Het door AI versterkte team: een nieuwe handleiding voor productleiders

Lees het transcript:

We proberen onze podcasts te transcriberen met behulp van een softwareprogramma. Vergeef ons eventuele typfouten, want de bot heeft niet altijd 100% gelijk.

Hannah Clark: Een van de vele desoriënterende aspecten van deze AI-revolutie is dat we gezamenlijk een nieuwe realiteit uitvinden. Ik hoef je waarschijnlijk niet te vertellen dat die veel minder utopisch is dan het klinkt. Maar wat ook interessant is, is dat we in real time zien hoe zowel leiders als individuele medewerkers, durf ik wel te zeggen, worstelen met het navigeren door de rommeligheid die gepaard gaat met het inslaan van een nieuwe weg.

De vragen rond zaken als ethiek op de werkplek, kwaliteit van de output en de impact op toekomstige resultaten houden iedereen in het organigram bezig. Maar dat betekent ook dat we een geweldige kans hebben om van elkaars doorbraken te leren en onze eigen beslissingen vorm te geven rond de realiteit waarin we uiteindelijk willen belanden.

Mijn gast vandaag is Andrew Saxe, VP Product bij Smartling. Smartling bevindt zich in de vertaal- en taalservicesector, die praktisch een schoolvoorbeeld is van een sector die door AI wordt beïnvloed. Toen Andrew bij Smartling begon, voerde hun team vertaaldiensten handmatig uit en was AI nog slechts een oude sciencefictionfilm met Haley Joel Osment als robot-Pinokkio.

Onnodig te zeggen dat er veel is veranderd. In deze aflevering hoor je Andrews visie op het scheiden van echte AI-waarde en opgeblazen hype, ethische overwegingen waar leiders aan moeten denken bij het implementeren van AI-aangedreven werkstromen en waarom de vaardigheden waar de meeste vraag naar is sneller zijn verschoven dan iemand had verwacht. Laten we beginnen.

O ja, trouwens: elke week voeren we gesprekken zoals dit. Als dit je interessant lijkt, waarom schrijf je je dan niet in? Goed, laten we beginnen.

Welkom terug bij de podcast voor productmanagers. Ik ben hier vandaag met Andrew Saxe. Hij is de VP Product bij Smartling.

Andrew, heel erg bedankt dat je tijd hebt vrijgemaakt in je drukke agenda om vandaag bij ons te zijn.

Andrew Saxe: Absoluut. Fijn om hier te zijn.

Hannah Clark: Kun je iets vertellen over je achtergrond en hoe je bent gekomen waar je nu bent?

Andrew Saxe: Ja. Weet je, ik heb waarschijnlijk sinds het midden van de jaren negentig altijd al interesse gehad in internet. Het was nieuw en ik ben altijd actief geweest in de technologiewereld. Ik heb veel technologie gestudeerd en al mijn banen zijn gericht geweest op ontwikkeling en product.

Een tijdje was ik een nepwebontwikkelaar: ik maakte niet de beste websites of code. Uiteindelijk ben ik overgestapt naar product. Ik werk nu ongeveer veertien jaar bij Smartling, in juli vijftien jaar, dus best lang. Maar ja, altijd bezig geweest met product bij Smartling.

Hannah Clark: Ja. Cool. Vijftien jaar is inderdaad niet niks.

Andrew Saxe: Dat is zeker geen korte periode.

Hannah Clark: Zeker niet in de techwereld. Dat zijn hondenjaren.

Andrew Saxe: Ja. Het is volgens mij mijn langste relatie.

Hannah Clark: Vandaag richten we ons op de veranderende ethiek rond AI vanuit het perspectief van leiderschap. Om te beginnen: wil je het gesprek kaderen aan de hand van je observaties bij Smartling gedurende de afgelopen vijftien jaar?

In die periode heb je natuurlijk gezien dat Smartling actief is in de vertaalindustrie en dat er sinds je start bij het bedrijf veel grote technologische veranderingen hebben plaatsgevonden. Er was de overstap naar de cloud, meer transparantie en nu bevinden we ons in het AI-tijdperk. Wat is er anders aan deze verschuiving?

Andrew Saxe: Ja, absoluut. Ik zit dus in de vertaalbranche: ik kan Engels omzetten naar Frans en Spaans en dat soort dingen. Als je over dat proces nadenkt, zijn er altijd veel mensen bij betrokken geweest. Vertalen is eeuwenoud. Het is er altijd geweest: talen omzetten naar andere talen. Het is ook altijd vooral mensenwerk geweest.

Als je kijkt naar de andere technologische ontwikkelingen van de afgelopen vijftien jaar, was de cloud natuurlijk waarschijnlijk de grootste. Die had vooral gevolgen voor bedrijven en organisaties. De verschuiving naar AI heeft de vertaalwereld echter al diepgaand beïnvloed en zal waarschijnlijk ook elders steeds meer impact hebben op mensen.

Hoewel de cloud een enorme impact had en mensen in staat stelde bedrijven op te schalen zonder serverparken en dergelijke te moeten opzetten, merkten eindgebruikers daar grotendeels niet zoveel van, behalve dat ze meer apps, bedrijven en dergelijke kregen. Het zijn volgens mij de dagelijkse werknemers die het meest worden beïnvloed door de huidige AI-verschuiving. Dat zien we zeker in de vertaalwereld.

Hannah Clark: Ja, ik kan me voorstellen dat dit in die specifieke sector extra sterk wordt gevoeld.

Als we het hebben over het implementeren van AI in vertaaldiensten, zoals je al aangaf, heeft dat een grote impact op het personeelsbestand van vertalers en op eindgebruikers. Hoe breng je de efficiëntiewinst in balans met de impact op je medewerkers, en hoe is hun rol veranderd?

Andrew Saxe: Als we kijken naar wat we doen: we zijn zowel een software- als een SaaS-bedrijf en bieden hulpmiddelen om vertalingen en het volledige proces te beheren. Je kunt je duizenden of honderdduizenden mensen voorstellen die vertalingen invoeren. Daarvoor bieden we hulpmiddelen om dat proces te beheren.

Daarnaast zijn er natuurlijk alle mensen die de vertalingen daadwerkelijk uitvoeren. Wij bieden die vertaaldiensten aan. Mensen hebben die vertalingen grotendeels ingevoerd, gecontroleerd op kwaliteit, fouten gecorrigeerd en al die andere zaken gedaan. Ook de merkstem van een organisatie speelt een rol.

Een paar jaar geleden, ongeveer tien jaar geleden, kwam neurale machinevertaling op. Dat was een grote stap, misschien vijf of zes jaar geleden — ik weet het tijdsbestek niet meer precies. Google Translate bestaat al lange tijd en stapte gedeeltelijk over op neurale machinevertaling. Dat had een aanzienlijke invloed op de kwaliteit, maar niet zodanig dat mensen volledig uit het proces konden worden verwijderd.

Als je naar het proces kijkt, voert iemand de vertaling in, controleert iemand anders de kwaliteit en gaat het vervolgens terug naar de contenteigenaar. Zo is het altijd geweest. Zelfs met machinevertaling bleef dat grotendeels zo. Met AI kijken we er echt naar hoe we mensen uit die werkstroom en dat proces kunnen halen, of hun rol op zijn minst kunnen veranderen. Naarmate AI en de hulpmiddelen eromheen beter worden, hoeven mensen misschien niet meer de vertaling in te voeren. We kunnen de beste eerste vertaling genereren, AI en grote taalmodellen gebruiken om de kwaliteit ervan te beoordelen en vervolgens bepalen of er wel of geen mens naar moet kijken.

De rol van de mens verschuift dan meer naar een soort validatiefunctie. Zodra we hebben vastgesteld dat de kwaliteit gecontroleerd moet worden, komt de mens in beeld. Die denkt dan: dit is misschien niet geweldig. Vervolgens vindt die persoon wellicht alle uitzonderingsgevallen die het grote taalmodel niet goed kan controleren of herkennen. Daarna kun je die informatie terugvoeren naar de machine, zodat het geheel hopelijk verbetert.

De rol verschuift dus duidelijk van het begin en het midden van de werkstroom naar het einde, voor willekeurige validatie of steekproefsgewijze kwaliteitscontroles van content. Dat is een behoorlijke verandering in de manier waarop mensen werken. Wie weet komt er uiteindelijk een punt waarop sommige validatiestappen helemaal niet meer nodig zijn, maar dat is in ieder geval de ontwikkeling die we nu zien.

Hannah Clark: Ja, ik vind dat bijzonder interessant, vooral wanneer je iets als merkstem noemt. Dat is zo genuanceerd en kan erg moeilijk te herkennen en beheersen zijn, zelfs in je eigen taal. Als een vertaling ermee te maken krijgt, kan ik me voorstellen dat het voor AI veel complexer is om dit adequaat te beoordelen en te vertalen.

Ik begrijp dus hoe die laag nog steeds zeer relevant is en moeilijk te vervangen zal zijn.

Andrew Saxe: Dat is zeker zo. Merkstem is een enorm onderdeel, net als speciale terminologie. Mensen hebben merkwoorden en woordenlijsten die ze willen gebruiken, of woorden die ze juist willen vermijden.

Je moet ervoor zorgen dat de vertalingen daar allemaal rekening mee houden. AI doet dat behoorlijk goed, maar kan ook fouten maken. Je moet als het ware vangrails bouwen en soms vormt het menselijke aspect daarvan de vangrail.

Hannah Clark: Zeker. Zelfs als je AI alleen gebruikt voor het bedenken van content en dergelijke, komt er heel wat bij kijken. Het is interessant om te bedenken wat de technologie nu kan, maar ook dat er verschillende rollen voor menselijke tussenkomst blijven bestaan. Het is niet altijd gewoon een eenvoudige, directe vertaalopdracht.

Als de taak verschuift van typen door een mens naar een validatiefunctie, hoe ziet de werkstroom er dan nu uit in vergelijking met vijf jaar geleden, voordat we dit AI-tijdperk binnengingen?

Andrew Saxe: Eerlijk gezegd was het zo: ook in het Smartling-landschap wordt technologie al tientallen jaren gebruikt voor vertalingen, met desktopprogramma’s, serverprogramma’s en allerlei andere hulpmiddelen om het proces te beheren. Maar er was altijd iemand die de vertaling invoerde, controleerde en de kwaliteit beoordeelde.

Als we nadenken over de kosten van vertalen: organisaties besteden honderden miljoenen en miljarden dollars aan vertalingen. Wanneer mensen het werk doen, kan het ook tijd kosten om vertalingen af te ronden. De werkstroom verandert dus echt: de kosten dalen razendsnel als je mensen niet langer hoeft te betalen voor die werkzaamheden.

De werkstroom wordt enorm efficiënter en draait vooral nog om uitzonderingsgevallen en vergelijkbare situaties. Er zijn nog steeds gevallen waarin mensen nodig zijn. Zelfs als AI en andere technologieën verbeteren, wil je bij juridische documenten misschien nog steeds dat mensen alles controleren, of in ieder geval alle informatie die zeer exact moet zijn.

Er blijven dus bepaalde soorten content waarvoor mensen nodig zijn, maar ik verwacht dat dit de komende jaren zal veranderen.

Hannah Clark: Naarmate het vertrouwen in de technologie groeit en die effectiever wordt, zal dat waarschijnlijk gebeuren. Interessant: wanneer we over ethiek praten, is er een intern debat over de vraag waar we ethisch gezien staan met betrekking tot het bereiken van kunstmatige algemene intelligentie en dergelijke ontwikkelingen. Welke ethische overwegingen zijn naar voren gekomen in gesprekken binnen je leiderschapsteam over de implementatie van AI, intern of binnen de bredere vertaalindustrie?

Andrew Saxe: Voor ons geldt dat we, als we kijken naar de taalkundigen met wie we voortdurend samenwerken, mensen redelijk succesvol naar andere rollen hebben kunnen laten overstappen. We zorgen er ook voor dat ze ongeveer hetzelfde blijven verdienen als voorheen. Misschien kunnen ze nu meer content controleren, omdat er minder bewerking en controle nodig is. Hun snelheid is daardoor verbeterd.

Ze bevinden zich alleen aan een ander uiteinde van de werkstroom. We staan nog maar aan het begin van het gebruik van deze hulpmiddelen, dus dit is iets waar we veel meer over moeten nadenken. Binnen de sector wordt zeker nagedacht over de vraag waar al deze mensen uiteindelijk terechtkomen.

Vertalen is een zeer genuanceerde activiteit. Zoals je zei: alleen omdat je Spaans of Frans spreekt, betekent dat nog niet dat je documenten, specialistische content en dergelijke kunt vertalen. Het resultaat kan gewoon niet kloppen. Het is dus een zeer doordachte oefening.

Ik denk dat daar nog steeds ruimte voor is. Misschien verschuift het werk zelfs meer naar het creëren van content in een andere taal dan naar het bewerken van bestaande content voor vertaling. Er zullen dus zeker nog rollen voor mensen blijven bestaan in de vertaalwereld.

Hannah Clark: Dit doet me op veel manieren denken aan de contentsector. Nu de hulpmiddelen bestaan om het proces efficiënter te maken, is ook de vaardighedenmix waar vraag naar is veranderd. Vroeger waren output en aandacht voor technische vereisten, vooral SEO en dergelijke, heel belangrijk. Ik stel me voor dat dit in de vertaalwereld vergelijkbaar is.

Het klinkt alsof het vermogen om specifieke nuances, taalkundige nuances en stijl op te merken, en zeer nauwkeurig te zijn met betrekking tot de eisen van een klant, belangrijker is geworden dan alleen woord voor woord kunnen vertalen. Het is interessant hoe zulke technologische verschuivingen een domino-effect hebben op de hele sector en op de vaardigheden waar vraag naar is.

Andrew Saxe: Dat gebeurt zeker. Als we kijken naar een deel van het onderzoek dat we uitvoeren en waarschijnlijk dit jaar zullen inzetten, proberen we veel van die nuance vast te leggen. Bijvoorbeeld door te kunnen aangeven hoe een organisatie zichzelf ziet of hoe ze wil dat klanten over haar praten.

Het formuleren van dat soort beschrijvingen kan grote invloed hebben op wat AI, een groot taalmodel of welk systeem dan ook oplevert. We hebben op basis daarvan veranderingen in kwaliteit gezien. Ook nu mensen nog betrokken zijn bij sommige validatie- en controlegebieden, speelt die nuance dus een rol.

Dat zal in de loop van de tijd waarschijnlijk ook veranderen.

Hannah Clark: Ik zie het graag zo: wanneer de markt op een bepaald gebied een overvloed creëert, bijvoorbeeld in de hoeveelheid output, ontstaat er een soort slingerbeweging naar meer vraag naar kwaliteit, authentiekere inzichten en datgene wat een stuk onderscheidt van dat van een concurrent die dezelfde hulpmiddelen kan gebruiken.

Wat een interessante tijd om mee te maken.

Andrew Saxe: Ja. Het is ontzettend interessant om zo’n ingrijpende verandering in zo’n korte tijd te zien.

Hannah Clark: Het voelt soms echt alsof we getuige zijn van een verschuiving die normaal gesproken over meerdere decennia zou plaatsvinden, maar die nu in een paar maanden gebeurt. Mijn hoofd draait nog steeds, en elke keer dat ik zulke gesprekken voer, vind ik het weer ongelooflijk. We hebben ongeveer één keer per maand een AI-gesprek in deze show en iedere keer is het weer bizar.

Laten we teruggaan naar werkstromen. Ik ben benieuwd hoe je beslissingen neemt over de implementatie en over het aanpassen van je werkstroom. Zoals je zei, wil je snelheid echt mogelijk maken. Het klinkt alsof veel mensen in dit personeelsbestand nu worden gestimuleerd om waarschijnlijk lonender werk te doen in plaats van meer routinematige taken die kunnen worden uitbesteed.

Hoe bepaal je welke werkstromen of taken voornamelijk door mensen moeten worden uitgevoerd en welke moeten worden toegewezen aan AI, met de verwachting dat AI voor die werkstroom wordt gebruikt?

Andrew Saxe: Dat hangt er echt van af. In de vertaalwereld bestaat er een matrix van kosten, kwaliteit en snelheid waar mensen altijd doorheen proberen te navigeren om de beste kwaliteit tegen de laagste prijs en zo snel mogelijk te krijgen.

We doen veel onderzoek, testen en analyses om ervoor te zorgen dat we voor het juiste type content het juiste hulpmiddel aanbieden. We werken met bepaalde betrouwbaarheidsniveaus. Vooral bij onze AI-hulpmiddelen kijken we naar de vraag of we er vertrouwen in hebben dat een bepaalde technologie, een reeks hulpmiddelen of een werkstroom een bepaald soort content kan produceren waarvan we de kwaliteit kunnen garanderen.

Als we de kwaliteit van een bepaald proces of een bepaalde werkstroom kunnen garanderen, gebruiken we dat samen met de klant om te bepalen welke werkstroom die moet gebruiken. Sommige klanten eisen nadrukkelijk dat er een mens bij betrokken is. Ze willen misschien zelfs twee mensen bij het proces betrekken, omdat ze bepaalde soorten content hebben waarvoor dat nodig is.

Maar we zien steeds vaker dat technologiegestuurde werkstromen breder kunnen worden toegepast op vrijwel alle soorten content. Er is één kanttekening: sommige zeldzame talen beschikken misschien niet over voldoende informatie in het grote taalmodel om echt te begrijpen hoe de vertaling moet worden uitgevoerd.

Voor sommige van die minder gangbare talen zijn dus nog steeds mensen nodig. Over het algemeen zien we echter dat deze hulpmiddelen breed kunnen worden toegepast op vrijwel elk type content, terwijl we de kwaliteit nog steeds kunnen garanderen.

Hannah Clark: Ik wil ook iets uitzoomen naar de organisatie als geheel, want we richten ons nu op één specifiek team. Hoe pakken jullie AI-adoptie bij Smartling in het algemeen aan?

Merk je dat de organisatie AI redelijk uniform invoert, nu iedereen inmiddels wel een gebruiksscenario voor AI heeft? Of zijn er verschillen in waar het meer toepasbaar is en waar meer weerstand bestaat tegen het loslaten van de ouderwetse manier van werken?

Andrew Saxe: Ik denk dat daar misschien twee kanten aan zitten. Als softwareleverancier met klanten merken we dat klanten vaak interne opdrachten hebben om AI te gebruiken. Ze weten soms niet eens precies hoe, maar hun organisatie verplicht hen om efficiëntie te behalen en ervoor te zorgen dat hun leveranciers AI gebruiken en over die efficiëntie kunnen rapporteren.

Klanten willen dat dus zeker en vragen erom. Wij proberen uit te zoeken welke oplossingen de efficiëntie, kostenbesparingen of andere vereisten voor hun organisatie kunnen opleveren. Intern geldt eigenlijk hetzelfde: elk team gebruikt AI en AI-hulpmiddelen. Ons engineeringteam doet dat zeker, en ons productteam ook.

Misschien in iets mindere mate, maar ook daar wordt AI volop gebruikt. Onze hulpmiddelen voor klantenondersteuning zijn allemaal AI-geactiveerd en onze helpdesk werkt met AI. Eigenlijk beweegt alles in die richting.

Hannah Clark: Ik zie steeds meer van die AI-verplichtingen. Ik heb hier inmiddels een paar gesprekken over gevoerd en organisaties lijken verschillende benaderingen te hanteren. Ik heb het omschreven horen worden als een wortel- of stokbenadering. Je kunt AI stimuleren en, als dat niet werkt en de adoptiegraad nog steeds niet hoog genoeg is, wordt het een verplichting.

Het doel daarvan is volgens mij om mensen aan te moedigen te experimenteren, de hulpmiddelen uit te proberen en vertrouwd te raken met de manier waarop ze hun werkstromen kunnen ondersteunen. Maar ik kan me voorstellen dat daar ook een keerzijde aan zit.

Andrew Saxe: Intern hebben we inderdaad beleid opgesteld en toegestane hulpmiddelen aangewezen. De leveranciers die we gebruiken hebben meestal al beveiligingscontroles en audits doorlopen, zodat we daar enige veiligheid en waarborgen omheen kunnen bouwen.

Maar er is elke dag wel een nieuw hulpmiddel dat iedereen kan gebruiken, en ik weet zeker dat mensen die ook uitproberen.

Hannah Clark: Als we het hebben over de hypecyclus: dit is nieuwe technologie, er zijn verplichtingen, er is enthousiasme en er is veel hype. Volgens mij komen we nu uit een periode van grote scepsis: wat is hype en welke hulpmiddelen hebben daadwerkelijk AI-functies nodig?

Dat gebeurt iedere keer wanneer er een enorme technologische vooruitgang is. We zagen het bij sociale media en Web3. Hoe help je de organisatie om hype van echte waarde te onderscheiden en de aandacht te richten op waar deze hulpmiddelen werkelijk waardevol zijn? Er zijn immers ook mensen die terughoudend zijn met adoptie en mensen die misschien juist iets te enthousiast zijn.

Hoe breng je dat terug naar de vraag: waar zit een waardevol AI-gebruiksscenario dat niet ten koste gaat van de kwaliteit?

Andrew Saxe: Een van onze AI-onderzoekers en -engineers zegt altijd: niet alles hoeft AI te zijn. Als je iets met een regel of een eenvoudige als-dan-logica kunt doen, doe dat dan. Besteed niet zoveel tijd aan de gedachte dat alles door AI moet worden aangedreven.

Als je hulpmiddelen zoals ChatGPT gebruikt, kun je verbaasd zijn dat het ineens een enorm document voor je schrijft of dat je iets invoert en er allerlei informatie uitkomt. Dat is één aspect dat de hype veroorzaakt, omdat het lijkt alsof het systeem al die geweldige dingen gewoon doet.

Wanneer je AI echter gaat toepassen op zakelijke oplossingen en klantproblemen, heb je een ander niveau van vertrouwen nodig in wat het systeem ziet en oplevert. Daar ontstaat volgens mij de scepsis. Dan realiseer je je dat dit niet hetzelfde is als iets in ChatGPT typen en een goed antwoord krijgen.

Het gaat erom uit te zoeken hoe je de technologie kunt toepassen op iets dat je bedrijf of de resultaten van je klanten verbetert. Er is dus zeker veel enthousiasme en iedereen wil AI, maar zodra je daadwerkelijk hulpmiddelen gaat bouwen, ontstaat er een meer afgewogen reactie.

Je wilt zeker weten dat je iets bouwt dat mensen echt helpt en nuttig is. Soms kost dat meer tijd dan alleen iets in ChatGPT typen.

Hannah Clark: Absoluut. Ik zie hier een parallel met sociale media toen die massaal opkwamen. Er ontstond een sociale norm: ieder bedrijf moet op sociale media aanwezig zijn. Sommige mensen namen het helemaal niet serieus of niet serieus genoeg. Anderen gingen juist te ver en investeerden overdreven veel in sociale media, tot het punt waarop je je afvraagt wat het rendement is.

Je moet dus die balans goed afstellen, ruimte geven om te experimenteren en mensen aanmoedigen om te ontdekken waar de goede gebruiksscenario’s liggen. Vervolgens moet je alleen de toepassingen behouden die aantoonbaar voordeel opleveren voor het bedrijf.

Andrew Saxe: Ja. Wanneer we iets bouwen, doen we veel experimenten en tests. We hebben bijvoorbeeld iets getest waarvan we denken dat het geweldig zal zijn voor klanten. We proberen altijd een betrouwbaarheidsniveau van 80 tot 85 procent gedurende enkele maanden te bereiken.

Tot nu toe is het bijna een muntopgooi geweest: werkt het wel of niet? AI is geweldig, maar soms is het nog steeds ongeveer fiftyfifty of het resultaat oplevert dat we willen. Er is dus zeker een vertrouwenslaag nodig, evenals zekerheid over de juiste gebruiksscenario’s voor de technologieën die we ontwikkelen.

Hannah Clark: Als je naar andere sectoren dan de vertaalwereld kijkt, welke parallellen zie je dan in de manier waarop AI wordt geïntegreerd?

En meer algemeen in de productwereld: zijn er lessen uit je eigen loopbaan die volgens jou breder toepasbaar zijn en die bepalen hoe je kijkt naar de manier waarop we met deze technologie vooruitgaan?

Andrew Saxe: Een beetje. Ik probeer op de hoogte te blijven van de nieuwste hulpmiddelen voor productmanagers en productteams.

Ik heb nog niet veel toepassingen gezien die echt enorm behulpzaam zijn geweest bij een deel van de productontwikkeling. Dat zeg ik omdat wij, in ieder geval naar mijn idee, dingen proberen uit te vinden die nog niet bestaan: nieuwe hulpmiddelen, interfaces, technologieën en toepassingen waarvan mensen hopelijk nog niet eerder hebben gehoord.

AI kan nuttig zijn voor schrijfwerk. Geef me bijvoorbeeld de opzet van een specificatie en zet die om in iets concreets. Of zet het om in Jira-tickets. Dat kan een deel van de complexiteit wegnemen van wat productmanagers uiteindelijk moeten doen.

Ik heb ook interessante hulpmiddelen gezien waarmee je iets op papier kunt tekenen en er vervolgens een nette mock-up van wordt gemaakt. Het systeem kan bovendien verschillende gebieden aanwijzen waarop je je kunt richten.

Ik denk dus dat we veel toepassingen zullen gaan zien die het dagelijkse werk verbeteren, het soort werk waarbij je voortdurend in de details zit en dat misschien minder denkwerk vereist dan iets volledig nieuws uitvinden.

Hannah Clark: Over iets nieuws uitvinden gesproken: ik ben erg enthousiast over deze nieuwe trend van programmeren met AI.

Er wordt zoveel potentieel ontsloten voor samenwerking binnen teams. Mensen kunnen een idee hebben en meteen een prototype genereren waarop een team met de juiste vaardigheden kan voortbouwen.

Andrew Saxe: Heb je sommige van die hulpmiddelen al in actie gezien?

Hannah Clark: Ja, ons interne team experimenteert er veel mee. Het is echt interessant om te zien wat mensen bedenken. Wat ik vooral leuk vind, is dat we allemaal wel eens als smartphonegebruiker hebben gedacht: er zou een app moeten zijn die precies dit doet, iets wat ik specifiek wil — waarschijnlijk niemand anders.

Nu heb je de technologie om het uit te proberen en te ontdekken of het een slecht idee is, of misschien juist iets dat werkt. Ik heb zelf ook zo’n idee, maar ik kan nog niet verklappen wat het is.

Andrew Saxe: Dat is inderdaad een geweldige manier om te testen of je idee daadwerkelijk levensvatbaar is.

Hannah Clark: Precies. Het is mooi dat je iets onmiddellijk kunt valideren. Zo ontstaan ideeën. Vaak doet iemand anders het waarschijnlijk al, maar misschien kun jij het beter doen.

Andrew Saxe: Precies.

Hannah Clark: Als we kijken naar de relatie tussen AI en menselijke werknemers: als leider praten we over de impact die je nu op de organisatie ziet. We kunnen allebei wel voorspellen waar dit naartoe gaat voor eindgebruikers en mensen in het algemeen. Maar wat zou je graag willen zien? Wat vind je spannend aan de manier waarop dit je medewerkers in staat stelt meer te doen, en wat zou je de komende drie tot vijf jaar graag zien?

Andrew Saxe: Vanuit platformperspectief is er, in ieder geval in de vertaalwereld en in veel andere sectoren, veel beheerwerk. Veel mensen zitten voortdurend diep in de details. Op veel platforms brengen mensen hun hele dag door en dat is hun baan.

Ik denk dat dit verandert in beheer op basis van uitzonderingen. Als je erop kunt vertrouwen dat AI, grote taalmodellen of andere hulpmiddelen het gewenste resultaat opleveren, zou je alleen nog moeten ingrijpen wanneer dat resultaat niet wordt bereikt.

Dat betekent dat je veel hulpmiddelen opnieuw positioneert en herontwerpt, waaronder platforms zoals Smartling, zodat ze meer gericht zijn op beheer bij uitzonderingen. En als mensen al die taken niet meer hoeven uit te voeren, kunnen technologie en hulpmiddelen op meer plaatsen worden ingezet dan alleen binnen een bepaald venster of systeem.

Hannah Clark: Wat vind je van deze prikkelende gedachte? Een van de zaken waar ik al langer kritisch op ben, is dat de traditionele loopbaanontwikkeling vaak inhoudt dat mensen die heel goed zijn in een specifieke taak als individuele medewerker doorstromen op basis van hun vaardigheden binnen hun kernfunctie. Vervolgens worden ze leidinggevenden, terwijl ze niet altijd over de vaardigheden beschikken om mensen te leiden.

Ik heb het gevoel dat dit de eerste keer is dat individuele medewerkers technologie aansturen die taken op basisniveau uitvoert. We beginnen daardoor eigenlijk al op het niveau van individuele medewerkers managementvaardigheden te ontwikkelen. Mensen leren wat er nodig is om iets te beheren of een team te overzien voordat ze de laag van peoplemanagement bereiken.

Andrew Saxe: Dat is heel logisch. Daar had ik nog niet eerder over nagedacht, maar ik zal er zeker over nadenken, ook wanneer ik naar het Smartling-team kijk.

Hannah Clark: Het is interessant, want het gaat om de nuances van het omgaan met menselijke problemen. Ik vind het mooi om te zien dat mensen al leren denken als managers voordat ze daadwerkelijk managers worden.

Ik ben dus ook enthousiast over die verschuiving.

Andrew Saxe: Dat is inderdaad logisch. Het creëert waarschijnlijk veel nieuwe mogelijkheden voor mensen om dingen te doen die ze eerder niet zouden hebben gedaan.

Hannah Clark: Het is interessant om zulke onverwachte gevolgen te zien wanneer een technologie een volledig nieuw paradigma creëert.

Andrew Saxe: Zeker.

Hannah Clark: Dit was erg leuk. Ik waardeer het enorm dat je in de show wilde komen. Ik houd van een levendig gesprek over AI.

Andrew Saxe: Ik weet zeker dat je er nog veel meer zult voeren.

Hannah Clark: Waarschijnlijk volgende maand alweer. Waar kunnen mensen je online volgen, Andrew?

Andrew Saxe: Ze kunnen me vinden op LinkedIn. Volgens mij is het gewoon ASaxe.

Hannah Clark: Geweldig. Bedankt dat je er was en bedankt voor je tijd.

Andrew Saxe: Heel erg bedankt.

Hannah Clark: Bedankt voor het luisteren. Abonneer je voor meer geweldige inzichten, praktische handleidingen en beoordelingen van hulpmiddelen op onze nieuwsbrief via theproductmanager.com/subscribe. Je kunt meer gesprekken zoals dit beluisteren door je te abonneren op The Product Manager, waar je je podcasts ook beluistert.