Lider produktu i współdyrektor generalny wyjaśnia, dlaczego tworzenie produktów opartych na AI to zupełnie inna dziedzina

Andrei Rebrov od zawsze zajmuje się tworzeniem produktów i jest współdyrektorem generalnym Finsi, gdzie integruje AI z każdą warstwą strategii produktowej — zarówno na potrzeby zespołu, jak i klientów.

Zapytaliśmy Andreia, jak AI zmienia zarządzanie produktem i strategię produktową. Oto, co nam powiedział.

Integracja AI ze strategią produktową

Nazywam się Andrei Rebrov i jestem współdyrektorem generalnym Finsi. Na każdym etapie mojej kariery związanej z przywództwem produktowym koncentrowałem się na tworzeniu technologii finansowych, które rzeczywiście służą ludziom.

W Finsi kieruję organizacją produktową stojącą za platformą wzrostu opartą na AI, stworzoną z myślą o markach e-commerce. Produkt jest rozwiązaniem B2B SaaS dla operatorów e-commerce DTC i subskrypcyjnego — od rozwijających się marek o przychodach poniżej 5 mln USD po większe małe i średnie przedsiębiorstwa. Nasza platforma integruje się z ponad 50 narzędziami, w tym Shopify, Klaviyo, Meta Ads, Google Ads i Recharge, ujednolicając dane w całym stosie e-commerce. Wykorzystuje też pięciu agentów AI zajmujących się analizą przychodów, automatyzacją reklam, utrzymaniem klientów i pocztą elektroniczną, SEO oraz badaniami klientów.

Model dostarczania opiera się w pełni na SaaS dostępnym w sieci, a nasza podstawowa propozycja wartości polega na zamknięciu pętli między analityką a realizacją: nie tylko prezentujemy spostrzeżenia, lecz także tworzymy i wdrażamy kampanie, przepływy oraz segmenty dla naszych użytkowników.

W ramach pracy w Finsi stoję na czele integracji AI z naszą strategią produktową — analizując, jak AI może usprawnić usługi finansowe, poprawić doświadczenia użytkowników i wspierać podejmowanie trafniejszych decyzji na dużą skalę.

Ten moment transformacji AI w przywództwie produktowym jest zarówno ekscytujący, jak i przełomowy. Chętnie podzielę się wnioskami i perspektywami, które zdobyłem po drodze.

Jak AI zmienia procesy ustalania priorytetów produktów

Liderzy produktów muszą przeprojektować proces ustalania priorytetów produktów. Niemal każdy znany mi zespół nadal ustala priorytety za pomocą arkuszy kalkulacyjnych, subiektywnych modeli punktowych i kwartalnych rytuałów planowania opracowanych z myślą o powolnych i kosztownych cyklach rozwoju.

AI zmienia obie strony tego równania: przyspiesza tworzenie produktów (dzięki czemu można sprawdzić więcej założeń), a także przetwarza znacznie więcej sygnałów niż jakikolwiek człowiek — dane o użytkowaniu, opinie działu wsparcia, wzorce rezygnacji, sygnały konkurencyjne, wywiady z klientami — aby pomóc określić, co ma znaczenie.

Przeprojektowaliśmy nasz proces ustalania priorytetów wokół ciągłej warstwy sygnałów AI. Automatyzujemy wyodrębnianie zadań z transkrypcji Granola, aby nie zapominać o naszych zobowiązaniach. Zamiast kwartalnego ćwiczenia z tworzenia mapy drogowej utrzymujemy bieżący rejestr zadań, w którym każdy element jest oznaczony danymi z wielu źródeł — częstotliwością opinii klientów, szacowanym wpływem na przychody, pilnością związaną z konkurencją oraz wzorcami zaangażowania. Nasza AI co tydzień przedstawia uporządkowany według priorytetów widok tego rejestru zadań, aktualizując go wraz ze zmianą sygnałów.

Nasi liderzy produktów nadal podejmują ostateczne decyzje, ale bazują na znacznie bogatszym i bardziej dynamicznym obrazie sytuacji niż wcześniej.

Rezultat: skróciliśmy mniej więcej o połowę czas między zidentyfikowaniem szansy a dostarczeniem rozwiązania i stworzyliśmy znacznie mniej rozwiązań, z których nikt nie korzysta.

Dlaczego AI potrzebuje solidnych podstaw strategii produktowej

Warto zauważyć, że AI nie naprawi błędnej strategii produktowej — jedynie wzmacnia strategię, którą już masz.

Jeśli rozwiązujesz właściwy problem właściwych użytkowników, AI pomoże Ci robić to szybciej i na większą skalę. Jeśli jednak podstawowa hipoteza dotycząca produktu jest błędna, AI przyspieszy Twoją drogę do niewłaściwego celu.

Przekonałem się o tym na własne oczy. Na początku budowania Finsi rozważaliśmy dodanie funkcji AI, ponieważ robiły wrażenie i były wykonalne pod względem technicznym — rekomendowanie działań, przewidywanie rezygnacji i generowanie treści. Nic z tego nie miałoby jednak znaczenia, gdybyśmy najpierw dokładnie nie zrozumieli fundamentalnej kwestii: operatorzy e-commerce nie mają problemu z analityką, lecz lukę w realizacji działań. Dopiero po jej potwierdzeniu AI stała się właściwą dźwignią.

Pracując z AI, potrzebujesz takiej samej dyscypliny jak w przypadku każdej dobrej pracy nad produktem — rygorystycznego definiowania problemu, głębokiej empatii wobec użytkowników i uczciwego ustalania priorytetów. AI podnosi stawkę we wszystkich tych obszarach, ponieważ tempo rozwoju oznacza, że możesz tworzyć i wdrażać niewłaściwe rozwiązania znacznie szybciej niż kiedykolwiek wcześniej.

Jak umiejętność Claude Code wyostrzyła koncentrację na produkcie

Kluczową zmianą było dla nas wdrożenie umiejętności Claude Code o nazwie "Merchant Advocate" dla naszych agentów programistycznych.

Przekazałem Claude'owi kontekst dotyczący misji Finsi i koncentracji na produkcie, a także podsumowanie transkrypcji z Granola. Teraz, gdy pojawia się nowe wymaganie, przepuszczamy je przez tę umiejętność, co pomaga nam pozostać wiernymi naszej podstawowej misji: dostarczaniu oprogramowania, które ogranicza ilość pracy sprzedawców.

Dzięki temu prostemu krokowi w naszych procesach pracy usunęliśmy z planu działania wiele potencjalnych funkcji.

Dlaczego Cursor ma kluczowe znaczenie dla szybkiego prototypowania produktów

Cursor zmienił sposób, w jaki nasz zespół inżynieryjny dostarcza rozwiązania — nie tylko dzięki szybszemu pisaniu kodu, lecz także dzięki skróceniu dystansu między myśleniem produktowym a implementacją.

Kiedy mogę opisać funkcję w języku naturalnym i zobaczyć działający prototyp w ciągu kilku minut, zasadniczo zmienia to sposób, w jaki weryfikujemy pomysły. Cały cykl rozwoju produktu staje się szybszy i bardziej eksperymentalny.

Oto przykład. Chcieliśmy przetestować interfejs „cotygodniowego briefingu analitycznego” dla jednego z agentów naszego produktu. Zamiast szczegółowo opisywać go w Figmie i czekać na sprint, opisaliśmy Cursorowi układ i strukturę danych prostym językiem, a w ciągu kilku godzin mieliśmy funkcjonalny prototyp połączony z naszymi danymi testowymi. Jeszcze tego samego dnia pokazaliśmy go trzem klientom i uzyskaliśmy informacje zwrotne, które wpłynęły na ostateczny projekt, zanim napisaliśmy choćby jedną linijkę kodu produkcyjnego.

Dlaczego ludzie odpowiadają za decyzje o istotnych konsekwencjach i relacje

Celowo zdefiniowaliśmy role AI i ludzi w naszych procesach produktowych.

AI wspiera syntezę danych, wykrywanie wzorców, identyfikowanie anomalii i realizację działań — na przykład automatycznie wykrywa sygnały odpływu klientów, realokuje budżety reklamowe, generuje treści e-maili w tonie marki i wdraża przepływy Klaviyo. Są to zadania o wysokiej częstotliwości i dużym zapotrzebowaniu na dane, w których AI konsekwentnie przewyższa ludzi pod względem szybkości i skali.

AI wspiera również ustalanie priorytetów, identyfikując rekomendacje, które generują największy wpływ na przychody w całej bazie naszych klientów, i pomaga nam zrozumieć, na czym skupić rozwój produktu.

Jednak ludzie podejmują decyzje wymagające osądu, względów etycznych i kontekstu strategicznego.

Oznacza to, że wizja produktu i kierunek rozwoju pozostają domeną ludzi — musimy rozumieć nie tylko to, co mówią dane, lecz także rodzaj firmy, którą chcemy zbudować, oraz głębsze aspiracje naszych klientów. Decyzje dotyczące UX nadal podejmują ludzie, ponieważ empatii i intuicji dotyczących odczuć użytkowników nie można jeszcze niezawodnie zautomatyzować. Każda decyzja, która niesie ryzyko dla działalności klienta — na przykład znacząca realokacja wydatków reklamowych — wymaga zatwierdzenia przez człowieka przed jej wykonaniem.

Nasza zasada działania brzmi: AI zajmuje się zadaniami powtarzalnymi i analitycznymi, a ludzie odpowiadają za decyzje o istotnych konsekwencjach i relacje.

Dlaczego AI ma trudności z dogłębnym zrozumieniem klienta

AI najwyraźniej nie spełniło naszych oczekiwań w zakresie dogłębnego zrozumienia klienta. Początkowo wierzyliśmy, że AI będzie w stanie niezawodnie syntetyzować sygnały jakościowe — zgłoszenia do pomocy technicznej, recenzje i odpowiedzi na ankiety — oraz przekształcać je w praktyczne wnioski dotyczące produktu przy minimalnym zaangażowaniu ludzi. W praktyce AI doskonale radzi sobie z kategoryzowaniem i grupowaniem opinii na dużą skalę, ale konsekwentnie pomija niuanse uczuć klientów, szczególnie w niszowych sektorach handlu elektronicznego o specyficznym kontekście kulturowym lub operacyjnym. AI często ujawnia rzeczywiste wzorce, ale ich interpretacja nadal wymaga człowieka, który dogłębnie rozumie świat klienta.

Odkryliśmy również, że treści kreatywne generowane przez AI — teksty reklam i tematy wiadomości e-mail — choć szybkie i przydatne jako punkt wyjścia, rzadko dorównują skutecznością tekstom przygotowanym przez osobę, która naprawdę zna ton marki i jej odbiorców. Przyspiesza to produkcję, ale nie zastępuje jeszcze autentycznego osądu kreatywnego.

Wreszcie oczekiwaliśmy, że AI znacząco usprawni nasz wewnętrzny proces odkrywania produktu, ale nie skróciło ono czasu potrzebnego na identyfikację naprawdę nowych potrzeb klientów — pomaga nam przetwarzać istniejące informacje, jednak najcenniejsze spostrzeżenia nadal pochodzą z bezpośrednich, nieustrukturyzowanych rozmów z klientami, których żadne narzędzie AI nie zdołało jeszcze odtworzyć ani zastąpić.

Myśli Andrieja

AI doskonale radzi sobie z kategoryzowaniem i grupowaniem opinii na dużą skalę, ale konsekwentnie nie dostrzega niuansów uczuć klientów.

Jak jakość danych wpływa na rozwój produktów AI

Kiedy zaczynałem pracę z AI, nie zdawałem sobie sprawy, jak duże znaczenie ma jakość danych ani ile czasu potrzeba, aby ją zapewnić.

Kiedy tworzyliśmy agentów AI dla Finsi, zakładaliśmy, że połączenie z Shopify, Klaviyo i platformami reklamowymi zapewni czyste i wiarygodne dane. Rzeczywistość okazała się znacznie bardziej skomplikowana. Poszczególne marki różnie strukturyzują swoje dane, śledzą różne zdarzenia, stosują różne konwencje nazewnictwa, a w ich historycznych rejestrach występują braki i niespójności. Zanim AI zaczęło generować wiarygodne rekomendacje, poświęciliśmy znacznie więcej czasu, niż przewidywaliśmy, na normalizację danych, usuwanie duplikatów i tworzenie potoków walidacyjnych.

Gdybym wiedział o tym od początku, wcześniej i w większym stopniu zainwestowałbym w infrastrukturę danych, zamiast spieszyć się z budowaniem warstwy AI na niestabilnym fundamencie.

Dlaczego w przypadku produktów AI należy uwzględniać zaufanie użytkowników

Gdybym zaczynał od nowa pracę nad agentami AI w naszym produkcie, inaczej podszedłbym do kwestii zaufania użytkowników.

Początkowo zaprojektowaliśmy naszych agentów AI tak, aby byli dość autonomiczni — przedstawiali rekomendacje i umożliwiali ich zatwierdzanie oraz wykonywanie jednym kliknięciem. Użytkownicy wahali się, nawet gdy rekomendacje były trafne. Musieli rozumieć „dlaczego” każdej sugestii, zanim poczuli się komfortowo, podejmując działanie. W rezultacie po uruchomieniu produktu dodaliśmy do niego mechanizmy wyjaśniające, ale zaprojektowanie przejrzystości od pierwszego dnia byłoby znacznie lepszym rozwiązaniem.

Zaufanie nie jest funkcją, którą można dodać później — musi być wplecione w podstawowe doświadczenie użytkownika.

Dlaczego AI sprawia, że wybór i możliwość konfiguracji są dla użytkowników mniej istotne

AI zmusiło mnie również do porzucenia założenia, że dobry produkt oznacza zapewnienie użytkownikom kontroli i możliwości konfiguracji.

Przez lata powszechna opinia w świecie B2B SaaS głosiła, że zaawansowani użytkownicy chcą elastyczności — większej liczby ustawień, pulpitów nawigacyjnych i sposobów dostosowania swoich doświadczeń. Wczesne wersje Finsi tworzyliśmy w oparciu o to założenie, pozwalając operatorom konfigurować własne pulpity nawigacyjne, ustawiać własne progi KPI i wybierać śledzone przez nich wskaźniki. Jednak gdy zaczęliśmy dodawać kolejne warstwy AI, odkryliśmy coś przeciwnego: nasi odnoszący największe sukcesy użytkownicy poświęcali mniej czasu na konfigurację, a więcej na działanie w oparciu o rekomendacje AI.

Operatorzy, którzy chcieli dostosować każde ustawienie, często czerpali najmniej wartości, ponieważ optymalizowali narzędzie zamiast swojego biznesu. AI ujawniło, że nasi użytkownicy potrzebowali mniejszego obciążenia poznawczego i większej pewności co do kolejnych działań. Zmusiło nas to do znacznego uproszczenia produktu, usunięcia dużej części zbudowanych przez nas możliwości konfiguracji i większego oparcia się na zdecydowanych ustawieniach domyślnych opartych na AI.

Była to sprzeczna z intuicją lekcja: czasami najlepszą decyzją dotyczącą produktu jest odebranie użytkownikom części wyborów zamiast dodawania kolejnych.

Dlaczego prawdziwa transformacja AI wymaga ponownego przemyślenia łańcucha wartości produktu

Większość produktów „napędzanych przez AI” nie jest produktami AI — to obudowane funkcjami rozwiązania z dołączonym LLM, a rynek ostatecznie przejrzy je na wylot.

Prawdziwa transformacja produktu za pomocą AI wymaga ponownego przemyślenia całego łańcucha wartości, a nie dodania wywołania GPT do istniejącego procesu. Wygrają firmy, które nie dodały AI najszybciej, lecz te, które wykorzystały AI do zakwestionowania każdego założenia dotyczącego sposobu funkcjonowania ich kategorii produktów.

Dlaczego liderzy produktu muszą wybierać niewielką liczbę działań o dużej dźwigni

Oprzyj się dwóm równie niebezpiecznym impulsom:

1. Chęć wdrażania sztucznej inteligencji wszędzie i jednocześnie
2. Chęć czekania, aż sytuacja stanie się bardziej klarowna

Liderzy produktu, którzy odniosą sukces, wybierają niewielką liczbę inicjatyw o dużym potencjale, zgłębiają je i budują autentyczne kompetencje organizacyjne — nie tylko znajomość narzędzi — w zakresie sztucznej inteligencji. Zacznij od problemów, które kosztują Cię najwięcej: czasu traconego na ręczną pracę, decyzji podejmowanych bez wystarczającej ilości danych oraz funkcji, których dostarczenie lub zweryfikowanie zajmuje zbyt dużo czasu. Wykorzystuj sztuczną inteligencję konkretnie do rozwiązywania tych problemów.

I bądź szczery ze swoimi zespołami w kwestii tego, co sztuczna inteligencja dla nich zmienia. Liderzy, którzy udają, że sztuczna inteligencja nie wpłynie na role i zakresy odpowiedzialności, stracą zaufanie; ci, którzy prowadzą otwarte i przemyślane rozmowy o tym, jak sztuczna inteligencja wzmacnia ludzki osąd, zbudują kultury zdolne do adaptacji.

Na koniec nie optymalizuj działań pod kątem tego, by wyglądać na organizację natywnie wykorzystującą sztuczną inteligencję — optymalizuj je pod kątem rezultatów. Najlepsza strategia produktowa oparta na sztucznej inteligencji tworzy wymierną wartość dla użytkowników, a nie najbardziej imponującą prezentację demonstracyjną. Skup się na problemie, a właściwe zastosowanie sztucznej inteligencji pojawi się samo.

Przemyślenia Andreia

Liderzy produktu, którzy odniosą sukces, wybierają niewielką liczbę inicjatyw o dużym potencjale, zgłębiają je i budują autentyczne kompetencje organizacyjne w zakresie sztucznej inteligencji.

Śledź nasze działania

Możesz skontaktować się z Andrejem Rebrovem na platformie LinkedIn. Sprawdź też Finsi.

Wkrótce kolejne wywiady z ekspertami w Klubie CPO!