CPO og AI-født gründer deler hvordan man intelligent kan styre et veikart med AI

Tara Sakhuja er CPO i Luv or Pop og grunnlegger av en AI-basert virksomhet kalt Data Dumpling. Før disse rollene jobbet hun med produktutvikling i selskaper som Meta og Bumble.

Vi satte oss ned med Tara for å lære hvordan hun endrer arbeidsflytene sine som PM ved hjelp av AI. Underveis delte hun en av de største fellene for personer som bygger AI-produkter.

Intelligente produkter, intelligent utviklet

Jeg heter Tara Sakhuja. Jeg arbeider i skjæringspunktet mellom AI, produktstrategi og menneskelig atferd.

Jeg er grunnlegger og CEO i Data Dumpling, en AI-plattform som hjelper selskaper med å forstå hvem kundene deres er, hvilke signaler som betyr noe, og hvor teamene deres bør rette oppmerksomheten. Jeg er også produktdirektør i Luv or Pop, der vi tenker nytt om dating og nettbaserte fellesskap gjennom et av verdens mest virale programmer, Pop the Balloon or Find Love with Arlette Amuli.

Før dette brukte jeg et tiår på å bygge produkter i Meta og senere i Bumble, med arbeid på tvers av annonsering, handel, forretningsmeldinger, integritet, tillit og maskinlæringssystemer.

Et enkelt spørsmål knytter alle disse erfaringene sammen: Hvordan bygger man systemer som hjelper mennesker med å ta bedre beslutninger?

I Meta bygget jeg systemer som opererte i en skala på milliarder av brukere. I Bumble fokuserte jeg på sikkerhet, tillit og hvordan AI påvirker dypt menneskelige opplevelser. Nå, som grunnlegger, bygger jeg AI-baserte produkter fra grunnen av.

Vi går inn i en av de største endringene innen produktutvikling siden mobilen. Den største endringen er ikke at produktene blir intelligente. Det er at måten vi bygger produkter på, også må bli intelligent.

Den neste generasjonen av produkter

Data Dumpling er AI-basert. Plattformen kobler sammen virksomhetsinnsikt, kjøpskomiteer, relasjonssignaler og kjøpsintensjon i sanntid, slik at team kan identifisere mulighetene med høyest verdi og forstå hvilken handling de bør ta som neste steg. Vi samarbeider med selskaper innen bedriftsteknologi, rådgivning og industrisektorer, og hjelper inntektsteam med å gå fra statiske lister og manuell research til AI-drevne beslutningssystemer.

I Luv or Pop leder jeg produktstrategien for en sosial forbrukerplattform som skaper dating på nytt med tillit, identitet og fellesskap. Vi har skalert til titusenvis av brukere i USA, Storbritannia, Canada og deler av Afrika, og bygger systemer for verifisering, matching og ekte menneskelig kontakt.

Selv om produktene virker svært forskjellige, er den underliggende produktfilosofien den samme: Den neste generasjonen av produkter skal ikke bare hjelpe mennesker med å utføre mer arbeid. De skal hjelpe mennesker med å ta bedre beslutninger.

Enten det handler om å hjelpe et GTM-team med å finne sin neste kunde eller å hjelpe noen med å finne et meningsfylt forhold, er utfordringen å utforme teknologi som forsterker menneskelig dømmekraft.

Hvordan AI gjør det mulig for mindre team å oppnå grundighet i produktarbeidet

En av de største endringene for meg er hvordan AI har økt den operative gjennomslagskraften til små produktteam.

Da jeg var i Meta, hadde vi betydelig infrastruktur for beslutningstaking. Dedikerte team, modne plattformer for eksperimentering, dashbord, dataforskere, forskere og analytikere hjalp produktteamene med å forstå brukeratferd og ta bedre beslutninger.

Historisk sett var det bare selskaper med hundrevis eller tusenvis av ansatte som kunne oppnå et slikt nivå av grundighet i produktarbeidet. AI endrer dette.

Selv med de mindre teamene mine bruker vi AI mye for å forstå brukerinteraksjoner og informere de neste fokusområdene våre.

Vi kobler produktdataene våre til Claude og bruker verktøy som Mixpanel for å forstå brukeratferd. Tidligere ville et lite team brukt mye tid på å bygge dashbord, skrive spørringer og analysere mønstre manuelt før de tok tak i produktspørsmålet. Nå kan vi ha en samtale med dataene våre.

Så når vi lanserer en ny funksjon eller gjennomfører en kampanje, kan vi raskt forstå:

• Hvilke brukersegmenter reagerer?
• Hvor faller folk fra?
• Hvilken atferd samsvarer med oppbevaring?
• Hva bør vi teste videre?

Det betyr ikke at AI tar beslutningen for oss. Det endrer hvor vi bruker tiden vår.

Menneskets rolle beveger seg bort fra å hente ut data og over mot å stille bedre spørsmål.

En modell kan identifisere endringer i måltall, segmentere endringen og foreslå mulige forklaringer, men til syvende og sist kan menneskelig produktforståelse faktisk fortelle deg hvilke hypoteser som er troverdige, om endringen har betydning, og hva du bør gjøre videre.

Slik endrer rask prototyping samtalen

AI reduserer avstanden mellom en idé og reelle tilbakemeldinger fra kunder.

Vi bruker AI mye i den tidlige produktutviklingen. I stedet for å begynne med et skriftlig konseptdokument, utvikler vi nå raskt prototyper og interaktive opplevelser ved hjelp av utforskende koding, slik at teamet kan oppleve produktet før vi forplikter tekniske ressurser.

Det har endret kvaliteten på samtalene vi har internt og eksternt.

En produktidé kan høres flott ut i et dokument, men i det øyeblikket noen samhandler med den, legger du merke til ting du ellers ville ha gått glipp av: friksjon for brukeren, følelsesmessige reaksjoner, forvirrende flyter eller antakelser som ikke holder mål.

Vi stresstester prototyper grundig, samler inn tilbakemeldinger, itererer og går først deretter videre til full utvikling.

Og dette er spesielt viktig fordi AI også gjør det enklere å bygge imponerende ting som ikke løser meningsfulle problemer. I Data Dumpling eksperimenterte vi for eksempel med syntetiske kundepersonaer fordi vi hadde omfattende innsikt i selskaper, kjøpere og beslutningstakere. Vi kunne simulere hvordan ulike personaer kunne reagere på budskap eller kampanjer. Teknisk sett var det noe av det mest interessante vi bygde. Men kundene våre trengte det ikke.

Tara sine tanker

Vi stresstester prototyper grundig, samler inn tilbakemeldinger, itererer og går først deretter videre til full utvikling. Og dette er spesielt viktig fordi AI også gjør det enklere å bygge imponerende ting som ikke løser meningsfulle problemer.

Slik påvirker AI kundeinnsikt og veikart

Historisk sett var kundeinnsikt beheftet med tap av informasjon. En produktleder tok notater, oppsummerte samtaler, identifiserte temaer og oversatte denne innsikten til beslutninger om veikartet. Mye var avhengig av hva noen husket eller dokumenterte.

Jeg har bygget om denne arbeidsflyten med AI. Read AI fanger opp alle samtaler med kunder og potensielle kunder, og Claude sammenfatter dem. Vi har utviklet egendefinerte ferdigheter som kobler disse samtalene direkte mot veikartet vårt, slik at vi kan forstå hvilke problemer som dukker opp gjentatte ganger, hvilke kundesegmenter som bryr seg om dem, og hvordan disse forespørslene henger sammen med inntektsmuligheter.

Vi kan når som helst forstå ikke bare hvor mange kunder som har bedt om en funksjon, men også hvor viktig problemet er, hvem som opplever det, og om det å løse det bringer virksomheten videre.

Resultatet er at produktbeslutninger baserer seg på et kontinuerlig oppdatert system for kundeinnsikt, i stedet for en samling statiske notater og enkeltstående samtaler.

Hvorfor produktledere bør være forsiktige med å bygge basert på det grunnleggende modeller ikke kan gjøre

Hvis du utvikler AI-produkter, må du forstå hvor raskt grunnmodeller forbedres. Bare i fjor innebar en av de første AI-funksjonene vi bygget hos Data Dumpling, innholdsgenerering. På det tidspunktet føltes det som et reelt konkurransefortrinn å generere svært kontekstuell oppsøkende kommunikasjon ved hjelp av selskapsinformasjon.

Mot slutten av året hadde modellene forbedret evnen sin dramatisk til å forstå bilder, lenker og kontekst i langformat, samt til å generere innhold av høy kvalitet direkte. Noe som først føltes som en tydelig differensiator, ble bemerkelsesverdig raskt en grunnleggende forventning.

Jeg mener det er farlig å bygge produkter hvis primære verdi avhenger av det modellen ikke kan gjøre i dag. I stedet fokuserer vi på å bygge rundt kundearbeidsflyter, proprietære data og systemer som blir mer verdifulle over tid.

Hvorfor produktledere må eksperimentere, men være besluttsomme

Mitt råd er enkelt: Vær nysgjerrig, men vær besluttsom.

Nye modeller, verktøy og funksjoner dukker opp nesten hver uke. Ingen har alle svarene, så teamene som lærer raskest, er de som er villige til å eksperimentere.

Begynn med en langsom, repetitiv eller frustrerende del av produktutviklingsprosessen din. Prøv ulike AI-verktøy. Se hva som faktisk forbedrer teamets arbeid. Mål effekten, behold det som fungerer, og ikke vær redd for å forkaste det som ikke gjør det.

Samtidig er det akkurat nå en fristelse til å bygge om alt fordi AI finnes. Det er ikke riktig tilnærming.

Hvis en prosess allerede fungerer godt, hører ikke AI nødvendigvis hjemme der. AI bør løse reelle problemer, ikke skape nye.

Det er heller ikke alle beslutninger som bør automatiseres. Hos Data Dumpling automatiserer AI mye av arbeidet med å finne potensielle kunder, kartlegge kjøpskomiteer og analysere intensjonssignaler, men vi bygger hele arbeidsflyten vår rundt et menneske i sløyfen. AI er eksepsjonelt god til å avdekke muligheter, koble sammen signaler og prioritere hvor oppmerksomheten bør rettes. Men en person tar fortsatt den endelige beslutningen, enten det gjelder å gå videre med en konto, endre en strategi eller avgjøre hvordan man skal handle på grunnlag av et komplekst kjøpssignal.

Det er et bevisst designvalg. Målet er ikke å erstatte dømmekraft. Det er å gi mennesker bedre kontekst, slik at de kan ta bedre beslutninger.

Til syvende og sist kommer suksess i AI-æraen ikke av å bruke flest verktøy. Den kommer av å vite hvor AI skaper større gjennomslagskraft, og hvor menneskelig dømmekraft fortsatt er viktig.

Følg med

Du kan følge arbeidet til Tara Sakhuja på LinkedIn og Instagram. Ta også en titt på Data Dumpling og Luv or Pop.

Flere ekspertintervjuer kommer på The CPO Club!