funziona.

Allo stesso tempo, in questo momento c'è la tentazione di ricostruire tutto perché esiste l'intelligenza artificiale. Non è l'approccio giusto.

Se un processo funziona già bene, l'intelligenza artificiale non è necessariamente adatta a quel contesto. L'intelligenza artificiale dovrebbe risolvere problemi reali, non crearne di nuovi.

Inoltre, non tutte le decisioni dovrebbero essere automatizzate. In Data Dumpling, sebbene l'intelligenza artificiale automatizzi gran parte della ricerca dei potenziali clienti, della mappatura del comitato d'acquisto e dell'analisi dei segnali d'intento, costruiamo l'intero flusso di lavoro prevedendo la partecipazione di una persona. L'intelligenza artificiale è eccezionale nell'individuare opportunità, collegare segnali e stabilire le priorità su cui concentrare l'attenzione. Tuttavia, la decisione finale spetta ancora a una persona, che si tratti di perseguire un account, modificare una strategia o decidere come agire di fronte a un segnale d'acquisto complesso.

È una scelta progettuale deliberata. L'obiettivo non è sostituire il giudizio. È fornire alle persone un contesto migliore, affinché possano prendere decisioni migliori.

In definitiva, il successo nell'era dell'intelligenza artificiale non deriva dall'utilizzo del maggior numero di strumenti. Deriva dal sapere dove l'intelligenza artificiale crea un effetto moltiplicatore e dove il giudizio umano continua a essere importante.

Segui gli aggiornamenti

Puoi seguire il lavoro di Tara Sakhuja su LinkedIn e Instagram. Scopri anche Data Dumpling e Luv or Pop.

Presto arriveranno altre interviste con esperti su The CPO Club!