Hoe word je AI-productmanager zonder ervaring (met Dr. Nancy Li)

Lees het transcript:

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

Hannah Clark: Waarschuwing vooraf: dit wordt alweer een aflevering over AI. Ik vermoed dat luisteraars momenteel in twee kampen zijn verdeeld: mensen die hongerig zijn naar informatie over alles wat met AI te maken heeft, en mensen die denken: ‘AI? Meer A, ik heb inmiddels genoeg over dit onderwerp gehoord.’ En als je na die vreselijke woordgrap nog steeds luistert, neem ik aan dat je tot het eerste kamp behoort — wat betekent dat je misschien de perfecte kandidaat bent om je te specialiseren in AI-productmanagement.

Vandaag ben ik opnieuw te gast bij Dr. Nancy Li. Zij is niet alleen een absolute kracht om rekening mee te houden, maar ook de oprichter van Product Manager Accelerator, de presentator van de Product Insider Podcast, is vermeld in Forbes en is bovendien een veteraan in AI-productmanagement. Dr. Li heeft een bijzonder perspectief op zowel de AI-productwereld als het carrièrelandschap voor productprofessionals, waar ze de afgelopen jaren nauw bij betrokken is geweest. Ze is hier dus om insiderinformatie te delen over hoe je je fascinatie voor AI kunt omzetten in een levensveranderende carrièrestap. Laten we beginnen.

Welkom terug bij de podcast van The CPO Club. Dr. Nancy, heel erg bedankt dat je vandaag opnieuw bij ons bent.

Nancy Li: Bedankt dat ik opnieuw aan je programma mag deelnemen. Ik heb de vorige keer veel plezier gehad bij het opnemen van die afleveringen, dus ik ben blij dat ik terug mag komen en meer inzichten over AI kan delen.

Hannah Clark: Absoluut.

Voor degenen die je vorige keer niet hebben gehoord: kun je ons kort vertellen over je achtergrond en hoe je bent gekomen waar je nu bent?

Nancy Li: Zeker. Hallo allemaal, ik ben Dr. Nancy Li, directeur product en vermeld in Forbes. Ik heb duizenden mensen geholpen hun droombaan als PM te bemachtigen bij grote bedrijven en eenhoornstart-ups, en vervolgens promotie te maken tot productleider. Momenteel run ik mijn eigen bedrijf, PM Accelerator, waarmee ik mensen help hun carrière in productmanagement vooruit te brengen. Ik heb ook mijn eigen podcast, Product Insider. Daarin spreken we met productleiders, zoals vicepresidenten product van Google, en vertellen we je alles over de geheimen achter het bouwen van succesvolle producten.

Zelf ben ik een immigrant die met 800 dollar op zak naar de Verenigde Staten verhuisde en binnen vier jaar directeur product werd. Mijn doel is daarom om onderwijs in productmanagement, vooral ondernemerschaps-onderwijs, toegankelijk te maken voor mensen uit gezinnen met een middeninkomen. Daarom deel ik veel van mijn gratis hulpmiddelen en geheimen op YouTube.

Mijn YouTube-kanaal heeft inmiddels meer dan 1 miljoen weergaven. Vorig jaar hadden we bovendien het geluk om met succes onze eigen non-profitorganisatie te starten, PMA Kids. Die biedt gratis onderwijs in productmanagement aan kinderen uit gezinnen met een laag inkomen. Ik ben erg blij om te zien dat mensen met mij meegroeien en zich persoonlijk ontwikkelen.

Ook de community is gegroeid tot meer dan 100.000 productmanagers via al mijn activiteiten op sociale media.

Hannah Clark: Dat is een indrukwekkend cv. En alsof dat nog niet genoeg is, heb je ook een zeer succesvol en bekroond AI-product gebouwd, toch?

Nancy Li: Ja.

Hannah Clark: Kun je daar iets meer over vertellen?

Nancy Li: Zeker. Dat was nog voordat AI erg populair werd.

Het product dat ik heb gebouwd heet Smart Cities. Het gebruikt AI, vooral computervisie, om het aantal auto-ongelukken te verminderen. Meer specifiek: dat product bestond in 2016, toen er in verschillende steden een zeer bekende beweging was met de naam Vision Zero. Het doel daarvan was om verkeersdoden terug te brengen naar nul.

Daarom noemde ik het Vision Zero. Destijds probeerden we uit te zoeken hoe we steden op een meer fundamentele en schaalbare manier konden helpen het aantal auto-ongelukken te verminderen. Zoals ik al zei, was er toen niemand die voorschreef dat je AI moest gebruiken. Nee, we keken gewoon naar verschillende technologieën om te bepalen wat geschikt was: misschien AI, misschien het internet der dingen, misschien data-analyse.

Ik wist het niet. Uiteindelijk besloten we AI te gebruiken als een van de belangrijkste technologieën om zo’n product te creëren. Uiteindelijk ontving het de Mayor’s Best Practice Award. Het werd snel ingezet in ongeveer de tien grootste steden van de Verenigde Staten. Ik ben erg blij om te zien hoe AI jaren geleden al het leven van mensen veranderde, voordat het zo’n grote hype werd als nu.

Hannah Clark: En dat is een perfecte overgang naar de manier waarop AI vandaag de dag het leven van mensen verandert, namelijk via — in ons geval — specialisatie in AI-productmanagement. Om te beginnen: welke concrete voordelen kunnen PM’s verwachten als ze zich verdiepen in AI als specialisatie?

Nancy Li: Goede vraag.

Wat AI als specialisatie betreft: het opent absoluut veel nieuwe deuren voor huidige productmanagers en voor iedereen die wil overstappen naar productmanagement. Eén voordeel is bijvoorbeeld zonder twijfel een hoger salaris. AI-PM’s krijgen over het algemeen ongeveer 10% tot 20% meer betaald dan de gemiddelde PM.

Ten tweede geeft het je carrière een impuls. Ik heb bijvoorbeeld een student die als generatieve-AI-PM bij Amazon begon. Zij bracht haar carrière letterlijk naar een hoger niveau. Ze kwam niet alleen bij een groot bedrijf terecht, maar kon ook zeer invloedrijke producten voor Amazon bouwen die door veel mensen worden gebruikt.

Het derde punt is hoe sterk het je overstap naar productmanagement kan versnellen. Ik heb bijvoorbeeld studenten die besloten zich in AI te specialiseren. Nadat ze veel AI-trefwoorden hadden toegevoegd en aan verschillende soorten AI-producten hadden gewerkt als projecten op hun cv, kregen ze letterlijk veel meer kansen op sollicitatiegesprekken dan andere kandidaten.

Dat komt doordat alle bedrijven AI nu op hun routekaart willen zetten. We kunnen later bespreken of ze dat wel of niet zouden moeten doen, maar het is een trend. Die trend helpt hen dus zeker om naar een hoger niveau te komen. Er is ook een interessante vergelijking die lijkt op een Amerikaanse uitdrukking: het is alsof je in een ton schiet.

Als je nu de AI-wereld instapt, voelt het alsof je in een ton schiet, omdat AI de komende vijf jaar, misschien tien jaar, of misschien zelfs al over twee jaar, echt kan doorbreken. Zodra AI ‘opstijgt’, maakt het niet uit of je gewoon goed werk doet — hopelijk doe je uitstekend werk. Stel dat je gemiddeld werk levert in deze sector; omdat de hele sector als een raket omhoogschiet,

rijd je mee op die raket. Daar zal je carrière binnen die hele sector absoluut door groeien. Daarom raad ik iedereen aan om AI serieus te onderzoeken als volgende stap in je carrière.

Hannah Clark: Zou je ons kunnen meenemen door de levenscyclus van een AI-PM?

Nancy Li: Zeker. Laat me daarvoor mijn eigen product als voorbeeld gebruiken.

De levenscyclus van AI-productmanagement bestaat specifiek uit vier stappen. De eerste is ideevorming en begrijpen of AI het probleem daadwerkelijk kan oplossen. De tweede stap is begrijpen welke gegevensverzameling nodig is en waar we de gegevens kunnen vinden, omdat data een nieuw vakgebied is in het nieuwe AI-tijdperk. De derde stap is het bouwen van een MVP, en de vierde stap is het lanceren van het product. Laat me nu een praktijkvoorbeeld gebruiken om te laten zien hoe je met dit raamwerk een uitstekend, in mijn geval bekroond, AI-product kunt bouwen.

Stap één is echt begrijpen of klanten een pijnpunt hebben, of dat we met AI juist een pijnpunt voor klanten creëren. Je redeneert dus achteruit. Daarom is het belangrijk om de markt grondig te onderzoeken. Begrijp welk probleem daadwerkelijk door AI kan worden opgelost en welk probleem niet. Laat me een specifiek voorbeeld geven. Een casestudy die ik bij PM Accelerator met mijn studenten heb uitgevoerd, ging als volgt.

We hielden een brainstormsessie. Stel dat je de CEO van Delta bent: wat zou je de komende tien jaar doen? Natuurlijk zeiden mijn studenten, inclusief ikzelf: misschien kunnen we iets met AI doen. De specifieke AI-oplossing die een student tijdens de les bedacht, was: misschien kunnen we AI gebruiken voor vluchtnavigatie.

Ik zei: nee, dat is de verkeerde toepassing. AI heeft tegenwoordig, vooral generatieve AI en veel andere vormen van AI, een bepaalde kans om fouten te maken — bijvoorbeeld 1% of 0,001%. Als het systeem faalt, kunnen er mensen omkomen, omdat het om vluchtnavigatie gaat. Dat is een te groot risico om onmiddellijk te nemen voor een bedrijfskritische besturingstoepassing.

Daarom moeten we zeer grondig onderzoeken of we het echt nodig hebben en hoe AI de toepassing aanzienlijk kan verbeteren. Toen ik mijn eigen Smart Cities-product bouwde, zoals ik eerder vertelde, was dat in 2016. Er was toen geen druk om AI te gebruiken. Niemand dacht zelfs aan AI; we deden gewoon echte klantontdekking. Vervolgens ontdekten we dat AI de beste methode en het beste hulpmiddel was. Doe dus zeker eerst veel onderzoek.

De tweede fase van de productmanagementlevenscyclus van een AI-product bestaat uit gegevensverzameling en het trainen van een datamodel. Data is een nieuw vakgebied binnen de AI-sector. Daarom zijn bedrijven zoals Scale AI nu zo populair en zijn er in dit hele AI-tijdperk veel verschillende bedrijven en start-ups opgericht.

Wanneer je een model traint, is het belangrijker dat je het juiste soort gegevens vindt. Soms kun je het bestaande model van iemand anders gebruiken. Er zijn bijvoorbeeld veel goede AI-modellen beschikbaar, zoals ChatGPT. Er zijn ook verschillende andere soorten AI-modellen.

Gemini heeft bijvoorbeeld modellen en Soplic heeft zijn eigen AI-modellen. Er zijn enorm veel AI-modellen beschikbaar. Jij moet dus beslissen: als ik een bestaand datamodel gebruik, hoe ziet mijn besluitvormingsproces eruit? Welk model is beter? Misschien kun je een API-integratie gebruiken. Zo ja, hoeveel kost het dan om rechtstreeks boven op het model van iemand anders te draaien? Misschien kun je sommige modellen van anderen gebruiken en daar iets kleins bovenop bouwen om je totale kosten te verlagen.

Er zijn dus allerlei beslissingen rond het trainen van een model, het verzamelen van gegevens en het gebruiken van een bestaand model. Het derde onderdeel is het bouwen van een MVP. Dat is voor AI-productmanagement vrij rechttoe rechtaan en lijkt sterk op ons huidige productmanagement. Wanneer je een MVP bouwt, moet je die met de markt testen. Bij AI-productmanagement moeten we echter ook nadenken over veiligheid en vertrouwen. Niet iedereen wil AI gebruiken en allerlei verschillende vooroordelen kunnen in AI terechtkomen. Ook AI-governance moet worden meegenomen wanneer je dergelijke producten bouwt.

Idealiter houd je hier in je productontwikkelingslevenscyclus zo vroeg mogelijk rekening mee. Toen we bijvoorbeeld ons Smart Cities-product bouwden, was de manier waarop we ons MVP ontwikkelden bijzonder interessant. We werkten met één stad, Boston, en het doel was om met computervisie het aantal auto-ongelukken te verminderen. Bij het bouwen van ons MVP was het echter erg moeilijk om ons datamodel te testen en te trainen met beperkte gegevens over auto-ongelukken.

Denk hier eens over na. Als je een AI-model wilt trainen, heb je een grote hoeveelheid data nodig. In dit geval wilden we het aantal auto-ongelukken verminderen. Hoeveel gegevens over auto-ongelukken zijn er beschikbaar? Om te beginnen moeten ze kunnen worden vastgelegd. Daarna moeten we onze data opschonen. Bovendien willen we soms testen of ons model auto-ongelukken kan detecteren in een omgeving met sneeuw, want Boston heeft trouwens zes maanden per jaar sneeuw.

Kun je tijdens het sneeuwseizoen in Boston auto-ongelukken detecteren? In zulke scenario’s is het letterlijk erg moeilijk om gegevens te verzamelen. We willen die gegevens ook niet verzamelen. We hopen dat dergelijke gegevens nooit bestaan. Toch namen we bij het bouwen van het MVP een heel andere aanpak. We deden bijvoorbeeld twee dingen. Ten eerste kochten we rechtstreeks gegevens.

Destijds heette het bedrijf Mint AI. Daar konden we verschillende soorten trainingsgegevens kopen. Ten tweede creëerden we allerlei gesimuleerde omgevingen. Misschien konden we dat op een parkeerplaats doen, waar mensen deden alsof ze dichter bij auto’s kwamen. We maakten ook omgevingen met speelgoed. Dat was erg grappig.

We hadden kleine speelgoedauto’s die tegen speelgoedfietsen botsten; alles was van speelgoed en het speelgoed botste tegen ander speelgoed. In je AI-model verander je natuurlijk de parameters om rekening te houden met de afmetingen van een echte auto. Zo kun je zien of het model kan detecteren dat het ene stuk speelgoed tegen het andere botst en zelfs botsingen kan voorspellen voordat ze plaatsvinden.

We deden allerlei verschillende activiteiten tijdens het bouwen van dat MVP. Ik wil ook Jensen Huang van NVIDIA erkenning geven. We waren destijds vroege gebruikers van NVIDIA’s trainingsmodel. Zelfs in 2016 had zijn team al een fantastisch AI-model ontwikkeld voor objectdetectie, waarop wij konden voortbouwen.

Al deze details maken deel uit van het bouwen van een MVP. Het was bijzonder boeiend. Het gaat om meer dan alleen denken: ik train gewoon een model. Je moet ook slim en creatief zijn bij het creëren van een MVP. De laatste fase is natuurlijk de go-to-marketstrategie. Voor een AI-product heeft die strategie een traditioneel GTM-proces dat je waarschijnlijk al kent.

Ik heb een andere YouTube-video over GTM-strategieën. Die kunnen jullie later op mijn YouTube-kanaal bekijken. Boven op het traditionele GTM-proces moeten we echter rekening houden met aanvullende zaken, zoals adoptie door klanten en adoptie door interne belanghebbenden. Adoptie door klanten heeft te maken met risicotolerantie.

Sommige mensen willen een AI-product simpelweg niet proberen. Het kan ook zijn dat iemand ooit een slechte ervaring heeft gehad en nooit meer terugkomt. Mensen kunnen bovendien bang zijn dat hun data voor altijd door AI wordt overgenomen. Of ze denken: misschien neemt AI mijn werk of mijn baan over. Met zulke vormen van adoptie door eindgebruikers moeten we zorgvuldig omgaan.

Het tweede onderdeel betreft interne belanghebbenden. Uit al mijn gesprekken met productmanagers die succesvolle producten bouwen, blijkt dat niet iedereen binnen een bedrijf AI wil gebruiken. Dat kunnen leidinggevenden zijn, andere engineeringteams of de juridische afdeling. Je zult dus zeker weerstand krijgen.

Je moet leren hoe je voor die AI-producten kunt pleiten in verschillende situaties. Dat zijn de vier stappen van de levenscyclus van een AI-PM.

Hannah Clark: Dat is zeer uitgebreid en het klinkt ook als een enorm interessante sector om je in te verdiepen.

Welke stappen kunnen PM’s zetten om in aanmerking te komen voor al die interessante AI-PM-functies?

Nancy Li: Het is absoluut erg interessant. Ik heb het over de vier manieren om AI-productmanager te worden. De eerste groep bestaat uit mensen die net van school komen. Voor hen is het eigenlijk het eenvoudigst. Als je net bent afgestudeerd, doe dan iets met AI en kom eerst binnen. Je hebt nog geen ervaring, dus je kunt onmiddellijk aan je afstudeerproject van school werken.

Je kunt meteen aan AI werken. Misschien kun je tijdens je eerste stage direct iets met AI doen. Het hoeft geen productmanagement in AI te zijn, want je bent pas afgestudeerd en loopt gewoon stage. Je kunt software-engineer worden bij een AI-start-up of iets anders doen bij een AI-start-up. Doe wat dan ook.

We hebben bijvoorbeeld studenten van wie de eerste PM-stage bij NVIDIA was, waar ze als AI-productmanager aan fundamentele modellen werkten. Je kunt dus direct solliciteren naar een AI-stage of een AI-PM-stage. De tweede groep bestaat uit mensen die al productmanager zijn.

Stel dat je als bestaande productmanager eerder aan het internet der dingen of in fintech hebt gewerkt en niets met AI hebt gedaan. De eenvoudigste manier is dan om AI-kennis op te doen. Er zijn ontzettend veel AI-cursussen beschikbaar. Terwijl we deze podcast opnemen, lanceert ook Google nieuwe AI-cursussen.

Ik moedig iedereen die al productmanager is aan om vooraf alle AI-vaardigheden te leren. Leer verschillende grote taalmodellen kennen en vergelijk ze om te begrijpen welk model goed is en hoe je technische beslissingen daarover neemt. Dat zijn de belangrijkste vaardigheden waar alle productmanagers vandaag ervaring mee moeten opdoen.

De derde manier om AI-productmanager te worden is voor mensen die momenteel engineeringervaring hebben bij AI-bedrijven. Binnen PM Accelerator heb ik letterlijk heel veel AI-engineers en datawetenschappers. Zij weten helemaal niets van PM, maar hebben een uniek voordeel binnen bedrijven: ze hebben eerder AI-modellen gebouwd.

Misschien waren zij jaren geleden wel enkele van mijn eigen engineers toen ik Smart Cities bouwde. Zij weten hoe je AI-modellen traint en hoe je een MVP bouwt, omdat ze deel uitmaakten van het hele proces. Ze schreven geen requirements — dat deed ik natuurlijk — maar die productmanagementervaring is gemakkelijker op te doen dan te leren wat een groot taalmodel is of hoe je een AI-model traint.

Aan die engineers raad ik aan om onmiddellijk alles over productmanagement te leren: hoe je een go-to-marketstrategie ontwikkelt en hoe je klantgesprekken voert. Dat helpt je proces aanzienlijk te versnellen. De laatste groep bestaat uit mensen zonder engineeringervaring en zonder ervaring in productmanagement.

Voor hen raad ik de volgende aanpak sterk aan. Bestudeer eerst wat AI is. Dat is de basis. Bestudeer vervolgens wat productmanagement is. Bouw daarna een eigen praktijkproject. Zelf een praktijkproject bouwen is de beste manier voor mensen met of zonder AI-ervaring om hun passie voor het AI-domein en hun kennis te tonen. Je laat zien dat je niet alleen praat, maar daadwerkelijk verschillende AI-toepassingen als productmanager hebt gebouwd. Ik wil hier ook een onderscheid maken.

Als productmanager hoef je niet te leren programmeren. Je kunt wel eenvoudige methodes leren. Ik bouw momenteel bijvoorbeeld zelf een applicatie boven op ChatGPT. Ik kan helemaal niet programmeren. Ik heb een PhD in materiaalkunde, maar zelfs nu weet ik nog steeds niet hoe ik moet programmeren. Door praktijkervaring op te doen met API’s, verschillende plug-ins en de instructies van ChatGPT voor het bouwen van applicaties boven op ChatGPT, kun je toch veel leren.

Mensen kunnen al deze middelen gebruiken om praktijkervaring op te doen. Vervolgens zet je die ervaring om in een productportfolio. Daarmee wordt het veel eenvoudiger om de hiringmanager ervan te overtuigen dat je dit kunt. Er zijn dus verschillende stappen die je kunt volgen, en die helpen je zeker om je carrière sneller vooruit te brengen.

Hannah Clark: Dat zijn echt nuttige geheimen.

Als we teruggaan naar zelfstudiecursussen, hulpmiddelen en andere soorten trainingen waarmee mensen deze vaardigheden kunnen ontwikkelen: heb je specifieke aanbevelingen voor bronnen of cursussen die mensen kunnen volgen?

Nancy Li: Ja, er zijn verschillende cursussen die ik zelf heb gevolgd en erg goed vind.

Mijn aanpak is iets anders: ik volg niet alleen cursussen, maar lees ook artikelen. Ik doe praktijkervaring op en speel met verschillende hulpmiddelen. Ik geef jullie enkele belangrijke keuzes waarmee iedereen meteen kan beginnen. De belangrijkste bron is DeepLearning.AI. Dat is de aangewezen bron van Andrew Ng.

Hij biedt op zijn website verschillende gratis bronnen aan. Er is één cursus die ik sterk aanbeveel. Die duurt maar één uur, maar vergroot je begrip van AI en je praktijkervaring met AI aanzienlijk: Prompt Engineering. De cursus op de website duurt slechts een uur en is dus heel snel en kort.

Ten tweede kun je naar Coursera gaan en cursussen over machinaal leren volgen. Coursera werkt ook samen met verschillende bedrijven, waaronder IBM en DeepLearning.AI. Samen maken ze verschillende lessen over machinaal leren. Ik raad jullie aan ook de cursussen van DeepLearning.AI te volgen. Zij bieden eveneens cursussen over machinaal leren aan, waarmee je machinaal leren van begin tot eind beter begrijpt. Je moet ook leren wat deep learning is. Daarnaast raad ik iedereen aan om verschillende artikelen van NVIDIA te bekijken. Nogmaals: ik ben een grote fan van NVIDIA.

Ik ken de CEO inmiddels ongeveer acht jaar. Dat is ongelooflijk. Hij is erg slim. Jason is heel, heel slim. NVIDIA publiceert veel artikelen op basis van de fundamentele modellen die ze intern hebben gebouwd. Vervolgens konden andere mensen, zoals ik en mijn team, daarop applicaties bouwen.

Een van mijn beste vrienden, die ik ongeveer twaalf jaar geleden heb leren kennen en die nog steeds mijn beste vriend is, werkt als hoofdsoftware-engineer aan het creëren van dit soort AI-raamwerken voor NVIDIA. Iedereen moet die AI-raamwerken op hoofdlijnen leren kennen. Zoals ik eerder zei bij het leren van de levenscyclus van AI-productmanagement: je hoeft meestal niet alles zelf te bouwen. Vaak kun je het bestaande werk van anderen gebruiken.

Ik raad mensen daarom aan de website van NVIDIA te bekijken. Daar kun je educatieve inhoud vinden en bestaande raamwerken leren kennen die je kunt gebruiken. Het volgende onderdeel is verrassend genoeg Google. Google heeft ook een AI-product gelanceerd met de naam BlackRock en voegt tegenwoordig veel verschillende toepassingen toe boven op AWS.

Google geeft ook zeer eenvoudige beschrijvingen van AI-raamwerken en van de toepassingen en gebruikssituaties die je boven op AI kunt bouwen. Alles is heel eenvoudig en kort en soms zijn er video’s. Je kunt die bronnen ook gebruiken. Natuurlijk heb ik zelf een volledige lijst met verschillende AI-cursussen. Ik heb die op mijn website gezet: drnancyli.com/aicourses. Daar vind je een overzicht van alle AI-cursussen die ik persoonlijk heb gevolgd en beoordeeld. Ik denk dat iedereen daar zeker eens moet kijken. Ga naar drnancyli.com/aicourses om zelf toegang te krijgen tot al die cursussen en voor je plezier te beginnen met leren. Dat zijn de aanbevolen AI-cursussen om je AI-vaardigheden op te frissen.

Binnen PM Accelerator heb ik natuurlijk ook mijn eigen cursus AI-productmanagement. Die richt zich meer op wat productmanagers dagelijks moeten doen, op de volledige levenscyclus van productmanagement en op het nemen van belangrijke technische beslissingen, zoals het selecteren van verschillende modellen.

Je kunt naar mijn website gaan om meer te leren over cursussen in productmanagement. Natuurlijk heb ik ook mijn eigen versie van een cursus AI-productmanagement. Die is voornamelijk gespecialiseerd in productmanagement voor AI-productmanagers. We bespreken daar veel over de volledige levenscyclus van productmanagement, doen praktijkoefeningen en bouwen samen echte AI-producten, zodat je iets hebt om in je productportfolio te tonen. We geven je daar ook een samenvatting van verschillende soorten technische AI-kennis, zodat je het leerproces kunt versnellen. Elke AI-cursus duurt namelijk ongeveer twee maanden en kost iedere week tien uur.

We geven je dus een kortere route en vertellen precies wat een AI-PM moet beheersen.

Hannah Clark: Daarmee hebben we het enorme landschap van cursussen en hulpmiddelen behandeld dat beschikbaar is voor mensen die meer over AI willen leren.

Laten we nu wat meer praten over het werkgeverslandschap. Ken je specifieke bedrijven die actief PM’s met een AI-specialisatie proberen aan te nemen?

Nancy Li: Ja, er zijn er veel. Iedere week komen er zoveel nieuwe werkgevers en vacatures bij. Er is bijvoorbeeld spannend nieuws over Amazon. Zij nemen agressief AI-PM’s aan, specifiek generatieve-AI-PM’s bij bepaalde afdelingen van Amazon. Ik kan niet vertellen welke afdeling. Uit de informatie die ik heb ontdekt, blijkt dat sommige afdelingen van Amazon hun leiderschap beginnen te veranderen. De vicepresident vertrok, de directeur vertrok en er werd nieuw leiderschap aangenomen. Dat nieuwe leiderschap is sterk voorstander van AI.

Het oude leiderschap was tegen AI en wilde een traditionele methode gebruiken om te bepalen of AI echt nodig was. Misschien wilden ze niet meteen meegaan met de AI-trend. Het nieuwe AI-leiderschap en het nieuwe productleiderschap willen echter echt op AI inzetten. Daarom vervingen ze binnen het bedrijf bestaande productmanagers die weinig van AI wisten door nieuwe AI-PM’s. De oude medewerkers kwamen op een verbeterplan terecht en de nieuwe AI-PM’s namen hun taken langzaam, één voor één, over.

Het is verdrietig om dit te zien gebeuren, maar het past bij de cultuur van Amazon. Daar heerst een cultuur van snelle groei, dus ik zou niet verbaasd zijn. Het betekent ook dat Amazon momenteel voor bepaalde afdelingen letterlijk veel AI-PM’s aanneemt. En natuurlijk is Netflix een trendsetter.

Zij nemen altijd AI-PM’s aan. Vorig jaar hebben jullie het nieuws volgens mij al gelezen: Netflix betaalde mensen 900.000 dollar per jaar om als senior AI-PM bij het bedrijf te komen werken aan content die door AI wordt gegenereerd. Er zijn ook andere zeer interessante AI-start-ups waar je misschien nog nooit van hebt gehoord, maar die razendsnel groeien.

Een start-up die ik persoonlijk erg interessant vind, is Inkitt. Een student van mij voert momenteel een sollicitatiegesprek bij dit bedrijf. Hun idee is revolutionair. Ze zijn de Netflix voor lezers. Tegenwoordig lezen mensen romans en sluiten ze zich aan bij allerlei leesclubs. Bij dit bedrijf kunnen ze lezen, maar ook met behulp van AI interactie hebben met de personages uit de boeken.

Kun je je voorstellen dat je Game of Thrones kijkt of erover leest en vervolgens live met AI vragen kunt stellen aan Daenerys? Deze personages worden echt door AI gecreëerd. Het bedrijf heeft al veel financiering opgehaald en wordt steeds populairder. Het krijgt veel gebruik voor het nieuwe AI-product binnen de leescommunity.

Er is niet slechts één dergelijk bedrijf; er zijn ontzettend veel AI-start-ups. Mensen moeten daar goed op letten. Ik raad iedereen aan TechCrunch te volgen. Daar wordt veel gesproken over nieuwe ideeën voor technologiebedrijven en over nieuwe technologiebedrijven die financiering ophalen. Dat zijn allemaal geweldige mogelijkheden om nieuwe kansen in AI te ontdekken.

Hannah Clark: Nu we bijna afronden: je noemde dat er zeker salarisprikkels zijn voor het ontwikkelen van een AI-specialisatie. Zijn er nog andere aspecten van beloning die je kunt noemen voor mensen die overwegen AI-vaardigheden te ontwikkelen en dit serieus als volgende carrièrestap willen nemen?

Nancy Li: Ja. In het begin zei ik dat AI-PM’s meer betaald krijgen, en dat klopt. Ik wil ook de andere kant van het salaris delen en uitleggen hoe je salaris vanuit een ander perspectief kunt bekijken. Ten eerste is het waar dat AI-productmanagers meer betaald krijgen. Ik wil echter ook benadrukken welke impact je kunt maken door AI te creëren, hoeveel efficiëntie je in het dagelijks leven kunt realiseren en welke toepassingen je persoonlijk leuk vindt.

Ik praat bijvoorbeeld erg graag met personages uit Game of Thrones. Daarnaast wil ik dat mensen hun salaris echt uitsplitsen. Als je bij een beursgenoteerd bedrijf gaat werken — ik heb studenten die bij alle grote bedrijven werken, maar ook bij andere bedrijven zoals Snowflake — dan kan dat soort bedrijven.

Mijn studenten meer dan 400.000 dollar per jaar betalen als AI-PM. Start-ups betalen je misschien geen contant salaris van 450.000 dollar. Die bedragen zijn contante aanbiedingen. Een start-up kan je bijvoorbeeld een basissalaris van 160.000 dollar bieden en daarnaast veel aandelen. Maar bedenk hoeveel die aandelen misschien waard kunnen worden als het bedrijf de volgende miljoenencase wordt. Dat weten we nooit.

Daarom adviseer ik iedereen om zeer zorgvuldig een start-up te kiezen. Je moet aansluiten bij de missie van het bedrijf en de juiste impact creëren. Je moet ook het juiste paard kiezen. Misschien stap je wel in bij de volgende Google. Dan ben jij degene die de volgende keer in deze podcast spreekt en die ik ook in mijn eigen podcast uitnodig om te vertellen welk AI-product je hebt gekozen. Wees dus verstandig bij je volgende carrièrestap. Spring niet zomaar meteen in de AI-sector. Kies het juiste paard.

Hannah Clark: Daarmee wil ik je nogmaals hartelijk bedanken dat je bij ons was, Dr. Nancy Li. Je hebt al enkele hulpmiddelen genoemd die mensen op je website kunnen vinden.

Is er nog een andere plek waar mensen je werk online kunnen volgen?

Nancy Li: Ja. Jullie kunnen naar mijn podcast gaan: de Product Insider-podcast van Dr. Nancy Li. Zoek op mijn YouTube-kanaal gewoon naar Dr. Nancy Li, directeur product, en stuur me ook een bericht op LinkedIn. Ik ben zeer actief op LinkedIn. Ik antwoord op alle berichten die mensen me sturen. Ga dus naar LinkedIn en zoek op Dr. Nancy Li. Daar vind je mijn aanwezigheid op sociale media. Je kunt ook naar mijn website gaan: drnancyli.com/aicourses. Daar vind je de gratis hulpmiddelen die ik voor jullie allemaal heb verzameld.

Hannah Clark: Fantastisch. Heel erg bedankt dat je opnieuw bij ons was. Het was ontzettend interessant om hierover te leren. Het is een bijzonder boeiend gebied waar mensen zich bewust van moeten zijn.

Nancy Li: Bedankt dat ik in de show mocht zijn, Hannah. Laten we contact houden. Laten we allemaal samen het AI-tijdperk binnengaan.

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