Dlaczego sztuczna inteligencja zmusza liderów produktu do przeprojektowania organizacji, a nie tylko produktu

Lukas Egger jest wiceprezesem ds. strategii i innowacji produktowych w SAP Signavio. Jest również twórcą podcastu Process Transformers.

Usiedliśmy z Lukasem, aby dowiedzieć się, jak AI zmienia sposób, w jaki kieruje swoją organizacją produktową, a także jak wpływa na sam produkt. Oto czym się z nami podzielił.

Oddzielanie trwałej wartości od szumu

Jestem Lukas Egger, wiceprezesem ds. strategii i innowacji produktowych w SAP Signavio. Moja praca łączy strategię produktu, transformację biznesową i AI, ze szczególnym uwzględnieniem tego, jak duże organizacje mogą przekształcać powstające technologie w użyteczne, godne zaufania i znaczące ekonomicznie produkty.

Moja droga do tego momentu wynika nie tyle z pojedynczego „przebudzenia AI”, ile z wieloletniego zainteresowania tym, jak organizacje radzą sobie ze złożonością. Na wcześniejszych etapach kariery pracowałem w obszarach danych, analityki, produktu i strategii, a coraz bardziej interesowała mnie luka między możliwościami technologicznymi a rzeczywistością organizacyjną. Wiele pomysłów wygląda przekonująco na demonstracji lub w prototypie, ale prawdziwym testem jest to, czy przetrwają w obliczu systemów motywacyjnych, zarządzania, przepływów pracy klientów, ograniczeń technicznych i faktycznej adopcji.

W ten sposób myślę również o AI w przywództwie produktowym. Ekscytujące nie jest samo generowanie przez modele tekstu, kodu, obrazów czy analiz. Głębsza zmiana polega na tym, że AI zmienia strukturę kosztów procesów poznawczych w firmach. Obniża koszt tworzenia, porównywania, podsumowywania, symulowania i koordynowania pracy. Ma to ogromne znaczenie dla zespołów produktowych, ponieważ zmienia nie tylko to, co możemy budować, lecz także tempo testowania pomysłów, sposób rozumienia klientów, projektowania przepływów pracy i definiowania wartości.

W SAP Signavio poświęcam dużo czasu na rozważanie, jak AI może wspierać transformację biznesową w poważnym kontekście korporacyjnym. Oznacza to wyjście poza ogólne deklaracje dotyczące produktywności i zadawanie bardziej precyzyjnych pytań produktowych: Jakie nowe problemy klientów stają się możliwe do rozwiązania? Które przepływy pracy ulegają istotnej poprawie? Gdzie AI tworzy mierzalną wartość biznesową? Gdzie powoduje nowe ryzyko? I jak ograniczać ryzyko innowacji pod kątem pożądania, wykonalności, opłacalności i akceptowalności organizacyjnej?

Dla liderów produktu to wyjątkowy moment. AI nie jest tylko kolejną warstwą funkcji. Zmusza nas do ponownego przeanalizowania założeń dotyczących doświadczenia użytkownika, wyróżnienia, szybkości dostarczania, danych, zaufania i samej roli oprogramowania. Zadaniem liderów produktu nie jest więc podążanie za najgłośniejszym przypadkiem użycia AI, lecz budowanie osądu, systemów i modeli operacyjnych, które pomagają zespołom oddzielać trwałą wartość od szumu.

Ułatwianie zmian

Dla kontekstu: mój zespół wspiera LabSpace, ważne środowisko innowacji skierowane do klientów. Prosty zamysł LabSpace polega na umożliwieniu klientom korporacyjnym wczesnego, bezpiecznego i niemal bezproblemowego kontaktu z innowacjami. W tradycyjnym oprogramowaniu B2B, szczególnie w obszarze ERP i transformacji biznesowej, zmiana często jest kosztowna, powolna i ryzykowna z operacyjnego punktu widzenia. LabSpace zmniejsza tę barierę. Zamiast prosić klientów o dokonanie trudnej zmiany z góry, tworzymy przestrzeń, w której mogą sprawdzić, jak mogłaby wyglądać lepsza przyszła organizacja przepływu pracy, zanim zdecydują się na adopcję, wdrożenie lub skalowanie.

Nasza organizacja ma dwa rodzaje użytkowników. Zewnętrznie klienci korzystają z niej, aby zrozumieć, co nowe możliwości mogą oznaczać dla ich działalności. Wewnętrznie zespoły produktowe, inżynieryjne i innowacyjne wykorzystują ją do konfrontowania wczesnych pomysłów z rzeczywistymi opiniami klientów, bez przedwczesnego przekształcania każdego eksperymentu w pełne zobowiązanie produktowe.

W tym sensie LabSpace jest zarówno prezentacją, jak i systemem uczenia się. Pomaga nam testować pożądanie, wykonalność, opłacalność i dopasowanie organizacyjne w znacznie bardziej konkretny sposób. Skala jest szeroka: chcemy udostępnić innowacje klientom w całej bazie klientów SAP Signavio, a jednocześnie zapewnić zespołom wewnętrznym powtarzalną ścieżkę prowadzącą od obiecujących pomysłów do zweryfikowanego kierunku rozwoju produktu.

Model dostarczania jest celowo lekki. Nie zmuszamy klientów do przechodzenia przez ciężkie cykle wdrożeniowe tylko po to, aby mogli doświadczyć innowacji. Tworzymy uporządkowane i niskiego ryzyka sposoby korzystania z nowych możliwości, zbierania opinii i uczenia się, gdzie istnieje rzeczywista wartość. Głębsza filozofia produktu zakłada, że oprogramowanie korporacyjne powinno nie tylko pomagać firmom się zmieniać, lecz także ułatwiać sam proces zmiany.

Jak model produktu przeobraża się pod wpływem AI

Niedawno zaczęliśmy na nowo zastanawiać się nad minimalnym zespołem niezbędnym do wczesnego etapu innowacji produktowej.

Historycznie nawet dojście do wiarygodnej pierwszej koncepcji w oprogramowaniu korporacyjnym często wymagało niewielkiego zespołu interdyscyplinarnego: przedstawicieli produktu, projektowania i inżynierii, ekspertów dziedzinowych, a czasem także wsparcia w zakresie danych lub architektury. Miało to sens, ponieważ każda z tych ról obejmowała wyspecjalizowane zadania, które trudno było skompresować. Jednak AI zaczęła rozdzielać te role na zadania o bardzo różnym poziomie podatności na automatyzację.

W ubiegłym roku obserwowaliśmy, jak czas od pomysłu do pierwszej koncepcji możliwej do zweryfikowania przez klienta drastycznie się skrócił. Menedżerowie produktu i inżynierowie mogą teraz samodzielnie objąć znacznie większą część początkowego obszaru innowacji: syntetyzować sygnały od klientów, generować alternatywne koncepcje, tworzyć prototypy, badać sytuacje brzegowe, przygotowywać narracje i prowadzić bardziej spójne rozmowy z klientami. Nie eliminuje to potrzeby korzystania z wiedzy eksperckiej, osądu ani współpracy międzyfunkcyjnej, ale zmienia moment — i cel — zaangażowania tych osób.

Rezultatem nie jest tylko większa szybkość czy redukcja kosztów. Ciekawsza zmiana dotyczy własności. Mniejsze grupy, a w niektórych przypadkach pojedyncze osoby, mogą teraz rozwinąć pomysł na tyle, by uzyskać wartościową wiedzę, zanim zgromadzą większy zespół. Zmniejsza to kontrolę dostępu między rolami i daje osobom z dobrymi pomysłami większą swobodę wywierania wpływu.

Moim zdaniem jest to jedna z najbardziej ekscytujących zmian, jakie AI przyniosła pracy nad produktem. Nie dostarczamy po prostu większej liczby rezultatów w ramach starego modelu. Zmienia się sam kształt tego modelu: mniej przekazywania pracy między osobami, szybsze pętle uczenia się i większa sprawczość osób znajdujących się najbliżej szansy.

Jak AI poszerza obszar decyzji, podczas gdy ludzie decydują

Coraz częściej myślę nie tyle o tym, „która aktywność związana z produktem wykorzystuje AI?”, ile raczej o tym, „jakiego rodzaju decyzję podejmujemy?”.

AI staje się bardzo skuteczna w działaniach informacyjnych, generatywnych, porównawczych lub odwracalnych. AI intensywnie wspiera teraz badania rynku, badania źródeł wtórnych, syntezę sygnałów od klientów, analizy konkurencji, pierwsze wersje narracji, eksplorację koncepcji, alternatywne sposoby ujmowania problemu, a nawet wczesne tworzenie pomysłów na prototypy. W wielu z tych obszarów AI nie tylko przyspiesza pracę; zmienia również podstawowe oczekiwania dotyczące tego, ile kontekstu lider produktu lub zespół powinien przetworzyć przed podjęciem decyzji.

Jestem znacznie ostrożniejszy w przypadku decyzji wymagających osądu w warunkach rzeczywistej niepewności. AI może dostarczać informacji pomocnych przy tych decyzjach, ale nie powinna ich podejmować. Ustalanie priorytetów, kierunek rozwoju produktu, kompromisy strategiczne, obietnice składane klientom, logika ustalania cen, zobowiązania organizacyjne i decyzje dotyczące technologii nadal wymagają ludzkiej odpowiedzialności. Nie są to wyłącznie problemy optymalizacyjne. Obejmują niepełne informacje, sprzeczne wartości, ograniczenia polityczne, zaufanie klientów, kwestie czasowe oraz konsekwencje, których nie jesteśmy w stanie w pełni zamodelować z wyprzedzeniem.

Mówiąc wprost: AI doskonale sprawdza się w poszerzaniu obszaru decyzji. Może pokazać więcej opcji, więcej dowodów, więcej kontrargumentów, więcej zagrożeń i więcej wzorców, niż zespół mógłby wygenerować samodzielnie. Ludzie nadal muszą jednak decydować o tym, co ma znaczenie, na co warto postawić i jakie ryzyko organizacja jest gotowa ponieść.

To rozróżnienie staje się jeszcze ważniejsze, gdy treści stają się tańsze. Jeśli każdy zespół może generować dopracowane badania, wiarygodne strategie i przekonujące narracje, rzadkim zasobem nie są już treści. Jest nim zaufanie. Przywództwo produktowe w coraz mniejszym stopniu polega więc na tworzeniu większej liczby materiałów, a w coraz większym na budowaniu osądu, zasad zarządzania i wiarygodności potrzebnych do rozpoznania, które materiały zasługują na działanie.

Jak AI może pomóc liderom produktu usprawnić komunikację z zespołami

Jeden z przepływów pracy wspieranych przez AI, którego używam niemal codziennie, nie jest klasycznym przepływem pracy nad produktem, ale uczynił mnie lepszym liderem produktu: przekształcanie niesfiltrowanych myśli w komunikaty, które inni potrafią usłyszeć.

Przywództwo produktowe wiąże się z niejednoznacznością, napięciem i informacją zwrotną. Czasami coś wywołuje we mnie silną reakcję: strategia, propozycja, spotkanie, decyzja lub dostrzegany przeze mnie wyłaniający się wzorzec. W przeszłości natychmiast przekładałem tę reakcję na dopracowaną i dyplomatyczną formę. Może to być użyteczne, ale może również sprawić, że stracimy pierwotny sygnał.

Teraz często używam AI jako warstwy tłumaczącej. Najpierw szczerze zapisuję swoje surowe myśli: co mnie frustruje, co jest nie tak, na czym polega rzeczywisty problem i jakiego kompromisu unikamy. Nie wysyłam nikomu tej wersji. To prywatna, niesfiltrowana analiza.

Następnie proszę AI o pomoc w przekształceniu tego w coś użytecznego dla odbiorcy: wiadomość e-mail, wiadomość na Slacku, informację zwrotną po spotkaniu, notatkę decyzyjną lub zestaw pytań. Ten przepływ pracy wygląda następująco: surowa myśl → uporządkowana analiza → komunikat dostosowany do odbiorcy → weryfikacja człowieka → ostateczna wiadomość.

AI nie zastępuje mojego osądu; pomaga mi raczej zachować prawdę zawartą w informacji zwrotnej, jednocześnie usuwając niepotrzebne emocje. Pozwala mi najpierw być bardziej szczerym wobec samego siebie, a następnie skuteczniej komunikować się z innymi.

Dla liderów produktów ma to znaczenie, ponieważ ich praca nie polega wyłącznie na posiadaniu właściwej analizy. Chodzi o to, aby pomóc innym ją usłyszeć, zaangażować się w nią i działać na jej podstawie bez przyjmowania postawy obronnej. AI stała się przydatna jako pomost między autentyczną reakcją a konstruktywną komunikacją.

Dlaczego praca nad produktami AI wymaga zmian organizacyjnych

Praca nad produktami AI to nie tylko wyzwanie produktowe czy technologiczne. To również wyzwanie związane ze zmianą organizacyjną.

Znalezienie niewielkiej grupy osób podekscytowanych AI nie jest trudne. Budowanie wczesnych prototypów również nie jest najtrudniejszą częścią. Znacznie trudniejsze jest prowadzenie innowacji w tempie AI za pośrednictwem struktur motywacyjnych, modeli zarządzania, ścieżek zatwierdzania i procesów realizacji zaprojektowanych dla innej epoki oprogramowania.

Wiele z tych struktur istnieje z dobrych powodów. Chronią jakość, bezpieczeństwo, spójność, markę, zgodność z przepisami i zaufanie klientów. Jednak AI radykalnie zmienia tempo, zakres i możliwości, dlatego niektóre z tych struktur mogą stać się wąskimi gardłami, jeśli organizacje ich nie zweryfikują.

Potrzebujesz więc mandatu nie tylko do kupowania narzędzi, lecz także do szkolenia ludzi lub budowania funkcji AI. Potrzebujesz również mandatu do zmiany sposobu przepływu pracy przez organizację: kto może eksperymentować, jak oceniane są decyzje i ryzyko, jak uwzględniane są informacje zwrotne oraz jak szybko pomysł może przejść od etapu eksploracji do nauki płynącej od klientów.

Gdybym wcześniej lepiej to rozumiał, poświęciłbym jeszcze więcej czasu „niebohaterskim” fundamentom: systemom motywacyjnym, uprawnieniom, modelom oceny, pętlom uczenia się i zaufaniu w organizacji. Ta praca nie zawsze prowadzi do efektownego momentu premiery. Bez niej jednak procesy niezaprojektowane z myślą o szybkości AI z łatwością blokują innowacje związane z AI.

Moglibyśmy również uniknąć części tarć wynikających z proszenia ludzi o wprowadzanie innowacji przy użyciu AI, a jednocześnie zmuszania ich do działania w ramach ograniczeń operacyjnych sprzed ery AI.

Dlaczego liderzy produktów muszą przeprojektować przepływ wartości

Liderzy produktów muszą zadawać trudne pytania: Dokąd przepływa wartość? Które elementy produktu pozostają wartościowe, gdy użytkownikami stają się agenci? Które przepływy pracy ulegają utowarowieniu? Które wąskie gardła przenoszą się z tworzenia do weryfikacji, zaufania, integracji i adopcji? Narzędzia takie jak mapowanie Wardleya i analiza przepływu wartości stają się coraz ważniejsze, ponieważ zmuszają do dostrzeżenia, gdzie produkt i organizacja mogą wymagać zmian, a nie tylko gdzie można wdrożyć AI.

Przeprojektowujemy sposób, w jaki innowacje docierają do klientów. W przeszłości innowacje mogły z łatwością koncentrować się w wyspecjalizowanym zespole, niemal jak w butikowej firmie, która ograniczała ryzyko związane z pomysłami dla reszty organizacji. Może to działać na małą skalę, ale AI zmienia skalę możliwości. Mały zespół innowacyjny nie powinien zajmować się interesującą pracą nad AI, podczas gdy wszyscy inni tylko się przyglądają. Celem jest uczynienie z innowacyjności szerszej zdolności organizacyjnej.

Oznacza to tworzenie systemów, w których więcej osób może angażować się w nowe pomysły, testować je z klientami, wyciągać wnioski z informacji zwrotnych i współtworzyć kierunek rozwoju produktu. W praktyce oznacza to przejście od „innowacji jako zespołu” do „innowacji jako powtarzalnego modelu operacyjnego”.

Lukas States

Rezultat jest ważniejszy niż sama szybkość. Więcej osób może wcześniej uczestniczyć w pomysłach i je weryfikować, dzięki czemu organizacja skuteczniej odróżnia rzeczywistą wartość od efektownych demonstracji.

Rezultat jest ważniejszy niż sama szybkość. Więcej osób może wcześniej uczestniczyć w pomysłach i je weryfikować, dzięki czemu organizacja skuteczniej odróżnia rzeczywistą wartość od efektownych demonstracji. W przyszłości wspomaganej przez AI może to być jedna z najważniejszych zmian: nie kolejna funkcja, lecz system produktowy, który pomaga całej organizacji szybciej się uczyć.

Dlaczego organizacje produktowe muszą nagradzać nowe zachowania, aby w pełni wykorzystać AI

Największa luka dotyczyła projektowania systemu motywacyjnego.

Zmiana tego, co organizacja nagradza, jest trudniejsza. Dostęp do narzędzi AI jest łatwy, a znalezienie entuzjastycznie nastawionych osób również nie stanowi problemu. Jeśli ludzie nadal są motywowani do ochrony wąskich granic ról, unikania eksperymentów, podążania powolnymi ścieżkami zatwierdzania i optymalizacji pod kątem przewidywalnej realizacji, wówczas wdrażanie AI pozostanie powierzchowne.

AI tworzy wartość, gdy ludzie mogą przekraczać granice, szybko testować rozwiązania i brać większą odpowiedzialność za cały proces. Wymaga to przyzwolenia, zaufania i systemów motywacyjnych dopasowanych do nowego sposobu pracy.

Dlatego pytanie nie brzmi tylko, czy ludzie korzystają z AI. Lepsze pytanie brzmi: czy organizacja nagradza zachowania, które sprawiają, że AI staje się użyteczna?

Jak brak kontekstu może ograniczać zwrot z inwestycji

Znaczna część wartości przedsiębiorstwa zależy od wiedzy ukrytej: od tego, jak przebiegają procesy, gdzie pojawiają się wyjątki, które przekazania mają znaczenie, które zasady są formalne, a które nieformalne, oraz gdzie zachęty organizacyjne po cichu kształtują zachowania. Systemy, dokumentacja lub dane często nie rejestrują tej wiedzy w sposób uporządkowany. Dlatego gdy firmy wdrażają AI, może ono wyglądać imponująco na poziomie interfejsu, ale niekoniecznie dociera do sedna sposobu, w jaki wykonywana jest praca.

To jeden z powodów, dla których osiągnięcie zwrotu z inwestycji okazało się trudniejsze, niż wiele osób oczekiwało. Możliwości są realne, a koszty modeli będą nadal spadać, ale wąskim gardłem często nie jest sam model. Wąskim gardłem jest kontekst. Jeśli organizacja nie uczyniła procesów, decyzji, danych i odpowiedzialności zrozumiałymi, AI ma ograniczoną siłę oddziaływania.

Moje rozczarowanie nie wynika więc z tego, że AI jest słabe. Chodzi o to, że AI ujawniło, jak wiele wiedzy organizacyjnej firmy nigdy właściwie nie uporządkowały.

Lukas States

Jeśli organizacja nie uczyniła procesów, decyzji, danych i odpowiedzialności zrozumiałymi, AI ma ograniczoną siłę oddziaływania. Moje rozczarowanie wynika więc z tego, że AI jest słabe. Chodzi o to, że AI ujawniło, jak wiele wiedzy organizacyjnej firmy nigdy właściwie nie uporządkowały.

Dlaczego nie należy po prostu doczepiać AI do produktu

Nieudane rezultaty zwykle wynikają z traktowania AI jako dodatku. Najbardziej oczywista wersja polega na dodaniu interfejsu czatu lub poleceń do istniejącego przepływu pracy tylko po to, aby pokazać obecność AI. Może to stworzyć fałszywą obietnicę. Interfejs poleceń sugeruje szerokie, otwarte możliwości, ale oprogramowanie dla przedsiębiorstw zwykle potrzebuje ograniczonej, zarządzanej inteligencji dopasowanej do konkretnego przepływu pracy. Gdy warstwa AI wykracza poza swoje rzeczywiste możliwości, zaufanie szybko spada.

Nie myślę o AI jak o klocku Lego, który można po prostu dołączyć do produktu. Bardziej przypomina mi ono zmianę zawodnika w sporcie zespołowym. Gdy zmienia się jeden zawodnik, zmieniają się również strategia, interakcje, zależności i sposoby występowania błędów. Jeśli nie przeprojektujesz otaczającego systemu, możesz uzyskać imponującą wersję demonstracyjną, ale później często tworzysz więcej złożoności.

Najlepsze integracje są często tymi najmniej rzucającymi się w oczy. AI pomaga użytkownikom działać szybciej, rozumieć kontekst, podejmować lepsze decyzje lub unikać niepotrzebnej pracy — bez konieczności zarządzania AI jako odrębnym elementem.

Dlaczego produkty nie są już tworzone wyłącznie dla ludzi

Produkty nie są już tworzone wyłącznie dla użytkowników będących ludźmi. AI wprowadza nowy rodzaj użytkownika: agentów, automatyzacje i podmioty maszynowe, które wchodzą w interakcję z produktami inaczej niż ludzie.

Przez dziesięciolecia zespoły produktowe zaczynały od ludzkiego klienta: jego celów, problemów, przepływów pracy, uwagi, cierpliwości i oczekiwań. To nadal jest kluczowe. Jednak w wielu kontekstach przedsiębiorstw projektujemy obecnie dla środowiska mieszanego, w którym zarówno ludzie, jak i agenci korzystają z możliwości produktów, interpretują je i podejmują na ich podstawie działania.

Zmienia to subtelne, ale istotne założenia. Weźmy coś tak prostego jak wyszukiwanie. Czas odpowiedzi, który człowiek odbiera jako natychmiastowy, może być zbyt długi dla agenta działającego w ramach większego przepływu pracy. Element interfejsu, który pomaga człowiekowi zrozumieć kontekst, może być dla agenta nieistotny, podczas gdy większego znaczenia nabierają uporządkowane metadane, spójność interfejsu programistycznego, zarządzanie uprawnieniami, możliwość śledzenia oraz semantyka czytelna dla maszyn.

Założenie, z którego rezygnuję, nie brzmi więc: „twórz z myślą o ludziach”. Brzmi ono: „ludzie są jedynymi znaczącymi użytkownikami”. AI dodaje nowy typ użytkownika o innych ograniczeniach: szybkości, niezawodności, możliwości komponowania, obserwowalności i dostępie do kontekstu.

Trzy wskazówki dla liderów produktu wdrażających AI

Oto moje wskazówki dla liderów produktu:

1. Nie traktuj AI jako procesu zakupowego. Kupowanie narzędzi, dodawanie asystentów czy wdrażanie agentów nie jest transformacją. Transformacja polega na zrozumieniu, jak AI zmienia podział pracy, granice między rolami, przekazywanie zadań w ramach przepływu pracy oraz sposób tworzenia wartości dla klientów.
2. Najpierw optymalizuj skuteczność, a dopiero potem efektywność. AI nie powinno jedynie zmniejszać nakładu pracy; powinno pomagać zespołom produktowym rozwiązywać problemy, którymi wcześniej nie można było się zająć wystarczająco szybko, tanio lub kompleksowo. Pytanie nie powinno brzmieć tylko: „Czy możemy zrobić to taniej?”. Powinno brzmieć: „Czy możemy teraz osiągnąć lepszy rezultat, który wcześniej był poza naszym zasięgiem?”
3. Mierz wiarygodne rezultaty, a nie aktywność związaną z AI. Liczenie promptów, tokenów, asystentów, agentów czy prototypów może łatwo przerodzić się w pozorowanie produktywności. Liderzy produktowi powinni zamiast tego pytać: Czy klient szybciej osiągnął wartość? Czy przepływ pracy się poprawił? Czy czas realizacji, jakość, ryzyko, zgodność lub doświadczenia klienta zmieniły się w dobrym kierunku? Czy podjęliśmy lepszą decyzję, czy tylko stworzyliśmy więcej artefaktów?

Krótko mówiąc: AI powinno skłaniać liderów produktowych do stawiania sobie ambitniejszych celów, a nie jedynie do większej efektywności. Możliwość nie polega na dodaniu inteligencji do istniejącego systemu. Polega na przeprojektowaniu systemu tak, aby inteligencja mogła tworzyć odpowiedzialną, mierzalną i trwałą wartość.

Śledź na bieżąco

Możesz śledzić działalność Lukasa Eggera na platformach LinkedIn i X. Posłuchaj także jego podcastu Transformatorzy procesów.

Więcej wywiadów z ekspertami już wkrótce w Klubie CPO!