Te procesy pracy pilnie potrzebują odświeżenia za pomocą AI, mówi globalny lider produktu

Tony Pagliocco jest zastępcą dyrektora ds. globalnego zarządzania produktem w firmie Aldar, gdzie odpowiada za strategię produktową, ramy operacyjne i sposoby pracy w 24 zespołach produktowych.

On i jego zespół koncentrują się na bezpośrednim włączaniu AI do swoich przepływów pracy związanych z produktem. Dlatego spotkaliśmy się z nim, aby dowiedzieć się, które przepływy pracy obecnie optymalizuje i jak zapewnia ich wdrożenie w całej organizacji. Oto, co powiedział.

Złożone problemy na dużą skalę

Od ponad 20 lat tworzę i rozwijam produkty cyfrowe w różnych branżach — od mediów i gier po lotnictwo, logistykę, a obecnie także nieruchomości tutaj, w ZEA. Nieustannie rozwiązuję złożone problemy na dużą skalę i buduję zespoły, które wywierają realny wpływ.

Na początku swojej kariery działałem bardzo praktycznie — uruchamiałem produkty i uczyłem się ich realizacji. Następnie kierowałem większymi organizacjami produktowymi i napędzałem transformację na poziomie przedsiębiorstwa. Jednym z najbardziej kształtujących etapów mojej kariery była praca w firmie Boeing, gdzie kierowałem rozwojem produktów dla cyfrowych platform inteligentnych fabryk wspierających programy 777 i 787. Pracowaliśmy ze środowiskami danych o pojemności wielu petabajtów, stosując NLP i widzenie komputerowe w przepływach pracy związanych z produkcją i łańcuchem dostaw. Tworzyliśmy systemy do przewidywania problemów, optymalizacji operacji i działania na skalę globalną. To doświadczenie ukształtowało moje podejście do danych, platform, a teraz także AI.

W firmie Aldar AI jest głęboko osadzone w tym, co tworzymy — od platform inteligentnych miast i cyfrowych bliźniaków po narzędzia do planowania głównego i oceny wykonalności. Wykorzystujemy AI do symulowania, przewidywania i optymalizowania decyzji na długo przed fizycznym rozpoczęciem budowy, co zasadniczo zmienia sposób funkcjonowania firmy.

Ten moment jest punktem zwrotnym. Przechodzimy od tworzenia oprogramowania do budowania inteligentnych systemów — a rola liderów produktu zmienia się z zarządzania planami rozwoju na koordynowanie danych, AI i rzeczywistych rezultatów na dużą skalę.

Kierowanie strategią produktową

Obecnie pełnię funkcję zastępcy dyrektora ds. globalnego zarządzania produktem w firmie Aldar. Podlegam naszemu dyrektorowi ds. cyfrowych i kieruję strategią produktową, ramami operacyjnymi oraz sposobami pracy w 24 zespołach produktowych.

Nasze zespoły działają w szerokim ekosystemie obejmującym sprzedaż nieruchomości, handel detaliczny, nieruchomości komercyjne i mieszkaniowe, lojalność i marketing, handel elektroniczny, hotelarstwo oraz IoT inteligentnych miast — a wszystko to opiera się na naszej flagowej platformie Live Aldar. Wspieramy zarówno doświadczenia klientów, jak i platformy wewnętrzne, koncentrując się na połączeniu wszystkiego w płynną podróż od początku do końca.

W zakresie realizacji działamy poprzez interdyscyplinarne zespoły skoncentrowane na rezultatach biznesowych, jednocześnie inwestując we wspólne platformy, takie jak tożsamość, płatności, dane i AI, aby skalować działania w całym ekosystemie. Moją rolą jest zapewnienie spójności sposobu, w jaki tworzymy produkty, przy jednoczesnym umożliwieniu każdej domenie szybkiego działania i wywierania realnego wpływu.

Dlaczego AI wymaga solidnych podstaw

Przemyślenia Tony'ego

Zespoły, które mają trudności z AI, zwykle próbują nakładać je na wadliwe podstawy.

Oto pierwsza rzecz, którą trzeba powiedzieć: AI nie jest funkcją. To zdolność, która zmienia sposób działania całego produktu i całej organizacji.

Wiele zespołów podchodzi do AI jak do każdego innego ulepszenia — dodaje chatbota, automatyzuje przepływ pracy lub udoskonala funkcję. Takie podejście ogranicza wpływ. Prawdziwa zmiana polega na tym, że AI zmienia sposób podejmowania decyzji, tworzenia produktów i generowania wartości.

Ujawnia również jakość podstaw. Jeśli dane są rozproszone, przepływy pracy niejasne, a myślenie produktowe słabe, AI wzmocni te problemy. Zespoły, które mają trudności z AI, zwykle próbują nakładać je na wadliwe podstawy.

Prawdziwa praca polega na zapewnieniu odpowiednich danych wejściowych, struktury i zabezpieczeń. Bez nich rezultaty mogą wyglądać dobrze na pierwszy rzut oka, ale nie zapewnią niezawodności wymaganej w rzeczywistym zastosowaniu produktu. Gdybym wiedział o tym od początku, wcześniej zainwestowałbym w oczyszczenie danych, precyzyjniejsze zdefiniowanie obszaru problemowego i wyznaczenie mocniejszych granic wykorzystania AI w produkcie.

To samo pozwoliłoby zaoszczędzić czas, ponieważ uniknęlibyśmy nierealistycznych oczekiwań. Często istnieje presja, aby działać szybko i prezentować możliwości AI, ale bez odpowiednich fundamentów iteruje się więcej, niż to konieczne — albo, co gorsza, traci się zaufanie użytkowników.

Dlatego przed rozpoczęciem liderzy muszą zadać sobie pytanie: „Czy dysponujemy danymi, modelem operacyjnym i dyscypliną produktową, aby to wykorzystać?”

Jak AI zmienia proces rozwoju produktu

Jedną z największych zmian, jakie wprowadziliśmy w ciągu ostatniego roku, jest przejście od statycznego, opartego na dokumentach rozwoju produktu do ciągłego odkrywania i dostarczania wspomaganego przez AI.

Tradycyjnie nasz proces opierał się na uporządkowanych artefaktach — PRD, uzasadnieniach biznesowych i dokumentach badawczych — których przygotowanie było czasochłonne i które często szybko się dezaktualizowały. Wprowadziliśmy AI bezpośrednio do tego procesu, aby syntetyzować opinie klientów, analizować zgłoszenia do działu wsparcia, generować wstępne wymagania produktowe, a nawet podważać założenia podczas odkrywania produktu.

Zmieniło to szybkość i jakość podejmowania decyzji. Menedżerowie produktu nie zaczynają już od zera — zaczynają od wiedzy i wniosków. Obserwujemy szybsze przechodzenie od pomysłu do walidacji, lepsze uzgodnienie między interesariuszami oraz ustalanie priorytetów w większym stopniu oparte na danych.

Zmieniło to również sposób działania naszych zespołów. AI nie jest już oddzielnym narzędziem — jest teraz osadzone w codziennych procesach, niezależnie od tego, czy chodzi o generowanie hipotez, podsumowywanie danych, czy przyspieszanie dostarczania. Rola menedżera produktu nieco przesunęła się od twórcy w stronę kuratora i osoby podejmującej decyzje.

Jak można przeprojektować odkrywanie produktu za pomocą AI

W całym cyklu życia produktu to właśnie odkrywanie wymaga jednak największego przeprojektowania.

Historycznie odkrywanie było powolne, ręczne i w dużej mierze opierało się na niewielkich próbach — wywiadach, ankietach i ograniczonej analizie danych. Wraz z pojawieniem się AI ten model przestał się sprawdzać. Możemy teraz przetwarzać ogromne ilości opinii klientów, danych behawioralnych i sygnałów niemal w czasie rzeczywistym.

Jednak większość zespołów nadal prowadzi odkrywanie tak, jakby był rok 2015.

Zaczęliśmy od włączenia Jira Product Discovery do naszego procesu, aby lepiej porządkować pomysły, wnioski i priorytety. Dało nam to solidne podstawy, ale prawdziwe przyspieszenie nastąpiło, gdy dodaliśmy agentów AI Rovo i połączyliśmy ich z naszym szerszym ekosystemem — dokumentacją, projektami technicznymi, Figmą i innymi narzędziami do dostarczania.

Dodatkowo zintegrowaliśmy ciągłe strumienie danych — wyniki ankiet, pętle informacji zwrotnych od klientów, dane z centrów kontaktowych i analitykę produktu — przekazując wszystko do jednego procesu odkrywania.

Teraz, zamiast ręcznie łączyć dane wejściowe, zespoły mogą szybko syntetyzować sygnały, generować wstępne wymagania i bezpośrednio łączyć odkrywanie z realizacją. Przepaść między „wnioskiem” a „dostarczeniem” znacznie się zmniejszyła.

Skutkuje to szybszymi cyklami i lepszą jakością. Zespoły zaczynają pracę z lepiej poinformowanego punktu wyjścia, przy większym uzgodnieniu między obszarami produktu, projektowania i inżynierii.

Dlaczego AI wspiera działania produktowe, ale decyzje podejmują ludzie

Intensywnie wykorzystujemy AI do skalowania, zwiększania szybkości i rozpoznawania wzorców — w odkrywaniu, analizie danych i początkowej fazie tworzenia pomysłów. Jest teraz naszym domyślnym punktem wyjścia, a nie tylko dodatkową opcją.

AI syntetyzuje opinie klientów, zgłoszenia do działu wsparcia i dane behawioralne w ciągu kilku minut, kształtując hipotezy, a nawet generując wymagania wstępne. W naszej pracy nad inteligentnym miastem i cyfrowym bliźniakiem wykorzystujemy je również do symulowania scenariuszy, pomagając zespołom analizować decyzje dotyczące planowania i wykonalności, zanim cokolwiek zbudują.

Jednocześnie bardzo jasno określamy, gdzie kończy się rola AI.

Ustalanie priorytetów, decyzje dotyczące mapy drogowej, niuanse UX i kompromisy pozostają domeną ludzi, ponieważ właśnie tam znaczenie mają kontekst, doświadczenie i odpowiedzialność. AI nie rozumie w znaczący sposób strategii, polityki ani ryzyka. Może dostarczać informacji pomocnych przy podejmowaniu decyzji, ale nie powinno podejmować ich samo.

Na przykład wykorzystaliśmy AI do analizy opinii klientów i zgłoszeń do działu wsparcia, aby wesprzeć ustalanie priorytetów. Model skutecznie rozpoznawał wzorce i wskazywał często wspominane problemy, ale nie potrafił odróżnić tego, co było głośne, od tego, co było ważne. Problemy o niewielkim wpływie były nadmiernie reprezentowane tylko dlatego, że klienci zgłaszali je częściej, podczas gdy poważniejsze, lecz rzadsze problemy otrzymywały zbyt małą wagę.

Brakowało również kontekstu dotyczącego ścieżki klienta — tego, dlaczego coś się działo, a nie tylko tego, że się działo. Ludzka ocena miała kluczowe znaczenie dla prawidłowej interpretacji sygnału.

Z perspektywy zaufania, jeśli sztuczna inteligencja wskazywała coś, co nie zgadzało się z intuicją interesariuszy, ci szybko to odrzucali. Sama dokładność nie była więc wystarczająca — rozwiązanie musiało być możliwe do wyjaśnienia i zgodne z rzeczywistym kontekstem.

Dlaczego menedżerowie produktu muszą uważać na nadmierne poleganie na sztucznej inteligencji

Szybkość i przepustowość to największe zalety sztucznej inteligencji. Menedżerowie produktu znacznie szybciej przechodzą od pomysłu do zweryfikowanego kierunku; to, co wcześniej wymagało dni syntezy i tworzenia projektów, teraz dzieje się w ciągu kilku godzin. Szacuję, że w różnych zespołach na wczesnych etapach odkrywania i w cyklach dokumentacji nastąpił wzrost szybkości o 30–50%.

Poprawiła się również jakość. Sztuczna inteligencja pomaga zespołom zaczynać od lepiej poinformowanego punktu wyjścia, uwzględniać sygnały od klientów, wskazywać wzorce i ograniczać martwe pola. Prowadzi to do lepszych wstępnych hipotez i dyskusji z interesariuszami opartych w większym stopniu na danych.

Z drugiej strony największym ryzykiem, jakie zaobserwowałem, jest nadmierne poleganie na sztucznej inteligencji. Niektóre zespoły początkowo traktowały wyniki AI jako „odpowiedzi”, a nie dane wejściowe, co prowadziło do powierzchownego myślenia lub ogólnikowych rozwiązań. Musieliśmy aktywnie uczyć zespoły, aby kwestionowały i udoskonalały to, co tworzy AI, zamiast po prostu to akceptować.

Istnieje również luka w zakresie spójności. Sztuczna inteligencja jest tak dobra, jak dobry jest kontekst, który jej dostarczasz. Silni menedżerowie produktu uzyskują wykładniczo większą wartość, ponieważ wiedzą, jak nią kierować. Mniej doświadczeni mogą mieć trudności lub generować zaszumione wyniki.

Podsumowując, korzyści są realne. Szybsze cykle, lepsze punkty wyjścia — ale tylko przy silnym myśleniu produktowym. W przeciwnym razie po prostu szybciej dochodzisz do niewłaściwej odpowiedzi.

Dlaczego automatyzacja kompleksowa rozczarowuje menedżerów produktu

Na początku zakładałem, że sztuczna inteligencja może w znaczący sposób wpływać na decyzje dotyczące planu rozwoju produktu lub tworzyć wysokiej jakości rozwiązania gotowe do wdrożenia. W rzeczywistości to, co generuje, często jest użyteczne jako ogólny kierunek, ale nadal pozostaje ogólnikowe. Brakuje temu kontekstu biznesowego, niuansów związanych z klientami oraz kompromisów, które doświadczone zespoły podejmują każdego dnia.

Automatyzacja kompleksowa to kolejny obszar, w którym nie udało się jeszcze w pełni wykorzystać jej potencjału. Agenci AI dają wiele nadziei na obsługę procesów lub zastępowanie części prac związanych z dostarczaniem produktu, ale w praktyce nadal wymagają intensywnego nadzoru człowieka, aby działać niezawodnie na dużą skalę.

Luka istnieje więc między oczekiwaniami a rzeczywistością. Sztuczna inteligencja jest niezwykle potężnym akceleratorem, ale nie zastępuje oceny produktowej — a zespoły, które tak ją traktują, dość szybko się rozczarowują.

Myśli Tony'ego

Sztuczna inteligencja jest niezwykle potężnym akceleratorem, ale nie zastępuje oceny produktowej — a zespoły, które tak ją traktują, dość szybko się rozczarowują.

Dlaczego menedżerowie produktu muszą przejść od kontroli do zaufania w pracy ze sztuczną inteligencją

Jakość produktu nie wynika już ze ściśle kontrolowanych, deterministycznych doświadczeń. Musimy porzucić przekonanie, że tak właśnie jest.

Tradycyjnie projektowaliśmy produkty tak, aby zachowywały się w przewidywalny sposób — z jasnymi przepływami, określonymi wynikami i rozpisanymi przypadkami brzegowymi. W przypadku sztucznej inteligencji, zwłaszcza generatywnej, domyślnie wprowadzasz zmienność. To samo dane wejściowe nie zawsze musi wygenerować dokładnie taki sam wynik, a to zmienia sposób, w jaki myślisz o jakości.

Zmusza to do przejścia od pytania „Czy wszystko jest doskonale zdefiniowane?” do pytania „Czy rozwiązanie jest niezawodnie użyteczne i mieści się w akceptowalnych granicach?”

To duża zmiana sposobu myślenia. Nie projektujesz już każdego rezultatu — projektujesz systemy z zabezpieczeniami, pętlami informacji zwrotnej i sposobami ciągłego doskonalenia. Oznacza to również akceptację pewnego poziomu niedoskonałości, o ile rozwiązanie przynosi wartość, a ryzyko jest zarządzane.

Dlatego przeszedłem od kontroli do zaufania — ufając, że system będzie działał w określonych granicach, zamiast próbować z góry definiować każdy możliwy rezultat.

Jak sztuczna inteligencja zmienia dynamikę zespołów produktowych

Sztuczna inteligencja nie zmieniła struktury zespołu tak bardzo, jak zmieniła sposób jego działania.

Nie zastąpiliśmy ról, ale zmieniły się oczekiwania wobec nich. Menedżerowie produktu poświęcają mniej czasu na ręczną syntezę i dokumentację, a więcej na ocenę, ustalanie priorytetów i osiąganie rezultatów. Wymagania dotyczące myślenia wzrosły.

Zatarły się również niektóre granice między rolami. Menedżerowie produktu są bliżej danych, projektanci korzystają ze sztucznej inteligencji, aby szybciej iterować, a inżynierowie wykorzystują ją do przyspieszania prac rozwojowych. Pętle współpracy są krótsze, ponieważ każdy może indywidualnie działać szybciej.

Jednocześnie obserwujemy wyraźną przepaść: między osobami, które wiedzą, jak pracować z AI, a tymi, które tego nie potrafią. Zespoły, które aktywnie korzystają z AI, są znacznie bardziej produktywne.

Jak włączenie AI do przepływów pracy zwiększa poziom wykorzystania

Wykorzystanie AI stanowiło wyzwanie. Nie wszyscy poruszają się w tym samym tempie. Niektórzy angażują się, eksperymentują i szybko się dostosowują. Inni się wahają, podważają sens tych rozwiązań albo czekają, aż będą idealne, zanim zaczną z nich korzystać — i właśnie w tym miejscu pojawia się przepaść.

Sprawiliśmy, że korzystanie z AI stało się widoczne i oczekiwane — a nie opcjonalne.

Zamiast wdrażać je komunikatem „oto nowe narzędzie”, osadziliśmy je bezpośrednio w działaniach zespołów. Na przykład zaktualizowaliśmy nasze procesy produktowe, tak aby każdy cykl rozpoznawania potrzeb lub tworzenia PRD obejmował pierwszy etap wspomagany przez AI — czy to syntezę opinii klientów, generowanie wstępnych wymagań, czy opracowywanie hipotez. AI stało się częścią procesu, a nie dodatkiem.

Ustaliliśmy również prostą zasadę: nie przychodź na przegląd ani dyskusję z pustą kartką. Zacznij od czegoś przygotowanego z pomocą AI, a następnie pokaż, jak to dopracowałeś. To szybko zmieniło nastawienie — z oporu na praktyczne wykorzystanie.

Jednocześnie nagłaśnialiśmy sukcesy — pokazując, jak jeden zespół skrócił o połowę czas rozpoznawania potrzeb albo poprawił jakość wstępnych analiz dzięki AI. Ta widoczność efektów pracy innych zespołów nadała działaniom dynamikę.

Nie chodziło o wymuszanie korzystania z AI, lecz o uczynienie go naturalnym elementem przepływu pracy i pokazanie korzyści za pomocą rzeczywistych przykładów.

Dlaczego liderzy ds. produktów muszą już teraz aktywnie korzystać z AI

Oto moja rada: nie czekaj, aż wszystko stanie się jasne — zaangażuj się i zacznij już teraz.

To moment, w którym ci, którzy zaczną wcześnie, określą, co wydarzy się dalej. Możesz usiąść z boku i to analizować albo zakasać rękawy i sprawdzić, jak to działa w rzeczywistych przepływach pracy. Już teraz powstaje przepaść między osobami, które codziennie korzystają z AI, a tymi, które wciąż tylko o nim mówią.

Zostań propagatorem. Jeśli wierzysz, że to przyszłość, działaj zgodnie z tym przekonaniem. Potwierdź swoje słowa czynami — korzystaj z AI we własnej pracy, zachęcaj swoje zespoły do jego używania i włącz je do sposobu działania całej organizacji. Nie chodzi o prowadzenie pobocznych projektów pilotażowych, lecz o zmianę sposobu tworzenia produktów.

Jednocześnie zachowaj trzeźwe spojrzenie. AI nie zastępuje myślenia. Zwiększa jego skuteczność. Zwycięscy liderzy połączą trafną ocenę sytuacji w obszarze produktu z gotowością do szybkiego uczenia się.

W gruncie rzeczy wszystko sprowadza się do nauki. Jeśli nie uczysz się aktywnie, nie eksperymentujesz i nie rozwijasz się właśnie teraz, zostaniesz w tyle. To takie proste.

Zaangażuj się więc, zachowaj ciekawość i przewodź, będąc na pierwszej linii.

Śledź jego działalność

Więcej informacji o działalności Tony’ego Pagliocco znajdziesz na stronie tonypag.com lub możesz nawiązać z nim kontakt za pośrednictwem serwisu LinkedIn.

Wkrótce kolejne wywiady z ekspertami w The CPO Club!