Starszy wiceprezes ds. zarządzania produktem omawia przejście od procesów liniowych do iteracji równoległej

Suman Chittimuri jest starszym wiceprezesem ds. zarządzania produktem w firmie Kore.ai, gdzie kieruje produktami opartymi na sztucznej inteligencji, obsługującymi miliony użytkowników w ramach procesów biznesowych przedsiębiorstw, takich jak HR, IT, zakupy i obsługa klienta.

Porozmawialiśmy z Sumanem, aby zrozumieć, jak sztuczna inteligencja zmienia rozwój produktów jako dziedzinę. Jego zdaniem zamiast usprawniać istniejące procesy, sztuczna inteligencja zmusza zespoły do całkowitego ich przemyślenia — przejścia od procesów liniowych do ciągłej, równoległej iteracji.

Zastosowanie sztucznej inteligencji w procesach biznesowych przedsiębiorstw

Jestem starszym wiceprezesem ds. zarządzania produktem w firmie Kore.ai, gdzie kieruję inicjatywami produktowymi wykorzystującymi sztuczną inteligencję w procesach biznesowych przedsiębiorstw — obejmujących HR, IT, zakupy i obsługę klienta.

Projektujemy nasze produkty z myślą o dużych przedsiębiorstwach, obsługując na dużą skalę zarówno pracowników, jak i klientów końcowych w takich branżach jak bankowość, opieka zdrowotna i handel detaliczny, wspierając miliony interakcji. Korzystamy przy tym z modelu dostarczania opartego na platformie, w ramach którego tworzymy podstawowe funkcje sztucznej inteligencji jako komponenty wielokrotnego użytku i wdrażamy je w wielu procesach — co pozwala nam szybciej skalować przypadki użycia przy jednoczesnym zachowaniu spójności i kontroli.

W ciągu ostatniego roku sztuczna inteligencja przeszła od warstwy wspomagającej do podstawowej warstwy realizacji zadań. Ta zmiana wpływa nie tylko na funkcje, lecz także na sposób projektowania produktów, funkcjonowanie zespołów i tempo przechodzenia od pomysłu do efektów.

Ta zmiana w sposobie myślenia o produktach ukształtowała moją drogę ku transformacji produktowej opartej na sztucznej inteligencji.

Jak sztuczna inteligencja przyspiesza procesy rozwoju produktów

Dzięki sztucznej inteligencji przeszliśmy od liniowego modelu rozwoju produktów do bardziej ciągłego procesu wspomaganego przez sztuczną inteligencję.

W przeszłości odkrywanie, tworzenie PRD, projektowanie i prototypowanie odbywały się sekwencyjnie. Sztuczna inteligencja przełamuje ten model. Wspiera każdy z tych etapów równolegle, niemal jednocześnie generując materiały badawcze, przygotowując szkice specyfikacji i tworząc wczesne prototypy.

Rezultatem tych zmian były większa szybkość i częstsze iteracje. To, co wcześniej zajmowało dni, teraz dzieje się w ciągu godzin, pozwalając zespołom analizować więcej możliwości i szybciej je udoskonalać. Oznacza to, że zespoły mogą — i powinny — rozważać więcej opcji przed podjęciem decyzji.

Wszystko to wymaga pewnych zmian:

• Od sekwencyjnego przekazywania zadań do ciągłej iteracji
• Od tworzenia artefaktów do udoskonalania rezultatów
• Od ograniczonego rozpoznawania możliwości do szybkiego eksperymentowania

Wąskim gardłem nie jest już tworzenie — chodzi o podejmowanie decyzji, co należy zbudować, oraz skuteczne sprawdzanie tego rozwiązania. Musieliśmy wzmocnić warstwy walidacji i bardziej świadomie stosować ludzką ocenę.

Dlaczego sztuczna inteligencja wspiera decyzje produktowe, ale ostateczne decyzje podejmują ludzie

W dużym stopniu polegamy na sztucznej inteligencji, aby wspierać i przyspieszać działania na wcześniejszych etapach oraz zadania związane z realizacją:

• Wsparcie w fazie odkrywania (badania wtórne, analiza konkurencji)
• Definiowanie problemu i wstępne badanie rozwiązań
• Tworzenie szkiców PRD i materiałów do planu rozwoju produktu
• Koncepcje UX i wczesne prototypowanie
• Projektowanie eksperymentów i analiza kompromisów technicznych

Są to obszary, w których liczą się szybkość, szeroki zakres i iteracja. Sztuczna inteligencja dobrze sobie z nimi radzi.

Zaangażowanie ludzi pozostaje wyraźne w procesie podejmowania decyzji oraz w obszarach wymagających głębokiego zrozumienia kontekstu:

• Badania pierwotne i dogłębne zrozumienie klientów
• Ostateczne ustalanie priorytetów i zobowiązania dotyczące planu rozwoju
• Dopracowanie UX i spójność projektu
• Interpretowanie wyników eksperymentów
• Podejmowanie decyzji dotyczących kompromisów między biznesem, technologią i interesariuszami

Powód jest prosty: AI dobrze radzi sobie z generowaniem opcji i rozpoznawaniem wzorców, ale słabiej radzi sobie z oceną, kontekstem i odpowiedzialnością.

Z mojego doświadczenia wynika, że AI przyspiesza realizację zadań związanych z „tym, jak” i „co jest możliwe”, podczas gdy mój zespół i ja odpowiadamy za „co ma znaczenie” oraz „do czego się zobowiązujemy”.

Jak AI zwiększa tempo rozwoju produktu, ale stanowi wyzwanie dla jakości

Ogólnie rzecz biorąc, zauważyłem wyraźną poprawę szybkości i wydajności w różnych działaniach związanych z produktem:

• Tworzenie PRD skróciło się z około 1 dnia do około 2–3 godzin
• Wstępne prototypowanie skróciło się z około 2 dni do około 4–6 godzin
• Badania konkurencji i rynku skróciły się z około 5–6 godzin do około 1–2 godzin
• Cykle analizy danych skróciły się o około 60–70%

Dzięki temu zespoły mogą analizować więcej opcji i szybciej iterować w tych samych ramach czasowych.

Z drugiej strony jakość i spójność są nierówne:

• Wyniki generowane przez AI często wymagają znacznej weryfikacji i ponownego opracowania.
• Zespoły mają tendencję do nadmiernego zaufania początkowym wynikom, co prowadzi do powierzchownego myślenia.
• Spójność UX cierpi, gdy AI generuje prototypy bez odpowiedniego nadzoru projektowego.
• W niektórych dziedzinach dokładność osiąga plateau (np. 80–85% w przypadku ustrukturyzowanego wydobywania danych), co ogranicza zastosowanie AI w decyzjach o dużym znaczeniu.

AI znacząco poprawia wydajność, ale wyniki nadal w dużej mierze zależą od tego, jak rygorystycznie zespoły analizują i udoskonalają to, co AI tworzy.

Suman dzieli się spostrzeżeniami

AI nie tylko usprawnia przepływy pracy — zmusza Cię do ponownego ich przemyślenia…AI znacząco poprawia wydajność, ale wyniki nadal w dużej mierze zależą od tego, jak rygorystycznie zespoły analizują i udoskonalają to, co AI tworzy.

Dlaczego AI wymaga ponownego przemyślenia przepływów pracy nad produktem

Oto coś, co liderzy produktowi muszą wiedzieć: AI nie tylko usprawnia przepływy pracy — zmusza Cię do ponownego ich przemyślenia.

Większość zespołów zaczyna od dodania AI do istniejących procesów, wprowadzając drugich pilotów, asystentów lub automatyzację do zdefiniowanych wcześniej etapów. Zwykle prowadzi to do stopniowego wzrostu szybkości lub wydajności, ale podstawowy system pozostaje niezmieniony.

Prawdziwa szansa pojawia się wtedy, gdy przeprojektowujesz przepływy pracy, zakładając od początku, że AI jest ich kluczowym elementem.

Gdy to zrobisz, kilka rzeczy ulega zmianie:

• Praca staje się mniej liniowa, a bardziej równoległa — odkrywanie, prototypowanie i walidacja mogą odbywać się jednocześnie.
• Koszt tworzenia i testowania pomysłów znacząco spada, umożliwiając większą liczbę iteracji.
• Rola zespołów zmienia się z generowania wyników na ich analizowanie, udoskonalanie i podejmowanie decyzji.
• Wąskie gardła przenoszą się z realizacji na ocenę, walidację i uzgadnianie stanowisk.

Wymaga to jednak ponownego przemyślenia nie tylko procesów, lecz także ról, odpowiedzialności i sposobu mierzenia jakości.

Jeśli nie zmienisz systemu, ograniczysz rezultat. Otrzymasz szybsze wersje tych samych przepływów pracy — a nie rozwiązania fundamentalnie lepsze.

Jak AI usprawniło przepływy pracy związane z odkrywaniem i prototypowaniem

Porozmawiajmy o naszym przepływie pracy — od odkrywania produktu po prototypowanie.

Zaczynamy od odkrywania wspomaganego przez AI, podczas którego AI syntetyzuje sygnały rynkowe, działania konkurencji i dane wewnętrzne, aby stworzyć wstępny obraz obszaru problemowego. Uzupełniają go prowadzone przez ludzi badania pierwotne — rozmowy z klientami i opinie interesariuszy.

Następnie AI pomaga w strukturyzowaniu problemu i badaniu rozwiązań, generując wiele podejść, kompromisów i wstępnych hipotez.

Potem przechodzimy do tworzenia PRD, gdzie AI przygotowuje pierwszą wersję wymagań, przepływów użytkownika i przypadków brzegowych. Menedżerowie produktu dopracowują ją, uwzględniając kontekst biznesowy, ograniczenia i priorytety.

Równolegle AI wspiera tworzenie koncepcji UX i wczesne prototypowanie, generując makiety lub przepływy do szybkiego przeglądu i iteracji.

Na koniec, przed rozpoczęciem budowy, przeprowadzamy pętlę walidacyjną:

• PM, zespoły projektowe i inżynieryjne przeglądają wyniki.
• Identyfikujemy luki, niespójności i zagrożenia.
• Ponownie korzystamy z AI, aby udoskonalić wyniki na podstawie informacji zwrotnych.

To, co wcześniej było procesem sekwencyjnym, odbywa się teraz w zamkniętej pętli, często skracając wiele dni pracy do kilku godzin.

Dlaczego kompleksowe przepływy pracy nad produktem z wykorzystaniem AI wciąż nie są w pełni zrealizowane

Mimo wszystko AI nie jest jeszcze w stanie zapewnić naprawdę niezawodnego, autonomicznego przepływu pracy nad produktem od początku do końca.

Obserwujemy znaczne postępy na poszczególnych etapach, ale system, który konsekwentnie przechodzi od problemu → rozwiązania → wdrożenia przy minimalnej ingerencji człowieka, wciąż nie jest dostępny.

Luki występują w następujących obszarach:

• Utrzymywanie kontekstu na kolejnych etapach
• Obsługa przypadków brzegowych i niejednoznaczności
• Zapewnienie stałej jakości i zgodności z celami biznesowymi

Obietnica jest kusząca, ale obecnie AI może jedynie przyspieszać przepływ pracy. Nie jest w stanie niezawodnie zarządzać nim od początku do końca

Jak AI zmienia role i umiejętności zespołu produktowego

Jeśli chodzi o zespoły produktowe, wyróżnia się kilka zmian:

• PM-owie stają się „twórcami”, co oznacza, że oczekuje się od nich ścisłej współpracy z AI, szybkiego iterowania i rozumienia sposobu wdrażania rozwiązań, a nie tylko tego, co należy zbudować.
• Role związane z projektowaniem i inżynierią pojawiają się wcześniej w cyklu, a współpraca rozpoczyna się od początku, zamiast dopiero po zdefiniowaniu wymagań.
• Odpowiedzialność za jakość jest bardziej rozproszona. Każdy odpowiada za walidację wyników generowanych przez AI, a nie tylko za swój obszar funkcjonalny.

Widzimy również potrzebę rozwijania nowych kompetencji:

• Silniejsze nastawienie na ocenę i testowanie
• Umiejętność pracy z niejednoznacznością i systemami niedeterministycznymi
• Swoboda w zakresie szybkiego iterowania i eksperymentowania

Dlaczego liderzy muszą uważać na fałszywą pewność siebie AI

Liderzy nie doceniają poważnego zagrożenia: fałszywej pewności co do wyników AI.

AI często tworzy płynne, dobrze ustrukturyzowane odpowiedzi, które wydają się poprawne — nawet jeśli są niekompletne lub błędne. Zespoły mają tendencję do ufania wynikom bez wystarczającej walidacji.

Na małą skalę prowadzi to do drobnych błędów. Na dużą skalę może skutkować systematycznymi pomyłkami rozprzestrzeniającymi się w przepływach pracy — w decyzjach produktowych, interakcjach z klientami lub procesach operacyjnych.

Suman dzieli się spostrzeżeniami

Liderzy nie doceniają poważnego zagrożenia: fałszywej pewności co do wyników AI…Zespoły mają tendencję do ufania wynikom bez wystarczającej walidacji.

Dlaczego Claude jest najbardziej wartościowym narzędziem w zarządzaniu produktem

Gdybym miał zachować tylko jedno narzędzie AI, byłaby to uniwersalna przestrzeń robocza AI — Claude i Claude Work.

Nie dlatego, że jest idealny, lecz dlatego, że jest najbardziej wszechstronny w całym cyklu życia produktu — od odkrywania i definiowania problemu, przez tworzenie PRD i przygotowywanie danych wejściowych do prototypowania, aż po eksplorację techniczną.

Wartość tkwi nie tylko w samym narzędziu, ale także w tym, jak łatwo można je dopasować do różnych procesów bez konieczności przeprowadzania złożonej konfiguracji lub integracji.

Specjalistyczne narzędzia są przydatne, ale zwykle rozwiązują konkretne etapy. Uniwersalna przestrzeń robocza AI działa jako warstwa myślenia i realizacji, którą można zastosować na wielu etapach.

Dlaczego ocena i osąd mają znaczenie dla liderów produktu

Oto, co chciałbym wiedzieć przed rozpoczęciem pracy z AI:

1. Rozwój oparty na ocenie ma kluczowe znaczenie: Potrzebujesz jasnych sposobów mierzenia jakości wyników na wczesnym etapie. Bez tego trudno zaufać systemom AI lub je skalować.
2. Eksperymentowanie nie jest opcjonalne: Systemy AI są niedeterministyczne. Nie osiągniesz dobrego rezultatu za pierwszym razem — musisz iterować, tworząc wiele wersji.

Oto moja rada. Zacznij od solidnych ram oceny. Gdybym tak zrobił, uniknęlibyśmy ponownej pracy i fałszywego przekonania o jakości pierwszych wyników.

Warto też zrozumieć następującą rzecz: dobre myślenie produktowe nie opiera się już przede wszystkim na głębokiej wiedzy dziedzinowej.

W przeszłości menedżerowie produktu z czasem budowali i wykorzystywali szeroką wiedzę specjalistyczną. AI sprawia, że znaczna część tej podstawowej wiedzy — kontekst rynkowy, informacje o konkurencji, a nawet wstępna analiza — jest teraz łatwo dostępna.

Obecnie ważne jest nie tylko to, co wiesz, ale także to, jak zadajesz pytania, syntetyzujesz informacje i stosujesz własny osąd. Głębia wiedzy nadal ma znaczenie, ale nie jest już jedynym czynnikiem wyróżniającym.

Śledź nasze publikacje

Możesz zasubskrybować biuletyn AI Fluency Suman Chittimuriego na platformie LinkedIn oraz jego biuletyn produktowy na platformie Substack. Możesz też obserwować go na platformie LinkedIn.

Więcej rozmów z ekspertami już wkrótce na The CPO Club!