Założyciel firmy technologicznej i były wiceprezes ds. produktu twierdzi, że AI pogarsza pracę zespołów produktowych — zamiast ją ulepszać

Adam Root pełnił funkcję wiceprezesa ds. produktu w różnych firmach technologicznych. Obecnie jest założycielem Root Ventures, gdzie tworzy produkty SaaS oparte na przepływach pracy.

Spotkaliśmy się z Adamem, aby zrozumieć, jak AI zmienia cykl życia produktu — i jak po drodze faktycznie pogarsza działanie niektórych zespołów. Oto, co nam powiedział.

AI pogarsza działanie zespołów produktowych

AI pogarsza działanie większości zespołów produktowych, zamiast je poprawiać — ponieważ usuwa tarcia, które wcześniej chroniły zespoły przed podejmowaniem złych decyzji.

Przez ponad 17 lat skalowałem platformy SaaS, prowadziłem inicjatywy oparte na AI i osiągałem mierzalne rezultaty, w tym zwiększyłem przychody z $20k do $400k MRR oraz dostarczałem rozwiązania o wpływie na skalę przedsiębiorstwa. Na początku kariery wierzyłem, że najtrudniejszą częścią jest tworzenie, wdrażanie funkcji, skalowanie zespołów i realizacja działań zgodnie z planem rozwoju produktu. Z czasem zrozumiałem, szczególnie w ciągu ostatnich kilku lat, że prawdziwym wyzwaniem jest przekształcanie niejednoznaczności w przekonanie o słuszności decyzji. AI sprawiło, że nie sposób już ignorować tej różnicy. 

Dziś każdy może wygenerować prototyp lub szybko wdrożyć produkt przy użyciu narzędzi AI, ale większość zespołów wciąż ma trudności z przełożeniem tego na rzeczywistą trakcję. Nieustannie widzę silne zespoły techniczne, które budują szybciej, ale nie mają jasno określonej tezy produktowej. Nakładają AI na przepływy pracy, które nigdy nie zostały zaprojektowane tak, aby odnieść sukces. Rezultatem jest więcej pracy, ale nie większy wpływ.

To spostrzeżenie całkowicie zmieniło moje podejście do przywództwa produktowego. Obecnie traktuję każdy produkt jako system prawdy, a nie zbiór funkcji. Wszystko zaczyna się od dogłębnego zrozumienia problemu, zweryfikowania go na podstawie dowodów oraz ustalenia kolejności decyzji w sposób, który tworzy dźwignię. Dopiero wtedy AI staje się prawdziwym mnożnikiem. Bez tych podstaw jedynie przyspiesza chaos.

Dlatego dziś skupiam się mniej na narzędziach, a bardziej na tworzeniu klarowności i jednoczeniu zespołów wokół tego, co ma znaczenie, dlaczego ma znaczenie oraz jak wpływa na rezultaty. Ponieważ gdy system działa prawidłowo, realizacja kolejnych działań przynosi coraz większe efekty.

Budowanie portfela produktów natywnie wykorzystujących AI

Obecnie tworzę niewielki portfel produktów SaaS natywnie wykorzystujących AI oraz opartych na przepływach pracy w różnych dziedzinach. Każdy z nich został zaprojektowany tak, aby znajdować się w centrum rzeczywistych zachowań użytkowników, a nie tylko dodawać kolejne funkcje.

Sotia to system inteligencji oparty na danych behawioralnych, początkowo wykorzystujący Slacka, który pomaga kadrze kierowniczej monitorować w czasie rzeczywistym kondycję realizacji działań. Przekształca wzorce komunikacji w sygnały dotyczące zgodności działań, szybkości podejmowania decyzji i ryzyka, skutecznie tworząc nową warstwę między surową aktywnością a wiedzą dla kadry kierowniczej.

Równolegle tworzę VowVista, platformę marketplace działającą w obszarze miejsc organizacji wesel, której celem jest zwiększenie pewności podejmowania decyzji przez nabywców z pokolenia Z. Rozwiązuje problem rozproszonego zakupu o dużym ładunku emocjonalnym, łącząc przejrzystość, uporządkowane dane i prowadzone przepływy pracy, aby pomagać użytkownikom przechodzić od poszukiwań do podjęcia decyzji.

Oprócz tego nadal rozwijam platformy natywnie wykorzystujące AI w budownictwie i operacjach terenowych, gdzie przechwytujemy z terenu dane wejściowe w wielu formatach, takie jak głos, zdjęcia i wideo, a następnie przekształcamy je w uporządkowane, możliwe do wykorzystania informacje dla operatorów i kadry kierowniczej.

Wspólnym elementem wszystkich tych działań jest tworzenie produktów, które funkcjonują jako systemy ewidencji i systemy inteligencji, zaprojektowane z myślą o rzeczywistych przepływach pracy, z modelem dostarczania łączącym szybkie iteracje z niezawodnością na poziomie produkcyjnym.

Dlaczego liderzy produktowi powinni skupiać się na systemie, a nie na AI

AI nie jest produktem. Produktem jest otaczający je system.

Większość zespołów zaczyna od skupienia się na modelu, funkcji lub możliwościach. W praktyce jednak model jest najmniej wyróżniającym elementem i często najłatwiejszą częścią. Prawdziwa praca obejmuje wszystko, co go otacza: dane, integrację z przepływem pracy, doświadczenie użytkownika, model zaufania oraz sposób, w jaki wynik prowadzi do rzeczywistej decyzji lub działania.

Jeśli się w tym pomylisz, AI sprawi, że Twój produkt będzie wyglądał imponująco, ale nie stanie się użyteczny. Wdrożysz funkcje, które dobrze prezentują się podczas demonstracji, lecz nie są przyjmowane przez użytkowników, ponieważ nie są osadzone w sposobie, w jaki użytkownicy faktycznie pracują lub podejmują decyzje.

Jeśli zrobisz to dobrze, AI stanie się mnożnikiem. Przekształca nieuporządkowane dane wejściowe w uporządkowane informacje, zmniejsza tarcia w rzeczywistych przepływach pracy i tworzy dźwignię w całym systemie.

Gdybym wiedział o tym wcześniej, uniknąłbym nadmiernego inwestowania w „inteligencję” przed zweryfikowaniem przepływu pracy. W kilku przypadkach stworzyliśmy imponujące funkcje, które technicznie działały, ale nie zmieniały zachowania użytkowników, ponieważ nie były osadzone w sposobie, w jaki faktycznie wykonywano pracę. Musieliśmy wrócić do punktu wyjścia i przeprojektować rozwiązanie wokół przepływu pracy, a nie modelu.

Jak systemy oparte na dowodach mogą usprawnić realizację

Odchodzę od tworzenia funkcji na rzecz budowania systemów opartych na dowodach jeszcze przed napisaniem kodu — wykorzystując AI jako warstwę syntezy i walidacji na wczesnym etapie procesu.

W przeszłości nawet silne zespoły stosunkowo szybko przechodziły od etapu odkrywania do specyfikacji. Ten model przestaje działać w świecie wspomaganym przez AI, ponieważ koszt tworzenia tak bardzo spadł. Można generować i wdrażać rozwiązania szybciej, niż da się zweryfikować, czy w ogóle powinny istnieć. Powstaje przez to nowy rodzaj porażki: zespoły z niesamowitą szybkością skalują niewłaściwe pomysły.

Odkrywanie musi teraz stać się ciągłą funkcją opartą na systemie, a nie etapem. Oznacza to:

• Agregowanie rzeczywistych sygnałów na dużą skalę, w tym zachowań użytkowników, danych z obsługi klienta, analiz wygranych i przegranych oraz danych jakościowych
• Wykorzystywanie AI do syntezy wzorców w tych danych, a nie tylko ich podsumowywania
• Jawne mapowanie problemów na przepływy pracy i mierzenie, czy produkt rzeczywiście je rozwiązuje
• Ciągłe ponowne weryfikowanie założeń w miarę napływu nowych danych

Na przykład uruchamiam ustrukturyzowane polecenia na wielu źródłach danych, aby ujawnić powtarzające się problemy, przypisać je do przepływów pracy i jednoznacznie sprawdzić, czy produkt rzeczywiście je rozwiązuje. Ten proces często unieważnia początkowe pomysły lub znacząco je zmienia, zanim trafią one do projektowania lub inżynierii.

W rezultacie zmieniła się jakość przekonania o słuszności decyzji. Tworzymy mniej rzeczy, ale te, które budujemy, są znacznie ściślej dopasowane do rzeczywistych problemów. Zmienia to również sposób działania zespołów. Zamiast debatować nad opiniami, reagujemy na zsyntetyzowane dowody. Dlatego AI oznacza dla mnie mniej przyspieszanie realizacji, a bardziej zwiększanie trafności tego, co decydujemy się realizować.

Jak AI skraca cały przepływ pracy od sygnału do wdrożenia

Oto kompleksowy przepływ pracy wspomagany przez AI, którego używam, aby przejść od surowego sygnału od użytkownika do wdrożonej i zweryfikowanej pętli produktowej.

Wszystko zaczyna się od agregacji sygnałów. Gromadzę dane jakościowe i behawioralne, w tym wywiady z parami, wątki na Reddicie, opinie o miejscach, punkty rezygnacji w lejku oraz pytania napływające od użytkowników. Zamiast analizować je pojedynczo, wykorzystuję AI do syntezy danych ze wszystkich źródeł i identyfikowania powtarzających się problemów, częstotliwości ich występowania oraz miejsc, w których użytkownicy zatrzymują się w procesie podejmowania decyzji.

Następnie przechodzę do strukturyzowania problemów. AI pomaga grupować te sygnały w jasne opisy problemów powiązane z konkretnymi momentami w przepływie pracy. Potem poddaję te problemy próbie, pytając: „Czy występuje on często, jest uciążliwy i możliwy do rozwiązania przez produkt?”

Kolejny etap to kształtowanie rozwiązania. Wykorzystuję AI do szybkiego analizowania różnych sposobów rozwiązania problemu — nie tylko funkcji, lecz także zmian w przepływie pracy. Kluczowe jest szybkie wygenerowanie wielu podejść, a następnie zawężenie ich wyboru na podstawie tego, które najlepiej pasuje do zachowań użytkowników.

Następnie przechodzimy do budowania i oprzyrządowania. Korzystając z narzędzi programistycznych wspomaganych przez AI, szybko przechodzimy od koncepcji do działającej wersji, ale od początku wyposażamy ją w oprzyrządowanie. Śledzimy, czy użytkownicy angażują się w nowy przepływ pracy, gdzie rezygnują oraz czy poprawia on pewność podejmowania decyzji lub postęp użytkowników.

Potem proces staje się pętlą uczenia się. AI analizuje wzorce użycia, informacje zwrotne o charakterze jakościowym i przypadki brzegowe, aby określić, co działa, a co nie. Sprawdzamy, czy zmiana rzeczywiście wpłynęła na zachowanie, a nie tylko czy użytkownicy weszli z nią w interakcję.

Na końcu informacje wracają do procesu iteracji lub usunięcia rozwiązania. Jeśli przepływ pracy poprawia wyniki, rozwijamy go. Jeśli nie, szybko go udoskonalamy albo usuwamy.

Claude, połączony z moimi danymi produktowymi i sygnałami od użytkowników, obsługuje większość tego przepływu pracy.

Jak AI może tworzyć fałszywe poczucie pewności

Najlepszym rezultatem wykorzystania AI, jaki obserwuję, jest znaczne skrócenie czasu potrzebnego do uzyskania jasności. AI skompresowało pracę, która wcześniej zajmowała dni, do kilku godzin — szczególnie w obszarach odkrywania, syntezy i wczesnego definiowania produktu. Mogę przeanalizować znacznie więcej danych, szybciej dostrzegać wzorce i poddawać pomysły próbie, zanim zespół zaangażuje zasoby. Jakościowo doprowadziło to do lepszego wstępnego zdefiniowania problemu, mniejszej liczby słabych pomysłów trafiających do rozmów o planie rozwoju produktu oraz większego dopasowania między zespołami produktu, projektowania i inżynierii.

Poprawiło to również przepustowość samego procesu tworzenia produktu. W ciągu ostatniego roku wykorzystywałem przepływy pracy wspomagane przez AI, aby przechodzić od koncepcji do działającego produktu znacznie szybciej, niż pozwalałyby na to tradycyjne cykle. Obejmuje to przejście od zdefiniowania problemu do architektury, PRD i użytecznego oprogramowania w ułamku zwykłego czasu. Korzyścią nie jest tylko szybkość. Chodzi także o możliwość wcześniejszego testowania rzeczywistych przepływów pracy, co zwiększa tempo uczenia się.

Nie wszystko jednak wygląda dobrze. AI może tworzyć fałszywe poczucie pewności. Zespoły mogą pomylić dopracowany rezultat z jakością produktu. Prototyp wygląda przekonująco, specyfikacja brzmi kompletnie i wszyscy mają poczucie, że postęp się dokonuje, nawet gdy podstawowy przepływ pracy, model zaufania lub potrzeba użytkownika nadal pozostają nierozwiązane. Widziałem również, jak AI zwiększało poziom szumu, gdy było wykorzystywane bez solidnej tezy produktowej. Może generować więcej pomysłów, treści, zgłoszeń i artefaktów, niż zespół jest w stanie realistycznie ocenić, co w rzeczywistości może jeszcze bardziej pogorszyć ustalanie priorytetów.

Adam dzieli się

Najlepszym rezultatem działania AI, jaki obserwuję, jest znaczne przyspieszenie dochodzenia do jasności. AI skróciło pracę, która wcześniej zajmowała dni, do kilku godzin, szczególnie w obszarach odkrywania, syntezy i wczesnego definiowania produktu.

Gdzie AI nie spełnia oczekiwań w obszarze produktu

AI najwyraźniej nie przyniosło oczekiwanych rezultatów tam, gdzie spodziewałem się skokowej poprawy w ocenie produktu i trwałego wpływu na produkt.

Początkowo sądziłem, że AI znacząco poprawi ustalanie priorytetów i jakość planu rozwoju produktu, ponieważ uczyni wzorce oczywistymi. Pomaga dostrzegać wzorce, ale nie rozstrzyga, co naprawdę ma znaczenie. Najtrudniejsze pozostaje interpretowanie kompromisów, rozumienie skutków drugiego rzędu i wybór kierunku działania w warunkach niepewności. AI dostarcza informacji do tego procesu, ale go nie zastępuje. Nie widziałem, aby samo z siebie konsekwentnie prowadziło do podejmowania lepszych decyzji produktowych.

Nie spełniło również oczekiwań w zakresie zwiększania rzeczywistej adopcji. Funkcje AI często prezentują się wyjątkowo dobrze podczas demonstracji, ale nie przekłada się to na regularne korzystanie, chyba że są głęboko osadzone w rzeczywistych przepływach pracy. Widziałem zespoły wdrażające imponujące funkcje AI, które użytkownicy wypróbowali raz, lecz do nich nie wracali, ponieważ produkt nie zmienił ich zachowania ani nie stał się częścią sposobu wykonywania pracy.

Kolejna luka dotyczy ograniczania złożoności. Spodziewałem się, że AI uprości sposób tworzenia i obsługi produktów, ale w wielu przypadkach wprowadza nowe warstwy, w tym logikę promptów, przypadki brzegowe, wyzwania związane z oceną oraz kwestie zaufania. Zamiast usuwać pracę, przenosi ją do nowych obszarów, które nadal wymagają silnej dyscypliny produktowej i inżynieryjnej.

Dlaczego odpowiedzialność musi pozostać po stronie człowieka

Intensywnie korzystam z AI wszędzie tam, gdzie znaczenie mają skala i rozpoznawanie wzorców, a ludzi pozostawiam w procesie wszędzie tam, gdzie o wyniku decydują ocena, ryzyko lub wyczucie.

Po stronie AI polegam na nim najbardziej podczas odkrywania i syntezy. Dostarczam mu transkrypcje, zgłoszenia do działu wsparcia, dane dotyczące wygranych i przegranych transakcji oraz sygnały behawioralne, aby identyfikować powtarzające się problemy, określać ich częstotliwość i mapować je na przepływy pracy. Jest również przydatne na wczesnym etapie ustalania priorytetów — nie do podejmowania decyzji, lecz do testowania założeń poprzez przedstawianie kompromisów, skutków drugiego rzędu i alternatywnych ujęć, których mogłem nie wziąć pod uwagę. Podczas eksperymentów AI pomaga szybko generować hipotezy, tworzyć wersje robocze wariantów i analizować wyniki, szczególnie przy pracy z dużymi ilościami jakościowych informacji zwrotnych.

Tym, co pozostawiam wyraźnie po stronie człowieka, są przekonanie i zaangażowanie. Ostateczne decyzje dotyczące priorytetów, kolejność działań w planie rozwoju produktu oraz to, czego postanawiamy nie budować, nadal należą do zespołu kierowniczego i do mnie. To samo dotyczy decyzji dotyczących UX, które wymagają wyczucia, zaufania i kontekstu emocjonalnego. Kompromisy techniczne również są podejmowane przez ludzi, ponieważ wiążą się z długoterminowym myśleniem systemowym, tolerancją ryzyka i ograniczeniami organizacyjnymi, których AI nie jest w stanie w pełni uwzględnić.

Powód jest prosty: AI doskonale kompresuje informacje i poszerza przestrzeń rozwiązań, ale nie ponosi konsekwencji. Przywództwo produktowe ostatecznie sprowadza się do podejmowania nieodwracalnych lub kosztownych decyzji w warunkach niepewności. Ta odpowiedzialność musi pozostać po stronie człowieka.

Dlaczego liderzy produktu muszą uważać na fałszywe zaufanie w dużej skali

Liderzy produktu często nie doceniają ryzyka fałszywego zaufania w dużej skali.

Systemy AI bardzo dobrze tworzą rezultaty, które wydają się poprawne, nawet gdy takie nie są. Niebezpieczeństwo nie polega na oczywistej porażce. Chodzi o wiarygodną poprawność. O coś, co wygląda właściwie, brzmi pewnie, a jednocześnie jest błędne w sposób, którego nie da się od razu wykryć.

Na małą skalę użytkownik może to wychwycić. W skali produktu ten sam błąd jest powtarzany w tysiącach interakcji, po cichu kształtując decyzje, przepływy pracy i rezultaty.

Widziałem, jak pojawiało się to w obszarach takich jak interpretacja dokumentów, rekomendacje i automatyzacja przepływów pracy. System działa wystarczająco dobrze przez większość czasu, aby użytkownicy zaczęli na nim polegać, ale to przypadki brzegowe niosą ze sobą prawdziwe ryzyko. A te przypadki często mają najpoważniejsze konsekwencje.

To, co czyni tę sytuację szczególnie niebezpieczną, polega na tym, że tradycyjne intuicje produktowe jej nie wychwytują. Nie widzisz spadku zaangażowania ani awarii. Widzisz zaangażowanie. Produkt „działa”. Dopóki nie przestanie.

Ograniczenie ryzyka nie polega wyłącznie na tworzeniu lepszych modeli. Chodzi o projektowanie z myślą o zaufaniu i weryfikacji:

Adam Shares

Liderzy produktów często nie doceniają ryzyka fałszywego zaufania na dużą skalę…To, co czyni tę sytuację szczególnie niebezpieczną, polega na tym, że tradycyjne intuicje produktowe jej nie wychwytują. Nie widzisz spadku zaangażowania ani awarii. Widzisz zaangażowanie. Produkt „działa.” Dopóki nie przestanie.

• Pokazywanie dowodów, a nie tylko odpowiedzi
• Ujawnianie poziomu pewności i niepewności
• Tworzenie jasnych punktów kontrolnych z udziałem człowieka
• Monitorowanie sytuacji, w których system się myli, a nie tylko momentów jego użycia

Ryzyko polega na założeniu, że dokładność skaluje się liniowo wraz z użyciem. W rzeczywistości ryzyko narasta szybciej niż dokładność.

Jak ocena AI może okazać się słaba

AI ma największe trudności tam, gdzie produkt musi rozumieć ludzką stawkę, niejednoznaczność i koszt pomyłki — a nie tylko generować wiarygodnie brzmiącą odpowiedź.

Dobrym przykładem są przepływy pracy związane z zgodnością z przepisami lub wymagające wysokiego poziomu zaufania. Pracowałem nad koncepcjami produktów, w których AI może wyodrębniać informacje z dokumentów, sygnalizować problemy i rekomendować kolejne działania. Na papierze wygląda to jak idealny przypadek zastosowania AI. W praktyce trudność polega na tym, że model może wygenerować odpowiedź brzmiącą bardzo pewnie, jednocześnie pomijając istotny kontekst, błędnie interpretując klauzulę lub nie rozumiejąc, dlaczego jeden wyjątek ma większe znaczenie niż inny.

To natychmiast tworzy problem zaufania. Użytkownik nie pyta: „Czy ten wynik robił wrażenie?”. Pyta: „Czy mogę na nim polegać, nie powodując ryzyka w dalszych etapach?”

Zrozumiałem, że AI często słabo radzi sobie z oceną sytuacji, gdy:

• Kontekst jest częściowy
• Konsekwencje błędu są asymetryczne
• Użytkownik potrzebuje wyjaśnienia, a nie tylko wyniku

Jak AI zmienia strukturę zespołów

AI zmieniło strukturę moich zespołów produktowych — z silosów opartych na rolach w mniejsze, bardziej zintegrowane zespoły zorientowane na system.

W przeszłości zespoły były zorganizowane wokół jasno określonych przekazań: produkt definiuje, projektowanie projektuje, inżynieria buduje, a dział danych analizuje. Ten model załamuje się, gdy AI skraca realizację i wprowadza probabilistyczne systemy wymagające ścisłych pętli informacji zwrotnej.

Obecnie skłaniam się ku mniejszej liczbie osób, które potrafią działać ponad podziałami. Oczekuje się, że menedżerowie produktu będą lepiej rozumieć dane, projektowanie poleceń i logikę przepływów pracy. Inżynierowie są bliżej problemu i kontekstu użytkownika, a nie tylko samej implementacji. Projektowanie w mniejszym stopniu dotyczy statycznych ekranów, a w większym — wzorców interakcji, zaufania oraz zachowania systemu w sytuacjach, gdy jest niepewny lub popełnia błąd.

Obserwowałem również pojawianie się nowych obowiązków, a nie całkowicie nowych ról. Należą do nich:

• Odpowiedzialność za „zachowanie systemu” w przypadkach brzegowych, a nie tylko za optymalny przebieg
• Określanie progów pewności i momentów wymagających udziału człowieka
• Zarządzanie jakością danych i pętlami informacji zwrotnej jako kluczowymi elementami produktu

Jak liderzy produktów powinni korzystać z AI

Moja rada jest prosta: nie używaj AI, aby działać szybciej. Używaj go, aby częściej podejmować właściwe decyzje.

Obecnie większość zespołów koncentruje się na szybkości, większej liczbie funkcji, krótszych cyklach i szybszych wynikach. To oczywista korzyść. Jednak szybkość bez jasności po prostu skaluje błędy.

Rada Adama

Moja rada jest prosta: nie używaj AI, aby działać szybciej. Używaj go, aby częściej podejmować właściwe decyzje…Prawdziwa zmiana polega na tym, że tworzenie nie jest już ograniczeniem. Ograniczeniem jest ocena sytuacji.

Prawdziwa zmiana polega na tym, że tworzenie nie jest już ograniczeniem. Ograniczeniem jest ocena sytuacji.

Dlatego jako lider produktu coraz mniej zajmujesz się napędzaniem realizacji, a coraz bardziej:

• Definiowanie właściwych problemów
• Ustalanie kolejności decyzji
• Dbanie o to, aby to, co zostanie zbudowane, faktycznie zmieniało zachowanie użytkowników

Wykorzystuj AI do poszerzania sposobu myślenia, syntezy istotnych informacji i poddawania pomysłów próbie. Nie zlecaj jednak na zewnątrz podejmowania trudnych decyzji. To właśnie w tym tkwi wartość.

Przeprojektuj także sposób pracy swojego zespołu:

• Traktuj proces odkrywania jako ciągły, a nie jako etap.
• Projektuj z myślą o zaufaniu, a nie tylko o funkcjonalności.
• Twórz systemy, a nie funkcje.

A przede wszystkim oprzyj się pokusie pomijania trudnego procesu myślowego.

Śledź dalsze działania

Możesz śledzić Adama Roota na LinkedInie, gdzie nadal rozwija Sotia, VowVista i inne produkty SaaS ze swojego portfolio.

W The CPO Club pojawią się kolejne rozmowy z ekspertami!