Założycielka i była menedżerka produktu Apple twierdzi, że procesy związane z dokumentami wymagań produktu muszą zostać gruntownie zmienione — oto plan

Sonia Vora pełniła funkcję dyrektorki ds. produktu oraz dyrektorki zarządzania produktem w różnych firmach z branży ochrony zdrowia. Kierowała również rozwojem produktów związanych z ochroną zdrowia w Apple. Obecnie jest założycielką firmy z branży AI i ochrony zdrowia.

Spotkaliśmy się z Sonią, aby dowiedzieć się, jak wykorzystuje agentów w procesach pracy zespołów produktowych. Oto, co nam opowiedziała.

Tworzenie produktów związanych z AI i ochroną zdrowia

Cześć, jestem Sonia. Swoją karierę rozpoczęłam w doradztwie strategicznym w McKinsey i GoogleX. Następnie zostałam dyrektorką zarządzania produktem w ACKO Insurance, indyjskiej firmie ubezpieczeniowej działającej w modelu sprzedaży bezpośredniej do konsumentów na etapie Series D. Później objęłam stanowisko dyrektorki ds. produktu w Narayana One Health, zintegrowanej jednostce opieki zdrowotnej działającej w ramach systemu szpitalnego w Indiach. Kierowałam również rozwojem dwóch produktów związanych ze zdrowiem w Apple — aplikacji Attain (stworzonej we współpracy z Aetna Insurance) oraz Lumihealth (stworzonej we współpracy z rządem Singapuru). Otrzymałam także wyróżnienie Forbes 30 Under 30.

W 2017 roku, zanim pojawiły się transformatory i LLM-y, badałam wpływ AI w McKinsey i Google oraz analizowałam możliwości wykorzystania ML do poprawy opieki nad pacjentami w Apple i ACKO. Od tamtej pory nie pracowałam jednak bezpośrednio z AI. Około półtora roku temu zdałam sobie sprawę, że AI zmieni nie tylko moją branżę (ochronę zdrowia), lecz także zarządzanie produktem. Natychmiast rozpoczęłam kilka inicjatyw:

1. Samodzielne zdobywanie wiedzy na temat podstaw AI.
2. Włączanie ChatGPT/Gemini do codziennej pracy PM-ów w moim zespole produktowym. Obejmowało to tworzenie promptów na potrzeby bardziej dopracowanych PRD, burze mózgów nad PRD, prowadzenie badań z wykorzystaniem Deep Research oraz używanie ChatGPT i Gemini do przekazywania informacji zwrotnych na temat projektów i wychwytywania problemów UX.
3. Eksperymentowanie z narzędziami takimi jak Lovable w celu szybkiego tworzenia prototypów oraz zbierania opinii UX od użytkowników i kupujących.

Obecnie jestem założycielką Alongside Health, firmy łączącej AI i ochronę zdrowia. Wykorzystuję połączenie możliwości języka naturalnego LLM-ów oraz deterministycznych protokołów do automatyzacji opieki klinicznej. Aby tworzyć nasze pierwsze pilotażowe rozwiązania, codziennie korzystam z Claude Code do projektowania systemów deterministycznych i wdrażania agentów, którzy są testowani przez naszych klientów pilotażowych. Prototypy i naszą stronę internetową również tworzę bezpośrednio za pomocą Claude Code.

Sonia dzieli się

Liderzy produktowi muszą całkowicie przemyśleć na nowo system, w którym menedżerowie produktu piszą PRD, przekazują go zespołowi projektowemu, a następnie inżynierom.

Jak AI zmienia proces tworzenia PRD

Liderzy produktowi muszą całkowicie przemyśleć na nowo system, w którym menedżerowie produktu piszą PRD, przekazują go zespołowi projektowemu, a następnie inżynierom. Celem jest przyspieszenie całego tego cyklu, zapobieganie sytuacjom, w których PM-owie i projektanci są blokowani przez inżynierów, oraz wcześniejsze angażowanie inżynierów tam, gdzie ich wiedza jest najbardziej potrzebna.

Ludzie podchodzą do tego na różne sposoby, ale dostrzegam dwa działania o dużym wpływie i stosunkowo łatwe do wdrożenia:

1. Przyspieszyć początkowe „dopracowywanie PRD” i generowanie pomysłów dzięki prototypom tworzonym za pomocą Claude — początkowo przez PM-ów, a następnie udoskonalanym przez projektantów. Daje to inżynierom konkretną podstawę do tworzenia dokumentacji projektowej nowych funkcji, zamiast rozpoczynania od obszernych wymagań opisanych tekstem.
2. W przypadku istniejącej funkcji pomocne okazało się zapewnienie PM-om i projektantom pełnego dostępu do wprowadzania określonych zmian i przesyłania PR-ów — pod warunkiem że zmiany te nie wpływają zasadniczo na architekturę. Jeśli macie sprawny proces przeglądu kodu, zapobiegniecie powstawaniu dużej ilości chaotycznego, nowego kodu, gdy PM-owie i projektanci będą przesyłać zmiany.

Osobiście nie piszę już na początku długich PRD, które próbują uwzględnić każdy przypadek brzegowy. Zamiast tego od razu pracuję z Claude nad rozwinięciem mojego wstępnego dokumentu wymagań poprzez dyskusje w formie pytań i odpowiedzi.

Następnie wykorzystuję ten dokument jako punkt wyjścia dla Claude Code i używam właściwego prototypu do znajdowania przypadków brzegowych, a przed uruchomieniem rozwiązania, wraz z Claude, uwzględniam te wymagania z powrotem w dokumencie PRD.

W rezultacie w tym samym czasie tworzę pracę o znacznie wyższej jakości. Mam partnera do dyskusji i sparingowego rozmówcę, który pomaga mi działać kompleksowo, szybciej analizować możliwości i wyszukiwać przydatne zasoby online.

Dlaczego eksperymentowanie jest supermocą AI

Opiszę szczegółowo, jak wykorzystuję AI w zarządzaniu produktem:

• Odkrywanie problemów: AI jest tutaj najmniej pomocna, ponieważ nie zna rzeczywistych problemów użytkowników. AI może formułować hipotezy, ale nie wynikają one z bezpośredniego doświadczenia i nie ujawnią prawd niezgodnych z konsensusem. Nic nie zastąpi rozmowy z użytkownikiem i zrozumienia jego sposobu myślenia.
• Priorytetyzacja: Podobnie AI może zaoferować pierwszy, „zdroworozsądkowy” etap priorytetyzacji, ale nie ma dostępu do rzeczywistych opinii użytkowników ani wyczucia produktu, dlatego w tym obszarze trzeba uważnie monitorować jej działania.
• Wyrobienie projektowe i decyzje dotyczące UX: AI zapewnia świetny pierwszy etap pracy, ale nie rozumie użytkowników ani ich celów; jedynie naśladuje istniejące przepływy. Trzeba uważnie uwzględnić „ludzki” element, który pomaga użytkownikom realizować ich zadania. Wielokrotnie iterowałam nad UX, aby zapewnić spójność, uwzględnić komponenty i stworzyć architekturę informacji, która rzeczywiście odpowiada oczekiwaniom i celom użytkowników. To jak inżynier dysponujący niesamowitymi bibliotekami front-endowymi, który projektuje każdy ekran — czasami wygląda to świetnie, ale nie pomaga użytkownikom łatwo zrozumieć, jak wykonać swoje zadania.
• Planowanie: To obszar, w którym AI świetnie radzi sobie z przygotowaniem pierwszej wersji. Przy wystarczającym kontekście może skutecznie opracować wstępne harmonogramy i pomóc w planowaniu działań. Szczególnie podoba mi się Linear.
• Identyfikowanie kompromisów i wpływu decyzji projektowych: Agenci kodujący często tego nie robią, chyba że zostaną o to wyraźnie poproszeni. Po otrzymaniu takiego polecenia skutecznie przedstawiają jednak wiele zalet, wad i wewnętrznych rozważań, pomagając głębiej przeanalizować konsekwencje. Nadal często dostrzegam luki w analizie RCA i burzy mózgów prowadzonej z agentami kodującymi, ale czasami wskazują oni również kwestie, których nie rozważyłam od razu.
• Eksperymentowanie: To prawdziwa supermoc AI. Ponieważ można tak szybko budować koncepcje, da się wypróbowywać wiele różnych rozwiązań, korzystać z produktu, a następnie iterować na podstawie uzyskanych spostrzeżeń.

Jak AI może wspierać procesy ewaluacyjne

Oto przykład procesu pracy z AI, którego używam w zarządzaniu produktem.

Użyłam Claude do stworzenia procesu, w którym dla każdej nowej wersji produktu proszę OpenAI lub Gemini (za pośrednictwem wywołań API) o wcielenie się w personę pacjenta i odpowiadanie mojemu agentowi w symulowanym czacie.

Generuję persony pacjentów za pomocą skryptu, który tworzy wszystkie gałęzie protokołu i testuje każdą z nich. Skrypt uwzględnia również typy osobowości pochodzące z naszego generatora opartego na badaniach. Po każdej rozmowie persony z nową wersją agenta prosimy Gemini lub OpenAI o ocenę rozmowy według naszych 10 kryteriów ewaluacyjnych oraz o przyznanie wyniku pozytywnego lub negatywnego.

Następnie analizuję wyniki ewaluacji, sporządzam listę sugerowanych zmian, które mają naprawić problemy Claude, publikuję nową wersję agenta i ponownie uruchamiam cały proces.

Użyłam Claude Code do zbudowania interfejsu, w którym mogę przeglądać wyniki ewaluacji, symulowane rozmowy oraz symulowane persony pacjentów.

Okazało się to niezwykle pomocne, ale wiąże się z pewnym zastrzeżeniem: AI nadal jest wyjątkowo stochastyczna. Mam trudności w obszarach wymagających niezawodności. Na przykład w przypadku ewaluacji typu LLM-as-judge, takich jak ta, AI często przyznaje wynik pozytywny w jednym uruchomieniu, a negatywny w innym, co stanowi poważny problem.

Można projektować rozwiązania tak, aby ograniczać niespójność, ale trzeba również zawsze projektować je z myślą o wychwytywaniu potencjalnych przeoczeń AI.

Jak menedżerowie produktu mogą przestać obawiać się Claude Code

Początkowo onieśmielała mnie myśl o skutecznym korzystaniu z Claude Code jako osoba niebędąca inżynierem, zwłaszcza że większość osób używała go w terminalu.

Ale zaczęłam budować. Traktowałam Claude/Cursor jak młodszego pracownika, który wymaga intensywnego przeprowadzania burzy mózgów i prowadzenia za rękę, co pomogło mi poznać potencjalne problemy związane z kodowaniem w stylu Claude. Teraz zapobiegam im w swoim procesie pracy.

Na przykład Claude może sprawiać wrażenie „zapominalskiego”, ponieważ kompresuje informacje, aby zmieścić je w oknie kontekstu. Aby to obejść, proszę go teraz, by zawsze zapisywał plan i odwoływał się do niego przed rozpoczęciem budowy czegoś — dokładnie tak, jak zrobiłoby to prawdziwe, ludzkie koleżeństwo; my również jesteśmy zapominalscy!

Claude jest teraz szczególnie łatwy w użyciu, ponieważ modele znacznie się poprawiły. Nawet przy niepełnym kontekście, jeśli poprosisz go o zadawanie pytań, może prowadzić z tobą rozmowę, aby najpierw przygotować kompleksowy plan. Następnie może działać bardziej niezawodnie, ograniczając potrzebę martwienia się o tworzenie rusztowania.

Dlaczego agenci programistyczni nie są cudownym rozwiązaniem

Dzięki agentom programistycznym każdy może teraz być inżynierem. Powinniśmy więc zadbać o to, aby eksperci koncentrowali się na rzeczach, które tylko oni potrafią robić dobrze, a wszystkim innym pozwolić zajmować się prostymi zadaniami. Nastawienie, że „każdy jest inżynierem”, ma ogromne znaczenie.

Warto jednak zauważyć, że agenci programistyczni nie potrafią magicznie naprawiać błędów bez ingerencji człowieka. Często brakuje im zdrowego rozsądku lub kontekstu projektowego, przez co nieprawidłowo ustalają główną przyczynę problemów albo je rozwiązują.

Przy odrobinie odpowiedniego formułowania poleceń działają znacznie lepiej, ale ograniczenia kontekstowe mogą w subtelny sposób prowadzić do niedbałej realizacji zadań lub myślenia.

Mimo wszystko ogromnie skróciło to czas tworzenia, ale dostarczenie dobrego produktu nadal wymaga sporego namysłu.

Jak nadążyć za rozwojem AI

Zacznij już teraz korzystać z tych narzędzi w swojej codziennej pracy! Im później je wdrożysz, tym bardziej pozostaniesz w tyle za osobami na podobnych stanowiskach, które już zoptymalizowały przepływy pracy z wykorzystaniem tych agentów.

Przy okazji zachowaj otwarty umysł wobec mocnych i słabych stron AI — i pamiętaj, że zmieniają się one niemal co miesiąc.

Eksperymentuj. Korzystaj z Claude Code lub innych narzędzi podczas codziennej pracy, aby poznać mocne i słabe strony modeli. Jeśli poświęcasz na dane zadanie choćby 30 minut dziennie, prawdopodobnie warto zainwestować jedną lub dwie godziny w jego automatyzację — ten czas będzie się kumulować.

Podczas poszukiwania odpowiedzi wypróbuj kilka narzędzi do rozmów z LLM, aby zobaczyć, jak reagują różni dostawcy i różne modele. Zmień też swoją „dietę” na LinkedInie, aby być na bieżąco z osobami wykorzystującymi AI, by stać się najlepszymi możliwymi PM-ami.

Wszyscy czują się teraz przytłoczeni i to jest w porządku. Rozmawiam z pełnoetatowymi specjalistami ds. AI, którzy czują się przytłoczeni — bądź dla siebie wyrozumiały i świętuj małe sukcesy, gdy nadążasz za rozwojem AI.

Śledź dalsze informacje

Możesz nawiązać kontakt z Sonią Vorą na platformie LinkedIn.

Na The CPO Club pojawią się kolejne wywiady z ekspertami!