Liderka produktu w OpenAI opowiada, jak sztuczna inteligencja zmienia zarządzanie produktem na najwyższych szczeblach

Kathy Korevec to osoba, która tworzy i rozwija produkty. Pracowała jako dyrektorka ds. produktu w Google Labs AI, wiceprezeska ds. produktu i designu w Vercel oraz starsza dyrektorka ds. zarządzania produktem w GitHub — a to tylko kilka przykładów. Obecnie pracuje nad Codex w OpenAI. Wspólnym mianownikiem jej doświadczeń jest tworzenie narzędzi dla programistów przy nieustannym skupieniu na potrzebach użytkowników i dbałości o szczegóły.

Spotkaliśmy się z Kathy, aby dowiedzieć się, jak AI zmienia zarządzanie produktem w czołowych firmach technologicznych na świecie. Oto, co miała do powiedzenia.

Być „szefem kuchni gotującym dla szefów kuchni”

Zawsze najpierw byłam osobą, która coś tworzy, a dopiero potem menedżerką produktu.

Rozwijałam się w obszarze narzędzi dla programistów w takich firmach jak Heroku, GitHub i Vercel, co oznacza bardzo specyficzny rodzaj zarządzania produktem. Nie tylko dostarczasz funkcje — tworzysz dla ludzi, którzy od razu zauważą, że poszedłeś na skróty. To jak bycie szefem kuchni gotującym dla szefów kuchni. Poprzeczka jest wysoko i z pewnością zauważą, jeśli sos będzie nie taki, jak trzeba.

Niektóre z moich ulubionych momentów jako menedżerki produktu wcale nie były tradycyjną „pracą menedżerki produktu”. W GitHub przepisałam fragmenty dokumentacji, a nawet przeprojektowałam stronę, aby odzwierciedlała moje podejście do zasad doświadczenia programistów. Zdarzało mi się spędzać weekendy na refaktoryzacji własnej strony internetowej, aby urwać kilkaset milisekund, bo przeszkadzała mi jej wydajność. Pomagałam prowadzić projekt o nazwie Papercuts, w ramach którego naprawiliśmy setki drobnych irytujących problemów, ponieważ to właśnie te szczegóły decydują o tym, czy ludzie pokochają twój produkt, czy będą go tylko tolerować.

To właśnie jest dla mnie wspólnym mianownikiem. Nie postrzegam menedżerów produktu wyłącznie jako osób identyfikujących luki i je wypełniających ani jako „dyrektorów generalnych swojego produktu”. Postrzegam tę rolę jako konieczność zbliżenia się do szczegółów w stopniu, który może stać się niewygodny. Na tyle blisko, że zaczynasz przejmować się rzeczami, które nie trafiają do planu rozwoju produktu.

A teraz znajdujemy się w tym momencie rozwoju AI, który szczerze mówiąc, przypomina trochę rozdanie wszystkim plecaków odrzutowych i nadzieję, że nie wlecą w drzewo.

Dużo czasu poświęcam wieczorami i w weekendy na tworzenie z pomocą AI, budując niewielkie, niedopracowane narzędzia z wykorzystaniem agentów AI. Od pomysłu do działającego produktu można przejść w jedno popołudnie, co jest niesamowite. Jednocześnie podstawy mają większe znaczenie niż kiedykolwiek. To zrozumienie systemów, kompromisów oraz tego, jak rzeczy faktycznie działają pod spodem, odróżnia coś, co zostaje wdrożone, od czegoś, co przetrwa.

W przeciwnym razie kończysz z cmentarzyskiem niedokończonych projektów i tajemniczych błędów.

Moja droga do tego momentu nie polegała więc tak naprawdę na zmianie sposobu pracy. Chodziło raczej o jeszcze większe zaangażowanie w to, co robię. O pozostanie blisko rzemiosła. I o samodzielne tworzenie.

Skracanie dystansu między pomysłem a walidacją

Jeszcze do niedawna kierowałam produktem w zespole Google Labs o nazwie AIDA, co było skrótem od AI Developer Assistance.

Pracowaliśmy bardzo głęboko w stosie technologicznym. Zajmowaliśmy się wczesnymi modelami programistycznymi, danymi treningowymi dla kodu zasilającymi Gemini, a następnie przesuwaliśmy się w górę warstwy abstrakcji, tworząc produkty takie jak Colab Composer i Jules. Zmiana polegała na przejściu od pytania „Czy możemy generować kod?” do pytania „Czy możemy rzeczywiście pomagać ludziom tworzyć prawdziwe oprogramowanie od początku do końca?”.

Organizacja, którą kierowałam, miała więc zdecydowanie hybrydowy charakter. Częściowo badania, częściowo produkt, a częściowo podejście: „W tym tygodniu dostarczymy coś niedopracowanego i sprawdzimy, czy ktokolwiek będzie z tego korzystać”. Nasi użytkownicy obejmowali zarówno profesjonalnych programistów, jak i osoby, które nigdy wcześniej nie napisały kodu. To wymagająca grupa, ponieważ trzeba jednocześnie zapewnić głębię i dostępność.

Odzwierciedlał to model dostarczania. Dużo szybkich iteracji, ścisłe pętle między możliwościami modelu a doświadczeniem produktu oraz gotowość do wyrzucenia czegoś, jeśli się nie sprawdzało. Mniej planu rozwoju produktu, więcej ukierunkowanej eksploracji.

Obecnie pracuję w OpenAI nad Codex, co jest swego rodzaju powrotem do punktu wyjścia. Codex zaczynał jako model, a teraz ewoluuje w agenta i warstwę aplikacji wewnątrz ChatGPT, która pomaga ludziom faktycznie wykonywać pracę. Pisać kod, automatyzować przepływy pracy i łączyć ze sobą systemy.

W obu przypadkach wspólny mianownik pozostaje więc taki sam. Tworzenie narzędzi, które skracają dystans między pomysłem a czymś działającym w rzeczywistym świecie.

Dlaczego menedżerowie produktu powinni skupić się na rozwoju produktu opartym na prototypach

Przestałem traktować specyfikacje jako główny element pracy nad produktem. To zmiana, którą już wcześniej zacząłem wprowadzać, ale AI ją przyspieszyło.

Na początku kariery, szczególnie w GitHubie i Heroku, zdałem sobie sprawę, jak duże znaczenie ma tempo. Rzeczywiste wykorzystanie ma znaczenie. Z czegoś działającego na produkcji uczysz się więcej niż z idealnie napisanej dokumentacji.

AI sprawiło, że tę filozofię można jeszcze bardziej skondensować.

Teraz, zamiast pisać długą specyfikację i debatować nad nią przez tydzień, samodzielnie tworzę zgrubną wersję produktu. Albo w ciągu dnia czy dwóch tworzę prototyp metodą programowania w stylu vibe codingu. Coś, co można kliknąć, zepsuć i na co można zareagować. To zmienia wszystko.

Przechodzisz od pytania „Jak sądzimy, że to się potoczy?” do pytania „Co faktycznie się dzieje, gdy z tego korzystasz?”. Wiele abstrakcyjnych debat zostaje sprowadzonych do czegoś konkretnego.

Zmienia to również rolę PM-a. Nie tylko kształtujesz pomysły — bezpośrednio poddajesz je próbie. Jesteś bliżej implementacji, więc wcześniej wychwytujesz błędne założenia.

Oczywiście rezultatem jest szybkość. Szybciej dostarczamy, szybciej porzucamy pomysły i szybciej dopracowujemy te dobre.

Najważniejsza zmiana polega jednak na tym, że nasze decyzje są bardziej uczciwe.

Dlaczego wady AI są subtelne, ale istotne

Ale zdecydowanie istnieją też wady.

Jedną z nich jest to, co nazwałbym „fałszywym tempem”. Masz wrażenie, że poruszasz się niewiarygodnie szybko, ponieważ dużo tworzysz. Kod, prototypy, dokumentację. Jednak nie wszystko jest naprawdę dobre lub użyteczne. Możesz wygenerować dużą powierzchnię bez rzeczywistej głębi.

Kolejna kwestia to jakość i zaufanie. Kod wygenerowany przez AI może być zaskakująco dobry, a jednocześnie z przekonaniem błędny. Jeśli nie rozumiesz, co dzieje się pod spodem, możesz wdrożyć rzeczy kruche, niezabezpieczone lub trudne w utrzymaniu.

I jest jeszcze jedna subtelna kwestia. Rozpoczynanie nowych rzeczy jest łatwiejsze niż kiedykolwiek. Niekoniecznie łatwiej jest jednak dobrze je kończyć. Zobaczymy znacznie więcej niedokończonych produktów, porzuconych prototypów i systemów, które działają jako tako — aż przestaną. Sam zbudowałem kilka takich rzeczy.

Ogólny rezultat jest więc nieco paradoksalny. Szybciej niż kiedykolwiek dochodzimy do czegoś konkretnego. Nie oznacza to automatycznie, że lepiej potrafimy przekształcić to w coś trwałego.

Przemyślenia Kathy

Rozpoczynanie nowych rzeczy jest łatwiejsze niż kiedykolwiek. Niekoniecznie łatwiej jest jednak dobrze je kończyć. Zobaczymy znacznie więcej niedokończonych produktów, porzuconych prototypów i systemów, które działają jako tako — aż przestaną. Sam zbudowałem kilka takich rzeczy.

Dlaczego cztery zasady zmieniają produkty z chwilowego efektu w zaufanie

Chcę powiedzieć nieco więcej o zaufaniu, ponieważ uważam, że liderzy produktów nie doceniają ryzyka związanego z niewidocznym oprogramowaniem niskiej jakości.

AI niezwykle ułatwia tworzenie różnych rzeczy. Możesz uruchamiać narzędzia, funkcje, a nawet całe aplikacje w ułamku czasu, który był do tego potrzebny wcześniej. Brzmi to jak same korzyści, ale w rezultacie otrzymujesz znacznie więcej oprogramowania, które działa jako tako.

Niedokończone funkcje, kruche systemy, rzeczy zbudowane szybko i nigdy w pełni nieutwardzone. Nie zawodzą w spektakularny sposób. Po prostu z czasem ulegają degradacji. Psują się w subtelny sposób, powodują zamieszanie albo po cichu podkopują zaufanie.

Ryzyko nie polega wyłącznie na długu technologicznym w tradycyjnym znaczeniu. Chodzi o dług zaufania.

Oto cztery zasady, które okazały się pomocne:

1. Zadbaj o czytelność systemu. Użytkownicy powinni być w stanie zrozumieć, co robi AI i dlaczego — przynajmniej na wysokim poziomie. Nie chodzi o pełną przejrzystość techniczną, ale o tyle informacji, by system nie sprawiał wrażenia czarnej skrzynki podejmującej arbitralne decyzje. Może to być tak proste jak pokazywanie kolejnych kroków, ujawnianie założeń lub umożliwienie użytkownikom sprawdzenia, co się zmieniło.
2. Projektuj z myślą o korekcie. System czasami będzie się mylił. To oczywiste. Liczy się to, jak łatwo użytkownik może wkroczyć, naprawić błąd i działać dalej. Jeśli korygowanie systemu jest uciążliwe, zaufanie szybko spada. Jeśli jest łatwe, ludzie będą nadal z niego korzystać, nawet jeśli nie jest idealny.
3. Buduj z myślą o spójności, a nie chwilowym efekcie. Wiele produktów opartych na AI optymalizuje się pod kątem momentu zachwytu. Jednej naprawdę imponującej interakcji. Zaufanie bierze się z czegoś przeciwnego — z systemu, który raz za razem robi to, czego się po nim oczekuje, bez niespodzianek. Zwłaszcza w narzędziach dla programistów przewidywalność jest ważniejsza niż magia.
4. Zachowaj umiar. To, że system może coś zrobić, nie oznacza, że powinien. Jeśli zbytnio zautomatyzujesz proces lub odbierzesz użytkownikom zbyt dużą kontrolę, odczują to. Stracą poczucie sprawczości. Najlepsze produkty zwiększają twoje możliwości, nie wykluczając cię z procesu.

Dlaczego AI nie radzi sobie z różnicowaniem produktów ani z automatyzacją od początku do końca

Oto kilka innych obszarów, w których AI sobie nie radzi.

Dużo mówi się o agentach, którym można po prostu powierzyć zadanie i pozwolić im wykonać je od początku do końca. W praktyce większość systemów, które widziałem, nadal wymaga dużego nadzoru. Kierujesz nimi, poprawiasz je i ponownie formułujesz polecenia. Bardziej przypomina to zarządzanie pełnym zapału stażystą niż delegowanie zadań w pełni niezależnemu członkowi zespołu.

To nadal jest przydatne, ale różni się od oczekiwań.

Jest jeszcze kwestia różnicowania produktów.

Wiele funkcji AI dostępnych obecnie wydaje się do siebie podobnych. Możesz dodać interfejs czatu, wygenerować kod i podsumować jakieś treści. To już dziś podstawowy standard.

Trudniejsze okazało się przekształcenie tych możliwości w coś, co wydaje się wyjątkowo wartościowe i głęboko zintegrowane z przepływem pracy. W coś, czego ludzie rzeczywiście by żałowali, gdyby im to odebrano.

Myślę, że właśnie tutaj wiele produktów sobie nie radzi.

Dlaczego ludzka ocena pozostaje niezbędna w decyzjach dotyczących produktów opartych na AI

PM-owie muszą zadać sobie pytanie: „W którym miejscu AI rzeczywiście ma dobre wyczucie? A w którym go nie ma?”.

Są obszary pracy nad produktem, w których AI jest dla mnie obecnie niezwykle przydatne — we wszystkim, co wymaga szerokiego spojrzenia, szybkości lub iteracji, intensywnie z niego korzystam. Wstępne rozpoznanie, badanie przestrzeni rozwiązań, przygotowywanie różnych podejść, a nawet generowanie wstępnych kierunków lub przepływów UX. AI świetnie pomaga wyjść z impasu lub dostrzec więcej możliwości, niż udałoby się znaleźć samodzielnie.

Jak wspomniałem, dużo korzystam z niego również podczas prototypowania. Możliwość szybkiego przejścia od pomysłu do czegoś interaktywnego całkowicie zmieniła mój sposób pracy.

Jest jeszcze cała praca „pomiędzy”. Podsumowywanie opinii użytkowników, wyciąganie wzorców z danych, przygotowywanie dokumentacji. Rzeczy, które wcześniej zajmowały dużo czasu i wymagały częstego przełączania kontekstu.

Nie polegam na AI tam, gdzie naprawdę liczy się ocena. Priorytetyzacja jest tu najważniejszym przykładem. AI może pomóc wypisać opcje, ale nie rozumie rzeczywistych kompromisów w twojej firmie, zespole ani ograniczeniach. Nie odczuwa kosztu popełnienia błędu.

To samo dotyczy decyzji związanych z planem rozwoju produktu. Chodzi w nich o przekonanie do obranej ścieżki, wyczucie czasu, a czasem także o postawienie na rozwiązanie, które w arkuszu kalkulacyjnym nie wygląda racjonalnie.

UX to kolejny interesujący obszar. AI może szybko wygenerować wiele interfejsów, ale nie ma wyczucia. Nie odczuwa tego, co podczas wielokrotnego używania jest frustrujące lub zachwycające. Zwłaszcza przy tworzeniu produktów dla programistów różnica między czymś, co działa, a czymś, co dobrze się sprawdza w użyciu, jest wszystkim.

Do tego dochodzą kompromisy techniczne. AI może sugerować architektury, ale nie ponosi długoterminowych konsekwencji tych decyzji. Ponosi je twój zespół.

Jak AI podważa tradycyjne założenia dotyczące produktów

Myślę, że największym założeniem, z którego musiałem zrezygnować, jest przekonanie, że grunt, na którym stoisz, jest stabilny.

Przez długi czas w pracy nad produktami można było zakładać, że kilka rzeczy pozostaje względnie stałych. Interfejs, przepływ pracy, a nawet to, czym jest produkt. W ich ramach wprowadzało się kolejne usprawnienia. AI to zmienia.

Model się ulepsza i nagle okazuje się, że powierzchnia twojego produktu jest niewłaściwa. Pojawia się nowy paradygmat interakcji, a plan rozwoju, który wydawał się solidny, staje się nieaktualny. Rzeczy, które uważałeś za ograniczenia, znikają, a na ich miejscu pojawiają się nowe, których nie przewidziałeś.

Nie tylko budujesz więc na zmiennym gruncie. Ciągle kwestionujesz, czy ten grunt w ogóle powinien istnieć. To była dla mnie duża zmiana sposobu myślenia.

Drugim założeniem, z którego zrezygnowałem, jest przekonanie, że najlepsze produkty to te najlepiej zdefiniowane. W przeszłości dużą wagę przywiązywano do wczesnej klarowności. Zdefiniuj problem, zdefiniuj rozwiązanie i przeprowadź sprawną realizację.

Obecnie duża część wartości wynika z pozostawania w fazie eksploracji dłużej, niż wydaje się komfortowe. Z pozwolenia, by produkt pozostał nieco niedookreślony, podczas gdy leżące u jego podstaw możliwości wciąż się rozwijają.

Ostatnie założenie dotyczy tego, gdzie znajduje się wartość. Kiedyś uważałem, że duża część wartości produktu tkwi w interfejsie. W interfejsie użytkownika, przepływie i pikselach. Teraz duża część wartości tkwi w zachowaniu. W tym, jak system reaguje, dostosowuje się i współpracuje. Interfejs nadal jest ważny, zwłaszcza dla programistów, ale nie stanowi już centrum ciężkości.

Jak AI zaciera granice ról

Role zacierają się. Granice między menedżerem produktu, inżynierem a projektantem stają się znacznie cieńsze.

Dzięki AI możesz znacznie bardziej bezpośrednio tworzyć prototypy, pisać kod, badać doświadczenia użytkownika i poddawać pomysły próbie. Oznacza to, że więcej osób może działać na styku tego, co wcześniej stanowiło bardzo wyraźnie odrębne role. A to zmienia kształt zespołu.

Potrzebujesz mniej przekazywania zadań. Więcej osób, które mogą samodzielnie przejąć pomysł i popchnąć go do przodu, przynajmniej do znaczącego poziomu szczegółowości.

Odczuwam to bardzo osobiście. Niedawno wróciłam do pracy jako menedżerka produktu bez funkcji menedżerskich i jest to niezwykle satysfakcjonujące. Znów jestem znacznie bliżej samej pracy. Tworzę rzeczy, testuję pomysły, zagłębiam się w szczegóły. Przypomina mi to, że duża część wyczucia produktu wynika z rzeczywistego tworzenia, a nie tylko z koordynowania.

Nie oznacza to, że menedżerowie ani specjalizacja znikną. Nadal potrzebujesz głębokiej wiedzy specjalistycznej, szczególnie w takich obszarach jak projektowanie systemów czy wysokiej jakości doświadczenia użytkownika. Potrzebujesz jednak również większej liczby „wszechstronnych myślicieli produktowych”, którzy potrafią płynnie poruszać się po całym stosie technologicznym i wykorzystywać AI jako dźwignię.

Dlaczego AI zmieniło oczekiwania użytkowników

AI nie tylko ulepsza twój produkt. Zmienia oczekiwania użytkowników wobec wszystkich produktów. Nie konkurujesz więc już tylko ze swoimi bezpośrednimi konkurentami. Konkurujesz z najlepszym doświadczeniem związanym z AI, z jakim ktoś miał do czynienia w dowolnym miejscu w danym tygodniu.

Myślę, że nie doceniłam, jak szybko ta zmiana oczekiwań nastąpi.

W praktyce oznacza to, że okna czasowe, w których coś jest „wystarczająco dobre”, są znacznie krótsze. Coś może wydawać się magiczne w poniedziałek, a w piątek już przestarzałe. Gdybym o tym wiedziała, bardziej skupiłabym się na elastyczności, a mniej na dopracowaniu.

Myśli Kathy

Myślę, że nie doceniłam, jak szybko ta zmiana oczekiwań nastąpi…W praktyce oznacza to, że okna czasowe, w których „wystarczająco dobre”, są znacznie krótsze.

Dlaczego liderzy produktu muszą postrzegać AI jako zmianę w dziedzinie

Radzę traktować ten moment mniej jako zmianę narzędzia, a bardziej jako zmianę w całej dziedzinie.

Najważniejszą umiejętnością w tej chwili jest zdolność do jasnego postrzegania rzeczywistości. AI generuje ogromną ilość treści. Pomysłów, kodu, kierunków działania. Ryzyko polega na tym, że zaczniesz mylić te wyniki z prawdą. Dlatego jako lider produktu musisz trzymać się tego, co naprawdę się dzieje. Tego, co robią użytkownicy, gdzie coś się psuje i co sprawdza się w dłuższej perspektywie.

Druga kwestia to budowanie tego, od czego jesteś zależny. Jeśli pracujesz nad produktami opartymi na AI, powinieneś intensywnie z nich korzystać. Nie tylko podczas prezentacji czy przeglądów, lecz także we własnych procesach pracy. Natychmiast zauważysz luki. Zobaczysz, gdzie wszystko działa wolno, gdzie jest zagmatwane, a gdzie niemal działa, ale jednak nie do końca. Takiego doświadczenia z pierwszej ręki trudno czymkolwiek zastąpić, a zmienia ono jakość podejmowanych przez ciebie decyzji.

Trzecia kwestia to oswojenie się z napięciem. Obecnie istnieje prawdziwe napięcie między szybkością a jakością, eksploracją a dyscypliną, tym, co możliwe, a tym, co rzeczywiście użyteczne. Tego napięcia nie da się rozwiązać. To właśnie jest ta praca. Najlepsze zespoły, jakie widziałam, nie próbują go eliminować. Świadomie sobie z nim radzą. Działają szybko, gdy się uczą, i zwalniają, gdy coś musi być wykonane właściwie.

I wreszcie, nie pozwól, by AI zmieniło cię w menedżera wyników. Bardzo łatwo usiąść z boku i tylko koordynować, formułować polecenia, sprawdzać i przechodzić dalej. Jednak najlepsi liderzy produktu wciąż są bardzo blisko samego rzemiosła. Budują, testują i naprawiają rzeczy, które ich irytują.

Bo ostatecznie ta praca się nie zmieniła. Nadal odpowiadasz za stworzenie czegoś, co działa, czemu ludzie ufają i co pasuje do ich życia. AI zmienia tylko sposób, w jaki do tego dochodzisz.

Bądź na bieżąco

Więcej informacji o Kathy znajdziesz na jej blogu o rzemiośle produktowym lub na jej osobistej stronie. Możesz też obserwować ją na X.

Wkrótce kolejne wywiady z ekspertami w The CPO Club!