Jak rozpocząć karierę w zarządzaniu produktem w 2025 roku (z Marianą Antayą, menedżerką produktu w firmie Microsoft)

Przeczytaj transkrypcję:

Testujemy transkrybowanie naszych podcastów za pomocą programu komputerowego. Wybaczcie wszelkie literówki, ponieważ bot nie zawsze ma stuprocentową rację.

Hannah Clark: Wiecie, kiedy spotykacie kogoś, kogo nie widzieliście od bardzo dawna, i jedno z was mówi: „co u ciebie nowego?”, a minęło tak dużo czasu od waszego ostatniego spotkania, że nawet nie wiecie, od czego zacząć? Tak właśnie czułam się podczas rozmowy z Marianą Antayą, która była naszym gościem w lutym 2024 roku.

Kiedy Mariana pojawiła się wtedy w programie, jej kariera menedżerki produktu dopiero się rozpoczynała, niedawno założyła konto na TikToku, a także wchodziła w trzeci rok działalności jako założycielka quantifAI, narzędzia do optymalizacji strategii kryptowalutowych. Przyszła jednak z bardzo praktycznymi wskazówkami dla osób aspirujących do roli menedżera produktu, które chciały wejść do tej branży. Do dziś jest to nasz najczęściej pobierany odcinek w historii.

A teraz nie mogę uwierzyć, że minął zaledwie rok. Od tamtej pory sztuczna inteligencja stała się powszechna, rynek pracy w branży technologicznej wygląda zupełnie inaczej, a nasze platformy znacznie się rozwinęły. Pomyśleliśmy więc, że najwyższy czas ponownie zaprosić Marianę do programu, aby nadrobić zaległości, a przede wszystkim przekazać dzisiejszym osobom aspirującym do roli menedżera produktu to, co muszą wiedzieć, aby odnieść sukces w tej roli w 2025 roku. Zaczynajmy.

A tak przy okazji, co tydzień prowadzimy takie rozmowy, więc jeśli wydaje wam się to interesujące, dlaczego by się nie zasubskrybować? Dobrze, zaczynajmy.

Witamy ponownie w podcaście „Menedżer produktu”. Dzisiejszy odcinek jest wyjątkowy. Gościmy Marianę Antayę, która pojawiła się w naszym podcaście nieco ponad rok temu. Jeśli nie jesteście z nami od tak dawna, czuję się jak mama, dumna mama, kiedy opowiadam tę historię. Mariana nie jest moją córką, ale i tak jestem z niej bardzo dumna, ponieważ poznałyśmy się, gdy napisała do nas na LinkedInie. Skomentowała post dotyczący jednego z naszych odcinków, pisząc mimochodem: „Pewnego dnia bardzo chciałabym wystąpić w podcaście”.

Rozmawiałyśmy z Beccą, naszą producentką, i powiedziałyśmy: „Zaprośmy ją, zobaczmy, co ma do powiedzenia”. Ostatecznie ten odcinek stał się naszym zdecydowanie najpopularniejszym odcinkiem w historii. Mariana jest teraz menedżerką produktu w firmie Microsoft, a ja mówię o niej tak, jakby nie siedziała właśnie tutaj. Dziękuję więc za dołączenie do nas.

Mariana Antaya: Oczywiście. Z ogromną przyjemnością. Bardzo się cieszę, że znów możemy porozmawiać o najnowszych i najlepszych rozwiązaniach w dziedzinie sztucznej inteligencji i produktów. To była długa droga. Obie bardzo się rozwinęłyśmy, więc jestem z nas naprawdę dumna.

Hannah Clark: Ja też. O mój Boże.

Kiedy ostatnio rozmawiałyśmy, dopiero rozpoczynałyśmy ten program. Ty dopiero budowałaś swoją karierę. Niedawno zaczęłaś tworzyć treści na TikToku. My również niedawno zaczęłyśmy nagrywać i publikować odcinki. Obie doświadczyłyśmy ogromnych zmian w życiu. Dość o nas. Opowiedz nam o sobie. Co działo się w twojej karierze? Co działo się z twoimi treściami w mediach społecznościowych? Opowiedz mi wszystko.

Mariana Antaya: Tak, świetnie. Moja kariera rozwija się bardzo dobrze. Nadal pracuję w firmie Microsoft i zdecydowanie przesunęliśmy się w stronę produktów oraz strategii związanych ze sztuczną inteligencją, podobnie jak większość firm. Fascynujące było obserwowanie, jak ta zmiana rzeczywiście zachodzi i rozwija się w kulturze organizacyjnej firmy.

Jeśli chodzi o treści, tworzę dużo materiałów o produktach, ale także o sztucznej inteligencji, pokazując zastosowania AI w biznesie oraz przypadki użycia, które mogą szczególnie interesować moich odbiorców na co dzień. Jednym z ostatnich materiałów było przewidywanie wyników wyścigu Formuły 1, czyli hobby, którym sama się zajmuję.

Pomyślałam: dlaczego po prostu tego nie opublikować i nie sprawdzić, czy ludzie zareagują? Okazało się, że odbiorcy naprawdę interesują się projektami programistycznymi oraz ciekawymi zastosowaniami, które sztuczna inteligencja umożliwiła.

Hannah Clark: Zdecydowanie. Bardzo cieszę się, że możemy o tym porozmawiać, ponieważ często rozmawiamy z osobami będącymi na samym szczycie swojej kariery — dyrektorami ds. produktu i wiceprezesami ds. produktu, którzy patrzą na wdrażanie AI w całej organizacji z perspektywy przywódczej. Teraz rozmawiamy z tobą, która rzeczywiście używasz tych narzędzi i na co dzień pracujesz z nimi jako praktyczka.

Porozmawiajmy trochę o zmianie kultury organizacyjnej i o AI. Poświęcimy jej sporo miejsca, ale ogólnie rzecz biorąc: kiedy myślisz o tym, jaka była kultura pracy nad produktami, gdy zaczynałaś karierę, i o osobach młodszych od ciebie, które teraz wchodzą do branży, co się zmieniło?

Mariana Antaya: Zdecydowanie nastąpiła duża zmiana wynikająca z postępu technologicznego. Po pierwsze, kiedy zaczynałam, nie sądzę, żeby ChatGPT był w ogóle dostępny.

Teraz korzystamy z niego codziennie w naszym przepływie pracy. To jedna ze zmian: sama technologia rozwinęła się w ogromnym stopniu w bardzo krótkim czasie. Wraz z tym pojawiła się umiejętność uwzględniania i rozumienia przypadków użycia, dzięki którym duża firma może integrować AI ze swoimi przepływami pracy i tworzyć rozwiązania, z których klienci będą chcieli korzystać.

Nastąpiła więc duża zmiana kultury — od bardziej całościowego podejścia do podejścia eksperymentalnego, polegającego na szybszym iterowaniu, aby lepiej rozumieć, za jakie przypadki użycia klienci są gotowi zapłacić i które z nich rzeczywiście przyjmą się w tej nowej przestrzeni.

Zdecydowanie jest teraz bardziej eksperymentalnie i szybciej niż wtedy, gdy zaczynałam.

Hannah Clark: Jedną z kwestii, o których często rozmawiamy jako o elemencie kultury, a właściwie nie tylko w samym programie, są zwolnienia i niestabilność na rynku technologicznym. Zastanawiam się, czy z twojej perspektywy jest to czas, w którym osoby chcące wejść do tej profesji mają większą konkurencję, czy raczej pracodawcy szukają po prostu innych umiejętności?

Mariana Antaya: Myślę, że firmy zaczną szukać innych, bardziej niszowych umiejętności związanych z tymi przypadkami użycia. Jeśli jesteś ekspertem w danej dziedzinie, w tej erze będzie to szczególnie widoczne, ponieważ konkretne polecenia lub przypadki użycia, na które reaguje określona grupa docelowa, będą miały ogromne znaczenie.

Jeśli więc naprawdę skupisz się na niszy, w której masz wiedzę dziedzinową lub praktyczne doświadczenie, z mojej perspektywy właśnie to sprawi, że będziesz bardzo skutecznym menedżerem produktu na tym rynku.

Hannah Clark: To ma dużo sensu. Przejdźmy do tematów związanych z AI. Wiem, że obie bardzo chcemy o tym porozmawiać. Podzielimy to na kilka części. Na początek skupmy się na twojej codziennej pracy. Później porozmawiamy o budowaniu produktów z użyciem AI.

Wspomniałaś, że ChatGPT jest częścią twojego codziennego przepływu pracy i na pewno przeniknął do wielu różnych funkcji. W jaki sposób korzystasz ze sztucznej inteligencji, aby wykonywać codzienną pracę?

Mariana Antaya: Najczęściej używam go jako mojego narzędzia do badań rynku i analizy konkurencji. Nie muszę już czekać, aż badacz zdobędzie dla mnie te informacje, ani zlecać dużej firmie przeprowadzenia całej analizy rynku i konkurencji. Sama również potrzebuję mniej czasu, aby zbadać klientów lub konkurencję i sprawdzić, jakie nowe funkcje oferują.

Mogę po prostu poprosić duży model językowy o przygotowanie dla mnie opracowania dotyczącego badań rynku, wskazanie braków mojego produktu w porównaniu z produktami konkurencji, a także określenie, jak możemy wyprzedzić rynek. To jedno z najbardziej praktycznych zastosowań. AI pomaga również w tworzeniu specyfikacji produktu. Sztuczna inteligencja nie odbierze nam kariery menedżerów produktu tylko dlatego, że potrafi napisać specyfikację produktu.

Nawet w przypadku dużych modeli językowych nadal potrzebujesz interakcji z człowiekiem i ludzkiego elementu, ponieważ to my bezpośrednio rozmawiamy z klientami przez cały dzień. Możliwość zachowania tego ludzkiego podejścia jest ważna, ale AI daje mi bardzo dobrą podstawę do pisania specyfikacji produktu — niezależnie od tego, czy chodzi o nową funkcję, czy o wiele funkcji.

To kolejne bardzo praktyczne zastosowanie, z którego uwielbiam korzystać.

Hannah Clark: Tak. Codziennie odkrywamy nowe sposoby wykorzystania AI. Gościliśmy osoby, które opowiadały o używaniu sztucznej inteligencji do skuteczniejszego analizowania danych z wywiadów z użytkownikami oraz o szkoleniu jej tak, aby odpowiadała jako określona persona użytkownika.

To naprawdę innowacyjne — istnieje tak wiele sposobów wspierania przepływu pracy, które wcześniej nie były możliwe.

Mariana Antaya: Świetne jest również tworzenie agentów. Udało mi się stworzyć agenta, który buduje wiele pulpitów nawigacyjnych dla moich funkcji. Nie muszę już spędzać godzin na tworzeniu pulpitów, aby śledzić wszystkie wskaźniki użytkowników. Jako menedżerowie produktu w dużym stopniu polegamy na danych, które potwierdzają nasze hipotezy.

Budowanie agentów do zadań wykonywanych bardzo często również zmieniło zasady gry.

Hannah Clark: Niedawno nagrałyśmy świetny odcinek z Talem Ravivem o tym, jak zbudować drugiego pilota AI dla menedżerów produktu. Przeprowadził nas przez cały proces i samo słuchanie go uświadomiło mi: naprawdę można to zrobić. To było niesamowite.

Przejdźmy do zestawu umiejętności. Kiedy już pracujemy w tej branży, będziemy korzystać z AI cały czas. Jak możemy się przygotować, jeśli obecnie jesteśmy, powiedzmy, osobami aspirującymi do roli menedżera produktu? Z pewnością słucha nas wiele osób, które chcą wiedzieć, z czym powinny się zapoznać lub z czym oswoić przed rozpoczęciem aplikowania na stanowiska, na których będą stale używać AI.

Mariana Antaya: Myślę, że jedną z najważniejszych umiejętności, których można się nauczyć, zwłaszcza jako osoba aspirująca do roli menedżera produktu, jest inżynieria poleceń oraz eksperymentowanie z różnymi dużymi modelami językowymi. Warto wiedzieć, które przypadki użycia najlepiej nadają się do poszczególnych modeli. Na przykład do pisania kodu bardzo lubię używać Claude’a. Claude Sonnet 3.7 jest świetny.

Do pisania kodu wybieram Claude’a, natomiast do analizy konkurencji, tworzenia planów rozwoju produktu czy pomagania mi w konstruowaniu poleceń dla innych modeli językowych wolę ChatGPT. Czasami pytam ChatGPT: „Hej, jak powinnam sformułować polecenie dla tego modelu językowego, aby uzyskać optymalny wynik dla danego zadania?”. Jedną z najlepszych i najbardziej wartościowych umiejętności, których można się nauczyć jako osoba aspirująca do roli menedżera produktu, jest inżynieria poleceń, eksplorowanie możliwości AI, a nawet budowanie własnego produktu.

Obecnie mamy również całe zjawisko programowania intuicyjnego. To świetny sposób, nawet dla nietechnicznego menedżera produktu, aby sprawdzić swoje umiejętności produktowe w praktyce. Możesz po prostu poprosić duży model językowy o stworzenie produktu, opracować strategię wejścia na rynek i spróbować sprzedać swój produkt.

Możesz dotrzeć do klientów i zapytać ich o doświadczenia związane z korzystaniem z produktu. To prawdziwe doświadczenie produktowe, którego niekoniecznie uczy się w szkole. Jest ono bardzo wartościowe i przełoży się również na rzeczywisty świat. To jeden z najważniejszych punktów, które chciałam tu poruszyć.

Hannah Clark: Zdecydowanie. Bardzo ekscytuje mnie ten nowy trend programowania intuicyjnego. Później w tym tygodniu biorę udział w warsztatach na ten temat i nie mogę się doczekać, aż się w to zagłębię. Niedługo przejdziemy do inżynierii poleceń.

Chcę jeszcze porozmawiać trochę o budowaniu produktów AI, czyli o tej drugiej, bardziej skierowanej do klienta stronie. Wspomniałaś o programowaniu intuicyjnym jako sposobie na rozpoczęcie budowania produktów dla klientów. Jednak budowanie produktów AI to zupełnie inna kwestia, która zmieniła krajobraz sztucznej inteligencji i zarządzania produktem. Obecnie właśnie to robisz — jak to wygląda? Jak można przygotować się do budowania produktów AI?

Mariana Antaya: Myślę, że dużą częścią tego procesu jest zrozumienie, że wszyscy wspólnie odbywamy tę podróż. Wszyscy eksperymentujemy. W tej chwili nie wiemy jeszcze dokładnie, jakie będą najważniejsze przypadki użycia, ku którym ludzie naprawdę się zwrócą, za co klienci będą skłonni zapłacić ani ile będą gotowi zapłacić za daną funkcję lub produkt.

Po pierwsze, wszyscy jesteśmy w tym razem. Po drugie, trzeba eksperymentować z modelami. Jako menedżerowie produktu mamy do dyspozycji wiele różnych modeli, dlatego powinniśmy ściśle współpracować z zespołem inżynieryjnym i upewnić się, że dokładność oraz opóźnienia są odpowiednie.

Widzimy, że większa złożoność oprogramowania wydłuża czas pojawiania się elementów na ekranie. Dlatego bardzo ważne będzie zrozumienie stosunku ryzyka do korzyści: jak długo użytkownik jest gotowy czekać, aby otrzymać dodatkową wartość?

To właśnie rola menedżera produktu — wkroczyć i przeanalizować tę kwestię. Bardzo ważne będzie również utrzymywanie bliskiego kontaktu z klientem. Trzeba rozumieć jego przepływ pracy. Być może cztero- lub pięciosekundowe opóźnienie, potrzebne do wyświetlenia dodatkowego podsumowania wygenerowanego przez AI, nie pasuje do jego sposobu pracy. Musimy więc rozumieć te wyzwania.

Hannah Clark: To dobry punkt.

Przejdźmy do inżynierii poleceń. Wspomniałaś, że jest to kluczowa umiejętność. Myślę, że nie dotyczy ona wyłącznie naszych menedżerów produktu oraz osób aspirujących do tej roli. To nowy zestaw umiejętności dla każdego i nie sądzę, żeby można było być w tym zbyt dobrym.

Jak wygląda twoje wprowadzenie do inżynierii poleceń? Kiedy myślisz o tworzeniu dobrego polecenia, o czym przede wszystkim trzeba pamiętać?

Mariana Antaya: Im więcej informacji i kontekstu umieścisz w poleceniu, tym lepiej. Jeśli polecenie jest bardzo ogólne, najprawdopodobniej otrzymasz równie ogólną odpowiedź.

Warto pokazać tok rozumowania krok po kroku. Możesz powiedzieć: „Przeanalizuj X, Y i Z w kroku pierwszym, drugim i trzecim”, albo odpowiednio sformatować polecenie. Pojawiły się również nowsze polecenia związane z rozumowaniem, więc ważne będzie zrozumienie, jakiego typu modelu chcesz użyć. Możesz także poprosić model o dodatkowe informacje.

Nie bój się powiedzieć dużemu modelowi językowemu, że wykonał złą pracę. W takim przypadku popraw go, aby uzyskać odpowiedź, której potrzebujesz. Jak wspomniałam wcześniej, możesz też zapytać inny model: „Jak uzyskać najbardziej skuteczny wynik z tego modelu?”. Ludzie pisali na ten temat również opracowania naukowe.

Ważne jest więc wyjaśnienie i uporządkowanie polecenia oraz przekazanie możliwie dużej ilości kontekstu. Dodaj wszystkie potrzebne dokumenty, obrazy i książki — wszystko, czego model potrzebuje, aby zrozumieć twoją perspektywę i wymagany kontekst. To jeden z najskuteczniejszych sposobów, dzięki którym udało mi się poprawić umiejętności związane z inżynierią poleceń.

Trzeba również nadać modelowi tożsamość. Powiedz ChatGPT: „Pomyśl o sobie jak o analityku danych” albo „Pomyśl o sobie jak o starszym menedżerze produktu w firmie X, Y, Z”. Nadanie mu określonej roli to świetny sposób na konstruowanie poleceń, ponieważ model zaczyna wtedy myśleć w tym kierunku.

Hannah Clark: Przejdźmy do iterowania. Wspomniałaś o poprawianiu dużych modeli językowych. Ostatnio zaczęłam zamykać pętlę informacji zwrotnej. Jeśli model wygeneruje wynik, a ja zmodyfikuję go przed użyciem, odsyłam mu zmodyfikowaną wersję i mówię: „Oto, co zrobiłam z twoim ostatnim wynikiem. Zapamiętaj to, aby później móc wygenerować dla mnie bardziej wydajną lub dokładną odpowiedź”. To pomaga skierować model we właściwym kierunku i jest łatwym sposobem na poprawę rezultatów.

Jakie wskazówki lub małe triki poznałaś, które pozwalają uzyskiwać coraz lepsze wyniki?

Mariana Antaya: Myślę, że ja również wciąż jestem na tej drodze. Poza dodawaniem większej ilości kontekstu, o czym wspomniałam, nadal się uczę. Sama nie jestem ekspertką w dziedzinie inżynierii poleceń. Zdecydowanie staram się iterować odpowiedź, a czasami wpisuję to samo polecenie do innego modelu językowego i porównuję odpowiedzi.

Środowiska testowe są w tym szczególnie przydatne. Istnieją narzędzia, a także rozwiązania dostępne w GitHubie i NES, które pozwalają porównywać wyniki dwóch różnych modeli obok siebie. To świetny sposób na analizę tego, który model udziela dokładniejszej odpowiedzi albo odpowiedzi lepiej dopasowanej do naszych potrzeb.

Hannah Clark: To świetna wskazówka. W ten sposób można rozpoznać, czy Claude lepiej nadaje się do określonego zadania niż ChatGPT. Właśnie nad tym się zastanawiałam: czy istnieje powód albo konkretne różnice, dla których używasz ChatGPT do analizy, a Claude’a do pisania kodu? Czy zauważyłaś coś szczególnego w tych konkretnych zastosowaniach?

Mariana Antaya: Tak. Na przykład jeśli próbuję programować z użyciem ChatGPT, często po otrzymaniu komunikatu o błędzie lub błędu po uruchomieniu kodu wpisuję ten błąd do ChatGPT, ale czasami model go nie naprawia.

Duży model językowy potrzebuje wielu prób, aby naprawić błąd, natomiast w przypadku Claude’a mam znacznie wyższy wskaźnik powodzenia. Uważam, że pisze znacznie czystszy i bardziej zwięzły kod. Dlatego wolę Claude’a. Są to jednak drobne różnice, których nie poznasz, dopóki naprawdę nie zaczniesz eksperymentować z modelami językowymi.

Hannah Clark: To ciekawe, bo zauważam to samo. Mam wrażenie, że Claude jest bardziej kreatywny, jeśli mogę tak powiedzieć. Trochę dziwnie jest używać słowa „kreatywny” w odniesieniu do dużych modeli językowych, ponieważ to dość niekomfortowe terytorium. Zauważyłam jednak, że w zadaniach, do których go używałam, jest skuteczniejszy w tworzeniu materiałów marketingowych niż ChatGPT.

Z kolei ChatGPT wydaje się nieco wydajniejszy lub po prostu generuje lepsze wyniki w przypadku badań i pracy analitycznej. Dlaczego ty preferujesz ChatGPT w tym obszarze? Dlaczego uważasz, że jest lepszy do zadań analitycznych?

Mariana Antaya: Uważam, że badania, które potrafi przeprowadzić, są bardzo szczegółowe. Są również dokładniejsze, a sposób prezentowania wyników badań można łatwo dostosować. Mogę powiedzieć: „Chcę wykres” albo „Przygotuj dla mnie opracowanie”, a model w większym stopniu przeanalizuje moje polecenie i wykona zadanie.

To również kwestia osobistych preferencji, konkretnego zastosowania i pełnionej roli. Zdecydowanie jest w tym element osobistych upodobań.

Hannah Clark: Zdecydowanie się zgadzam. Rozmawiałyśmy o tym wewnętrznie i wiele osób po prostu lubi sepiowe odcienie używane przez Claude’a. To drobna rzecz, mała zmiana w interfejsie użytkownika, która jest przyjemniejsza dla oczu, ale rzeczywiście robi różnicę.

Nie będę cię już długo zatrzymywać. Dziękuję za poświęcenie czasu w tak intensywnym okresie życia, rozmowę z nami i nadrobienie zaległości. Jeśli ktoś chce dowiedzieć się więcej, porozmawiać z tobą lub śledzić twoją działalność, gdzie można znaleźć cię w internecie?

Mariana Antaya: Można znaleźć mnie na LinkedInie jako Marianę Antayę, a także na TikToku i Instagramie pod nazwą @mar_antaya. Publikuję tam wiele filmów o programowaniu, produktach i sztucznej inteligencji.

Hannah Clark: Świetnie. Dziękuję za udział.

Mariana Antaya: Zawsze chętnie porozmawiam i nawiążę współpracę. Jeśli chcesz umówić się na rozmowę przy kawie, jestem otwarta na kontakt. Napisz do mnie na LinkedInie.

Hannah Clark: Bardzo dziękuję. Dziękuję.

Dziękujemy za wysłuchanie. Więcej ciekawych informacji, poradników i recenzji narzędzi znajdziesz, zapisując się do naszego newslettera pod adresem theproductmanager.com/subscribe. Więcej takich rozmów usłyszysz, subskrybując podcast „Menedżer produktu” w dowolnej aplikacji, z której korzystasz do słuchania podcastów.