Dyrektor ds. produktu i założycielka tworząca produkty natywnie oparte na AI opowiada, jak inteligentnie zarządzać planem rozwoju z pomocą AI

Tara Sakhuja jest dyrektorką ds. produktu (CPO) w Luv or Pop oraz założycielką firmy wykorzystującej sztuczną inteligencję natywnie — Data Dumpling. Wcześniej pracowała nad produktami w firmach takich jak Meta i Bumble.

Spotkaliśmy się z Tarą, aby dowiedzieć się, jak zmienia swoje procesy pracy jako menedżerka produktu dzięki AI. Przy okazji podzieliła się jedną z największych pułapek, na jakie narażone są osoby tworzące produkty AI.

Inteligentne produkty tworzone w inteligentny sposób

Nazywam się Tara Sakhuja. Działam na styku AI, strategii produktowej i ludzkich zachowań.

Jestem założycielką i dyrektorką generalną Data Dumpling — platformy AI pomagającej firmom zrozumieć, kim są ich klienci, które sygnały mają znaczenie i na czym powinny skupić się ich zespoły. Jestem również dyrektorką ds. produktu w Luv or Pop, gdzie na nowo definiujemy randkowanie i społeczności internetowe za pośrednictwem jednego z najbardziej wirusowych programów na świecie — Pop the Balloon or Find Love with Arlette Amuli.

Wcześniej przez dekadę tworzyłam produkty w Meta, a następnie w Bumble, pracując nad reklamami, handlem, komunikacją biznesową, integralnością, zaufaniem i systemami uczenia maszynowego.

Jedno pytanie łączy wszystkie te doświadczenia: jak tworzyć systemy, które pomagają ludziom podejmować lepsze decyzje?

W Meta tworzyłam systemy działające w skali miliardów użytkowników. W Bumble koncentrowałam się na bezpieczeństwie, zaufaniu i wpływie AI na głęboko ludzkie doświadczenia. Teraz, jako założycielka, tworzę produkty natywne dla AI, zaczynając od podstawowych założeń.

Wkraczamy w jeden z największych przełomów w rozwoju produktów od czasu pojawienia się urządzeń mobilnych. Największa zmiana nie polega na tym, że produkty stają się inteligentne. Chodzi o to, że sposób, w jaki tworzymy produkty, również musi stać się inteligentny.

Produkty nowej generacji

Data Dumpling jest produktem natywnym dla AI. Łączy wiedzę o firmie, komitety zakupowe, sygnały dotyczące relacji i intencje w czasie rzeczywistym, pomagając zespołom identyfikować najcenniejsze szanse i rozumieć, jakie działanie należy podjąć w następnej kolejności. Współpracujemy z firmami z sektorów technologii dla przedsiębiorstw, doradztwa i przemysłu, pomagając zespołom odpowiedzialnym za przychody przejść od statycznych list i ręcznego wyszukiwania informacji do systemów decyzyjnych opartych na AI.

W Luv or Pop kieruję strategią produktową konsumenckiej platformy społecznościowej, która na nowo definiuje randkowanie dzięki zaufaniu, tożsamości i społeczności. Rozwinęliśmy ją do dziesiątek tysięcy użytkowników w Stanach Zjednoczonych, Wielkiej Brytanii, Kanadzie i części Afryki, tworząc systemy weryfikacji, dopasowywania oraz autentycznych ludzkich relacji.

Choć produkty te wydają się bardzo różne, ich podstawowa filozofia produktowa jest taka sama: produkty nowej generacji nie będą jedynie pomagać ludziom wykonywać większą ilość pracy. Będą pomagać im podejmować lepsze decyzje.

Niezależnie od tego, czy pomagamy zespołowi GTM znaleźć kolejnego klienta, czy pomagamy komuś nawiązać wartościową relację, wyzwaniem jest projektowanie technologii, która wzmacnia ludzki osąd.

Jak AI umożliwia mniejszym zespołom osiągnięcie rygoru produktowego

Jedną z największych zmian jest dla mnie to, jak AI zwiększyła dźwignię operacyjną małych zespołów produktowych.

Kiedy pracowałam w Meta, mieliśmy rozbudowaną infrastrukturę do podejmowania decyzji. Dedykowane zespoły, dojrzałe platformy do eksperymentów, pulpity nawigacyjne, specjaliści ds. danych, badacze i analitycy pomagali zespołom produktowym rozumieć zachowania użytkowników i podejmować lepsze decyzje.

Historycznie tylko firmy zatrudniające setki lub tysiące osób mogły osiągnąć taki poziom rygoru produktowego. AI to zmienia.

Również w przypadku moich mniejszych zespołów intensywnie wykorzystujemy AI, aby rozumieć interakcje użytkowników i wyznaczać nasze kolejne obszary koncentracji.

Łączymy nasze dane produktowe z Claude i korzystamy z narzędzi takich jak Mixpanel, aby rozumieć zachowania użytkowników. Wcześniej mały zespół poświęcał dużo czasu na tworzenie pulpitów nawigacyjnych, pisanie zapytań i ręczną analizę wzorców, zanim zajął się pytaniem dotyczącym produktu. Teraz możemy prowadzić rozmowę z naszymi danymi.

Kiedy więc uruchamiamy nową funkcję lub prowadzimy kampanię, możemy szybko zrozumieć:

• Na które segmenty użytkowników reagujemy?
• Gdzie użytkownicy rezygnują?
• Jakie zachowania korelują z utrzymaniem użytkowników?
• Co powinniśmy przetestować w następnej kolejności?

Nie oznacza to, że AI podejmuje za nas decyzje. Zmienia jedynie sposób, w jaki wykorzystujemy nasz czas.

Rola człowieka odchodzi od pozyskiwania danych i skupia się na zadawaniu lepszych pytań.

Model może zidentyfikować zmiany wskaźników, podzielić zmianę na segmenty i zasugerować możliwe wyjaśnienia, ale ostatecznie to ludzka ocena produktu pozwala stwierdzić, które hipotezy są wiarygodne, czy zmiana ma znaczenie i co należy zrobić dalej.

Jak szybkie prototypowanie zmienia rozmowę

AI zmniejsza dystans między pomysłem a rzeczywistymi opiniami klientów.

Intensywnie wykorzystujemy AI we wczesnych etapach rozwoju produktu. Zamiast zaczynać od pisemnego dokumentu opisującego koncepcję, szybko tworzymy teraz prototypy i interaktywne doświadczenia za pomocą kodowania wspomaganego przez AI, które pozwalają zespołowi poczuć produkt przed przeznaczeniem na niego zasobów inżynieryjnych.

Zmieniło to jakość rozmów, które prowadzimy wewnątrz firmy i na zewnątrz.

Pomysł na produkt może świetnie brzmieć w dokumencie, ale w chwili, gdy ktoś zaczyna z nim wchodzić w interakcję, zauważamy rzeczy, które w przeciwnym razie mogłyby nam umknąć: tarcia po stronie użytkownika, reakcje emocjonalne, niejasne przepływy lub założenia, które się nie sprawdzają.

Rygorystycznie testujemy prototypy, zbieramy opinie, wprowadzamy poprawki i dopiero wtedy przechodzimy do pełnego rozwoju.

Jest to szczególnie ważne, ponieważ AI ułatwia również tworzenie imponujących rzeczy, które nie rozwiązują istotnych problemów. Na przykład w Data Dumpling eksperymentowaliśmy z syntetycznymi personami klientów, ponieważ mieliśmy bogatą wiedzę o firmach, nabywcach i osobach podejmujących decyzje. Mogliśmy symulować, jak różne persony mogłyby reagować na komunikaty lub kampanie. Z technicznego punktu widzenia była to jedna z najciekawszych rzeczy, które stworzyliśmy. Jednak nasi klienci jej nie potrzebowali.

Myśli Tary

Rygorystycznie testujemy prototypy, zbieramy opinie, wprowadzamy poprawki i dopiero wtedy przechodzimy do pełnego rozwoju. Jest to szczególnie ważne, ponieważ AI ułatwia również tworzenie imponujących rzeczy, które nie rozwiązują istotnych problemów.

Jak AI wpływa na poznawanie klientów i plany rozwoju produktu

Historycznie poznawanie klientów wiązało się z utratą informacji. Menedżer produktu sporządzał notatki, podsumowywał rozmowy, identyfikował tematy i przekładał te spostrzeżenia na decyzje dotyczące planu rozwoju produktu. Wiele zależało od tego, co ktoś zapamiętał lub udokumentował.

Przebudowałam ten proces z pomocą AI. Read AI rejestruje każdą rozmowę z klientem i potencjalnym klientem, a Claude je syntetyzuje. Stworzyliśmy niestandardowe umiejętności, które bezpośrednio mapują te rozmowy na nasz plan rozwoju produktu, pomagając nam zrozumieć, które problemy pojawiają się wielokrotnie, którym segmentom klientów na nich zależy oraz jak te prośby łączą się z możliwościami generowania przychodów.

W dowolnym momencie możemy zrozumieć nie tylko, ilu klientów poprosiło o daną funkcję, ale także jak ważny jest ten problem, kto go doświadcza i czy jego rozwiązanie przyczyni się do rozwoju firmy.

W rezultacie decyzje dotyczące produktu opierają się na stale aktualizowanym systemie wiedzy o klientach, a nie na zbiorze statycznych notatek i pojedynczych rozmów.

Dlaczego menedżerowie produktu powinni uważać na tworzenie rozwiązań w oparciu o to, czego nie potrafią robić modele bazowe

Jeśli tworzysz produkty oparte na sztucznej inteligencji, musisz rozumieć, jak szybko rozwijają się modele bazowe. Jeszcze w zeszłym roku jedna z pierwszych funkcji sztucznej inteligencji, które zbudowaliśmy w Data Dumpling, dotyczyła generowania treści. W tamtym czasie tworzenie wysoce kontekstowych komunikatów skierowanych do odbiorców z wykorzystaniem informacji o firmie wydawało się prawdziwą przewagą konkurencyjną.

Pod koniec roku modele znacznie poprawiły zdolność rozumienia obrazów, linków i kontekstu długich treści, a także generowania wysokiej jakości treści bez dodatkowej konfiguracji. Coś, co początkowo wydawało się wyróżnikiem, niezwykle szybko stało się standardem rynkowym.

Uważam, że budowanie produktów, których główna wartość opiera się na tym, czego model nie potrafi dziś zrobić, jest niebezpieczne. Zamiast tego koncentrujemy się na budowaniu rozwiązań wokół przepływów pracy klientów, zastrzeżonych danych i systemów, które z czasem stają się coraz bardziej wartościowe.

Dlaczego liderzy produktu muszą eksperymentować, ale także podejmować zdecydowane działania

Moja rada jest prosta: bądź ciekawy, ale podejmuj zdecydowane działania.

Nowe modele, narzędzia i możliwości pojawiają się niemal co tydzień. Nikt nie zna wszystkich odpowiedzi, dlatego najszybciej uczą się zespoły gotowe do eksperymentowania.

Zacznij od dowolnego powolnego, powtarzalnego lub frustrującego elementu procesu tworzenia produktu. Wypróbuj różne narzędzia sztucznej inteligencji. Sprawdź, co rzeczywiście usprawnia pracę Twojego zespołu. Zmierz wpływ, zachowaj to, co działa, i nie bój się zrezygnować z tego, co się nie sprawdza.

Jednocześnie obecnie pojawia się pokusa, by przebudować wszystko tylko dlatego, że istnieje sztuczna inteligencja. To nie jest właściwe podejście.

Jeśli dany proces już działa dobrze, sztuczna inteligencja niekoniecznie jest w nim potrzebna. Sztuczna inteligencja powinna rozwiązywać rzeczywiste problemy, a nie tworzyć nowe.

Nie każda decyzja powinna być również zautomatyzowana. W Data Dumpling sztuczna inteligencja automatyzuje znaczną część wyszukiwania potencjalnych klientów, mapowania komitetu zakupowego i analizy sygnałów intencji, ale cały nasz przepływ pracy projektujemy z udziałem człowieka. Sztuczna inteligencja doskonale wykrywa możliwości, łączy sygnały i ustala priorytety obszarów, na których warto skupić uwagę. Jednak ostateczną decyzję nadal podejmuje człowiek — niezależnie od tego, czy chodzi o nawiązanie kontaktu z firmą, zmianę strategii czy określenie sposobu działania na podstawie złożonego sygnału zakupowego.

To celowy wybór projektowy. Celem nie jest zastąpienie ludzkiej oceny. Chodzi o zapewnienie ludziom lepszego kontekstu, aby mogli podejmować lepsze decyzje.

Ostatecznie sukces w erze sztucznej inteligencji nie wynika z korzystania z największej liczby narzędzi. Wynika ze świadomości, gdzie sztuczna inteligencja zwiększa skuteczność, a gdzie nadal liczy się ludzka ocena.

Śledź jej działalność

Możesz śledzić działalność Tary Sakhuji na LinkedInie i Instagramie. Sprawdź także Data Dumpling oraz Luv or Pop.

Więcej rozmów z ekspertami już wkrótce w The CPO Club!