Så blir du AI-produktchef utan erfarenhet (med dr Nancy Li)

Läs transkriberingen:

Vi testar att transkribera våra poddavsnitt med hjälp av ett program. Ha överseende med eventuella stavfel eftersom boten inte har rätt 100 % av gångerna.

Hannah Clark: En varning i förväg: det här kommer att bli ännu ett avsnitt om AI. Jag misstänker att det finns två grupper av lyssnare just nu; personer som hungrigt vill ha information om allt AI-relaterat och personer som tänker ”AI? Snarare A, jag har hört tillräckligt om det här.” Och om du fortfarande lyssnar efter den fruktansvärda ordvitsen antar jag att du tillhör den första gruppen – vilket betyder att du kanske är den perfekta kandidaten för att specialisera dig inom AI-produktledning.

I dag har jag återigen sällskap av dr Nancy Li, som förutom att vara en verklig kraft att räkna med är grundare av Product Manager Accelerator, värd för podcasten Product Insider, har uppmärksammats i Forbes och dessutom är veteran inom AI-produktledning. Dr Li har haft ett mycket unikt perspektiv på både AI-produktområdet och produktkarriärlandskapet under de senaste åren. Därför är hon här för att dela med sig av insiderinformation om hur du kan omvandla din fascination för AI till en livsförändrande karriärmöjlighet. Då sätter vi i gång.

Välkommen tillbaka till podcasten The CPO Club. Dr Nancy, stort tack för att du vill vara med oss igen i dag.

Nancy Li: Tack för att jag får vara med i ert program. Jag hade väldigt roligt när vi spelade in avsnitten förra gången, så det är roligt att komma tillbaka och dela med mig av fler AI-insikter.

Hannah Clark: Ja, absolut.

För dem som inte hörde dig förra gången, kan du ge oss en kort sammanfattning av din bakgrund och hur du hamnade där du är i dag?

Nancy Li: Ja, absolut. Hej allihop, jag är dr Nancy Li, produktfunktionschef som har uppmärksammats i Forbes. Jag har hjälpt tusentals människor att få sitt drömjobb inom produktledning i ledande företag och enhörningsföretag och att fortsätta bli befordrade som produktledare. I dag driver jag mitt eget företag, PM Accelerator, som hjälper människor att utveckla sina karriärer inom produktledning. Jag har också min egen podcast, Product Insider. Där presenterar vi produktledare, till exempel produktchefer från Google, och berättar allt om hemligheterna bakom att bygga framgångsrika produkter.

Jag är själv invandrare och flyttade till USA med 800 dollar på fickan och blev produktfunktionschef på fyra år. Mitt mål är verkligen att ge utbildning inom produktledning, särskilt entreprenöriell utbildning, till människor från medelinkomstfamiljer. Därför har jag delat med mig av många kostnadsfria resurser och hemligheter på YouTube.

I dag har min YouTube-kanal över en miljon visningar. Förra året hade vi också turen att framgångsrikt starta vår egen ideella organisation, PMA Kids, som erbjuder kostnadsfri utbildning inom produktledning för barn från låginkomstfamiljer. Jag är mycket glad över att se människor utvecklas tillsammans med mig och göra personliga framsteg.

Gemenskapen har också vuxit till över 100 000 produktchefer genom allt mitt arbete i sociala medier.

Hannah Clark: Det är ett imponerande CV. Och som grädde på moset har du dessutom byggt en mycket framgångsrik och prisbelönt AI-produkt, eller hur?

Nancy Li: Ja.

Hannah Clark: Kan du berätta lite om den?

Nancy Li: Ja, precis. Det var innan AI blev så populärt.

Produkten jag byggde kallas Smart Cities och använder AI, särskilt datorseende, för att minska antalet bilolyckor. Den produkten byggdes specifikt 2016, när en mycket känd rörelse i olika städer kallades Vision Zero, vilket betyder att man ville minska antalet trafikdödsfall till noll.

Därför kallade jag den Vision Zero. På den tiden försökte vi förstå hur vi kunde hjälpa städer att minska antalet bilolyckor på ett mer heltäckande och skalbart sätt. Som jag nämnde var det ingen som krävde att man skulle använda AI. Vi tittade bara på olika tekniker för att komma fram till vad som kunde fungera – kanske AI, kanske IoT, kanske dataanalys.

Jag visste inte. Till slut bestämde vi oss för att använda AI som en av nyckelteknikerna för att skapa produkten, och den fick senare borgmästarens pris för bästa praxis. Den infördes snabbt i ungefär de tio största städerna i USA. Jag är mycket glad över att se hur AI förändrade människors liv redan för flera år sedan, innan tekniken blev så upphaussad som den är i dag.

Hannah Clark: Och det leder perfekt in på hur AI förändrar människors liv i dag, vilket i vårt fall sker genom specialisering inom AI-produktledning. För att komma i gång: vilka konkreta fördelar kan produktchefer förvänta sig om de satsar på AI som specialisering?

Nancy Li: Ja, bra fråga.

När det gäller AI som specialisering öppnar det definitivt många nya dörrar för nuvarande produktchefer och för alla som vill ta sig in i produktledning. En sak är till exempel en högre lön. AI-produktchefer får generellt ungefär 10 till 20 procent mer betalt än genomsnittliga produktchefer.

För det andra ger det dig faktiskt ett karriärlyft. Jag har till exempel en student som började på Amazon som produktchef för generativ AI. Hon tog bokstavligen sin karriär till nästa nivå. Hon började inte bara på ett ledande företag, utan kunde också bygga mycket inflytelserika produkter för Amazon som kan användas av många människor.

Den tredje saken är hur mycket det kan påskynda din väg in i produktledningsområdet. Jag har till exempel studenter som bestämde sig för att specialisera sig inom AI. Efter att de lagt till många AI-nyckelord och arbetat med olika typer av AI-produkter som projekt i sina CV fick de bokstavligen mycket fler intervjumöjligheter jämfört med andra kandidater.

Det beror helt enkelt på att alla företag nu vill ha med AI i sin färdplan. Vi kan diskutera senare om de borde göra det eller inte, men det är en trend, och den hjälper definitivt människor att ta nästa steg. Det finns också en mycket intressant jämförelse, som liknar det amerikanska uttrycket att skjuta på sittande fågel.

Om du går in i AI-området nu känns det som att skjuta på sittande fågel, eftersom AI under de kommande fem åren, kanske tio eller till och med två år, kommer att lyfta ordentligt. Oavsett om du gör ett okej jobb – förhoppningsvis gör du ett enastående jobb – låt oss säga att du gör ett medelmåttigt jobb inom området: eftersom hela området lyfter som en raket färdas du med raketen.

Det är där din karriär absolut kommer att växa tillsammans med hela området. Jag rekommenderar verkligen alla att titta på AI som sitt nästa karriärsteg.

Hannah Clark: Skulle du kunna gå igenom AI-produktchefens livscykel?

Nancy Li: Ja, gärna. Jag kan använda min egen produkt som exempel.

AI-produktledningens livscykel består specifikt av fyra steg. Det första är idéutveckling och att förstå om AI verkligen kan lösa problemet eller inte. Det andra är att förstå vilken typ av datainsamling som behövs och var vi hittar datan, eftersom data är ett nytt område i den nya AI-eran. Det tredje är att bygga en MVP, och det fjärde är att lansera produkten. Låt mig nu använda ett verkligt exempel för att visa hur man med den här modellen kan bygga en enastående, i mitt fall prisbelönt, AI-produkt.

Det första steget är verkligen att förstå om kunderna har ett verkligt problem eller om vi använder AI för att skapa ett problem åt dem. Det handlar alltså om omvänd ingenjörskonst. Därför är det viktigt att göra en mycket grundlig utvärdering av marknaden. Förstå vilka problem som faktiskt kan lösas med AI och vilka som inte kan det. Jag kan ge ett konkret exempel från en fallstudie jag gjorde i PM Accelerator med mina studenter.

Vi hade en brainstorming. Om du till exempel var vd för Delta, vad skulle du göra under de kommande tio åren? Mina studenter, inklusive jag själv, sade förstås: ”Hej, kanske kan ni göra något med AI.” Den specifika AI-lösning som en av mina studenter skapade under lektionen var dock att använda AI för flygnavigering.

Jag sade: ”Nej, det är fel användningsområde.” Dagens AI, särskilt generativ AI och många andra typer av AI, har en viss sannolikhet att misslyckas – säg 1 procent eller 0,001 procent. Om systemet misslyckas kan människor dö, eftersom det handlar om flygnavigering. Risken är för stor att ta direkt i en verksamhetskritisk styrtillämpning.

Därför måste vi göra mycket djupgående undersökningar kring om vi verkligen behöver AI och hur AI faktiskt kan förbättra tillämpningen avsevärt. När jag byggde min egen Smart Cities-produkt, som jag nämnde tidigare, var det 2016 och det fanns ingen press att använda AI. Ingen tänkte ens på AI. Vi gjorde bara genuin kundutveckling och upptäckte sedan att AI var den bästa metoden och det bästa verktyget att använda. Därför bör man definitivt börja med mycket upptäcktsarbete.

Den andra fasen i livscykeln för AI-produktledning handlar om datainsamling och träning av en datamodell. Data är ett nytt område inom AI, vilket är anledningen till att företag som Scale AI är så populära och att många olika företag och nystartade företag har grundats under den här AI-eran.

När du tränar en modell är det viktigare än någonsin att hitta rätt typ av data. Ibland kan du använda någon annans befintliga modell. Det finns till exempel många mycket bra AI-modeller, såsom ChatGPT. Det finns också andra typer av AI-modeller.

Gemini har sina modeller och andra företag har sina egna AI-modeller. Det finns väldigt många AI-modeller där ute. Du måste därför avgöra vad din beslutsprocess ska vara om du använder en befintlig datamodell. Vilken är bäst? Du kanske kan integrera via ett API. Om du gör det, hur mycket kommer det att kosta att köra direkt ovanpå någon annans modell? Kanske kan du använda vissa modeller från andra och bygga något litet ovanpå dem för att minska den totala kostnaden.

Det finns alltså många olika beslut att fatta kring att träna en modell, samla in data och använda befintliga modeller. Den tredje delen är att bygga en MVP. Att bygga en MVP för AI-produkter är ganska rakt på sak och liknar vanlig produktledning. När du bygger en MVP måste du testa den på marknaden, men med AI-produktledning måste vi dessutom tänka på säkerhet och förtroende. Alla vill inte använda AI, och olika typer av partiskhet kan ta sig in i AI-system. AI-styrning måste därför beaktas när du bygger produkterna.

Helst bör du ta hänsyn till detta så tidigt som möjligt i produktutvecklingens livscykel. När vi byggde vår Smart Cities-produkt var sättet vi byggde vår MVP på mycket intressant. Vi arbetade med en enda stad, Boston, och målet var att använda datorseende för att minska bilolyckor. När vi byggde vår MVP var det dock mycket svårt att verifiera och träna datamodellen med den begränsade mängden olycksdata.

Tänk på saken. Om du vill träna en AI-modell behöver du stora mängder data. I det här fallet försökte vi minska antalet bilolyckor. Hur mycket data om bilolyckor finns det egentligen? För det första måste olyckorna kunna fångas upp, och vi måste också rensa vår data. Dessutom ville vi ibland testa om modellen kunde upptäcka bilolyckor i snö, eftersom Boston har snö i sex månader om året – en hälsning till er som bor i Boston.

Kan man upptäcka bilolyckor under Bostons sex månader långa snösäsong? I sådana situationer är det bokstavligen mycket svårt att samla in data. Vi vill inte heller samla in den typen av data. Vi hoppas att sådana händelser aldrig ska inträffa. Eller hur? När vi byggde MVP:n valde vi därför ett annat tillvägagångssätt. Vi gjorde till exempel två saker. För det första köpte vi viss data direkt.

På den tiden hette företaget Mint AI och där kunde vi köpa olika typer av träningsdata. För det andra skapade vi olika simulerade miljöer. Vi kunde till exempel göra det på en parkeringsplats, där människor låtsades komma nära bilar. Vi skapade också leksaksbaserade scenarier. Det var väldigt roligt.

Vi hade små leksaksbilar som körde på leksakscyklar – allt var baserat på leksaker. I AI-modellen ändrade vi förstås parametrarna för att förstå storleken på en riktig bil. Men vi kunde se om AI kunde upptäcka kollisionen när en leksak körde på en annan leksak och till och med förutsäga kollisionen innan den inträffade.

Vi gjorde många olika saker när vi byggde MVP:n. Jag vill också ge Jensen Huang från NVIDIA erkännande. Vi var faktiskt tidiga användare av NVIDIAs träningsmodell. Redan då, 2016, hade hans team skapat en fantastisk AI-modell för objektdetektering som vi kunde bygga vidare på.

Alla dessa detaljer ingår i att bygga en MVP, och det var mycket spännande. Det handlar om mer än att bara träna en modell. Man måste vara smart och kreativ när man skapar en MVP. Det sista steget är förstås marknadsintroduktionsstrategin. För AI-produkter har marknadsintroduktionsstrategin en traditionell GTM-process som du redan känner till.

Jag har en annan YouTube-video om GTM-strategier som ni kan titta på senare på min YouTube-kanal. Utöver den traditionella GTM-processen måste vi tänka på ytterligare saker, till exempel kundernas och de interna intressenternas införande.

Kundernas införande handlar om riskbenägenhet. Vissa vill helt enkelt inte prova en AI-produkt. Andra kan ha haft en dålig erfarenhet och aldrig komma tillbaka. De kan också vara rädda för att AI ska ta deras data för alltid eller känna att AI kanske kommer att ta över deras arbete och deras jobb.

Vi måste verkligen hantera den typen av slutanvändarinförande. Den andra delen gäller interna intressenter. Genom mitt arbete med produktchefer som bygger framgångsrika produkter har vi upptäckt att inte alla i företaget vill använda AI. Det kan vara ledningen, andra ingenjörsteam eller juridikavdelningen, så det kommer definitivt att finnas motstånd.

Du måste därför lära dig hur du förespråkar AI-produkter i olika situationer. Det är de fyra stegen i AI-produktchefens livscykel.

Hannah Clark: Det var mycket heltäckande och låter också som ett otroligt spännande område att prova på.

Vilka steg kan produktchefer ta för att kvalificera sig för alla dessa spännande roller som AI-produktchef?

Nancy Li: Ja, det är verkligen mycket spännande. Jag brukar tala om de enda fyra vägarna till att bli AI-produktchef. Den första gäller personer som precis har gått ut skolan, och det är faktiskt den enklaste vägen. Om du är nyutexaminerad ska du göra vad som helst inom AI och ta dig in i området först. Du har ingen erfarenhet, så börja omedelbart med ditt examensprojekt.

Du kan arbeta med AI redan under din första praktik. Det behöver inte vara produktledning inom AI eftersom du är nyutexaminerad och bara gör praktik. Du kan vara programvaruingenjör på ett AI-startupföretag eller göra vad som helst för ett AI-startupföretag.

Vi har studenter där en av dem, som går andra året, fick sin första praktik inom produktledning på NVIDIA och arbetade med att bygga NVIDIAs grundmodeller som AI-produktchef. Du kan alltså direkt söka AI-praktik eller praktik som AI-produktchef.

Den andra vägen in i AI-produktledning gäller personer som redan är produktchefer. Om du till exempel har arbetat med IoT eller fintech och inte alls med AI är det enklaste att lära dig om AI. Det finns många olika AI-kurser. Medan vi spelar in den här podcasten lanserar Google också AI-kurser.

Jag uppmuntrar alla som redan är produktchefer att lära sig alla AI-kunskaper i förväg, studera olika stora språkmodeller och jämföra dem för att förstå vilken som är bra och hur man fattar tekniska beslut kring dem. Det är viktiga områden som alla produktchefer i dag behöver börja skaffa erfarenhet av.

Den tredje vägen till att bli AI-produktchef gäller personer som redan har ingenjörserfarenhet från AI-företag. Jag har bokstavligen många AI-ingenjörer och datavetare i PM Accelerator. De kan inte alls produktledning, men de har en unik fördel eftersom de tidigare har byggt AI-modeller.

De kan vara som några av mina egna ingenjörer från tiden då jag byggde Smart Cities. De vet hur man tränar AI-modeller och hur man bygger en MVP eftersom de var en del av hela processen. De skrev inte kraven – det gjorde jag – men produktledningskunskaper är lättare att lära sig jämfört med att lära sig vad en stor språkmodell är och hur man tränar en AI-modell.

Till dessa ingenjörer rekommenderar jag att ni omedelbart lär er allt om produktledning: hur man tar en produkt till marknaden och hur man genomför kundintervjuer. Det kommer att hjälpa er att påskynda processen avsevärt. Den sista vägen gäller personer som saknar både ingenjörserfarenhet och erfarenhet av produktledning.

För dessa personer rekommenderar jag följande tillvägagångssätt. För det första: studera vad AI är. Det är grunden. För det andra: studera vad produktledning är. För det tredje: bygg ett eget praktiskt projekt. Att bygga ett eget praktiskt projekt är det viktigaste sättet för personer med eller utan AI-erfarenhet att visa sin passion för AI-området och sina kunskaper.

Det visar också att du inte bara pratar, utan faktiskt har byggt flera olika AI-tillämpningar som produktchef. Jag vill också göra en åtskillnad här. Som produktchef behöver vi inte lära oss att programmera, men vi kan lära oss enkla metoder. Jag bygger till exempel just nu min egen tillämpning ovanpå ChatGPT. Jag kan inte programmera alls. Jag har en doktorsexamen i materialvetenskap och ändå kan jag fortfarande inte programmera.

Men genom att skaffa praktisk erfarenhet med hjälp av API:er, olika tillägg och ChatGPT:s instruktioner för hur man bygger tillämpningar ovanpå ChatGPT kan man få värdefull erfarenhet.

Allt detta kan användas för att skaffa praktisk erfarenhet och omvandla den till en produktportfölj. Då blir det mycket lättare att övertyga rekryterande chefer om att du kan göra jobbet. Det finns alltså olika steg att följa, och de kommer definitivt att hjälpa dig att utveckla karriären snabbare.

Hannah Clark: Det där var verkligen användbara hemligheter.

Om vi återgår till de självstudiekurser, resurser och andra utbildningar som människor kan använda för att utveckla sina färdigheter – har du några specifika rekommendationer på resurser eller kurser?

Nancy Li: Ja, det finns flera kurser som jag själv har gått och verkligen tycker om.

Min metod är lite annorlunda. Jag går inte bara kurser, utan läser också artiklar, skaffar praktisk erfarenhet och provar olika verktyg. Jag kan ge er några bra alternativ som alla kan börja med direkt. Den främsta resursen är DeepLearning.AI. Det är den självklara källan från Andrew Ng.

Han erbjuder flera kostnadsfria resurser på sin webbplats. Det finns en kurs som jag verkligen rekommenderar. Den tar bara en timme och kommer att förbättra både din förståelse av AI och din praktiska erfarenhet av AI avsevärt. Den handlar om promptteknik. Kursen tar bara en timme och är mycket snabb och kort.

För det andra kan du gå till Coursera och läsa kurser i maskininlärning. Coursera samarbetar med olika företag, bland annat IBM och DeepLearning.AI, och skapar kurser i maskininlärning. Jag rekommenderar även kurserna från DeepLearning.AI. De har kurser i maskininlärning som ger en mer heltäckande förståelse av ämnet. Du behöver också lära dig om djupinlärning – vad djupinlärning är. Jag rekommenderar också att alla läser olika artiklar som publiceras av NVIDIA. Jag är återigen ett stort fan av NVIDIA.

Jag har känt vd:n i ungefär åtta år. Det är otroligt. Han är mycket smart. Jason är verkligen mycket smart. NVIDIA publicerar många artiklar baserade på de grundmodeller som de har byggt internt. Andra, som jag och mitt team, kan sedan bygga tillämpningar ovanpå deras befintliga ramverk.

Min bästa vän, som jag har känt i ungefär tolv år och fortfarande är bästa vän med i dag, arbetar som ledande programvaruingenjör med att skapa sådana AI-ramverk för NVIDIA. Alla behöver lära sig om dessa AI-ramverk på en övergripande nivå. Som jag sade tidigare, när det gäller att lära sig AI-produktledningens livscykel behöver du inte alltid bygga allt själv. Ofta handlar det om att använda andras befintliga arbete.

Jag rekommenderar att ni besöker NVIDIAs webbplats, där ni kan lära er genom utbildningsinnehåll och förstå vilka befintliga ramverk ni kan använda. Nästa alternativ är kanske överraskande nog Google. Google har också lanserat en AI-produkt som heter BlackRock och lägger till många olika tillämpningar ovanpå AWS i dag.

De har också mycket enkla beskrivningar av vad AI-ramverk är och vilka typer av tillämpningar och användningsfall som kan byggas ovanpå AI. Allt är mycket enkelt och kort, och ibland finns det videor. Ni kan använda dessa resurser också. Jag har förstås en fullständig lista över olika AI-kurser på min webbplats drnancyli.com/aicourses. Där finns en lista över alla AI-kurser som jag personligen har gått och utvärderat. Jag tycker att alla bör ta en titt där. Gå till drnancyli.com/aicourses för att få tillgång till alla kurser och börja lära dig för nöjes skull.

Det här är alltså rekommenderade AI-kurser för att fräscha upp dina AI-kunskaper.

I PM Accelerator har jag förstås också min egen kurs i AI-produktledning. Den fokuserar mer på vad produktchefer behöver göra dagligen, hur hela livscykeln för produktledning ser ut och hur man fattar viktiga tekniska beslut och väljer olika modeller som produktchef.

Ni kan gå till min webbplats och läsa mer om kurserna i produktledning. Jag har förstås också min egen version av en kurs i AI-produktledning. Den är främst specialiserad på produktledning för AI-produktchefer. Där talar vi mycket om hela livscykeln för produktledning, praktisk erfarenhet och att bygga verkliga AI-produkter tillsammans med mig, så att du får något att visa upp i din produktportfölj.

Där får du också en sammanfattad version av olika tekniska AI-kunskaper, så att du kan påskynda inlärningsprocessen. Var och en av AI-kurserna där ute tar ungefär två månader att slutföra och tio timmar varje vecka. Därför ger kursen dig en genväg och berättar exakt vad en AI-produktchef behöver behärska.

Hannah Clark: Då har vi gått igenom det enorma landskapet av kurser och resurser för personer som vill lära sig mer om AI.

Låt oss nu tala lite om arbetsgivarna. Känner du till några specifika företag som verkligen satsar på att anställa produktchefer med AI-specialisering?

Nancy Li: Ja, det finns många. Varje vecka dyker det upp nya arbetsgivare och nya jobbmöjligheter. Det finns till exempel flera spännande nyheter. Amazon rekryterar aggressivt AI-produktchefer, särskilt produktchefer för generativ AI, till vissa avdelningar som jag inte kan berätta om.

Av den information jag har upptäckt framgår att vissa Amazon-avdelningar har börjat byta ledning. Vice verkställande direktören slutade, direktören slutade och sedan anställdes en ny ledning. Den nya ledningen är mycket positiv till AI.

Den gamla ledningen var emot AI och ville använda traditionella metoder för att avgöra om AI verkligen behövdes eller om man inte borde hoppa på AI-trenden direkt. Den nya AI-inriktade produktledningen vill däremot verkligen satsa på AI. Därför byter företaget ut befintliga produktchefer som inte kan så mycket om AI och anställer nya AI-produktchefer. De gamla placeras på en prestationsförbättringsplan och de nya börjar långsamt ta över, en efter en.

Det är sorgligt att se, men det är Amazons kultur. De har en kultur som bygger på snabb tillväxt, så jag blir inte förvånad. Det betyder också att de just nu anställer många AI-produktchefer till vissa av Amazons avdelningar. Netflix är förstås också en aktör.

De anställer alltid AI-produktchefer. Förra året tror jag att ni redan läste nyheten om att Netflix betalade 900 000 dollar per år i lön till en senior AI-produktchef för att skapa AI-genererat innehåll. Det finns också andra mycket framstående AI-startupföretag som ni kanske aldrig har hört talas om, men som växer mycket snabbt.

Ett startupföretag som jag personligen tycker mycket om heter Inkitt. Jag har en student som just nu intervjuas av företaget, och deras idé är mycket revolutionerande. De är ungefär som Netflix för läsare. I dag läser människor romaner och deltar i olika läsecirklar. De kan gå till det här företaget för att läsa, men också interagera med karaktärerna i böckerna med hjälp av AI.

Kan ni föreställa er att ni tittar på Game of Thrones eller läser om Game of Thrones och kan ställa frågor direkt till Daenerys med hjälp av AI? Karaktärerna skapas verkligen av AI. Företaget har redan tagit in mycket kapital och börjar bli allt mer populärt och användas mycket av nya AI-produkter i läsargrupper.

Det finns alltså inte bara ett sådant företag, utan många olika AI-startupföretag. Man måste hålla noggrann uppsikt. Jag rekommenderar att alla besöker TechCrunch. Där talar man mycket om nya tekniska startupidéer, nya teknikföretag som tar in kapital och alla dessa är fantastiska möjligheter att upptäcka nya AI-möjligheter.

Hannah Clark: När vi börjar närma oss slutet vet jag att du nämnde att det finns tydliga löneincitament för att utveckla en AI-specialisering. Finns det andra typer av ersättningsaspekter som du vill lyfta fram för personer som funderar på att utveckla AI-kompetens och som kanske skulle uppmuntra dem att ta det på allvar som nästa karriärsteg?

Nancy Li: Ja. När jag först nämnde att AI-produktchefer får bättre betalt var det sant. Jag vill också dela med mig av den andra sidan av lönen och hur man kan se på lön ur ett annat perspektiv. För det första är det sant att AI-produktchefer får bättre betalt, men jag vill också betona vilken effekt man kan skapa genom AI, vilken effektivitet man kan skapa i vardagen och möjligheten att bygga appar som man själv tycker om.

Jag älskar verkligen att prata med vissa karaktärer i Game of Thrones, till exempel. Dessutom vill jag att människor verkligen delar upp lönen. Om du börjar på ett börsnoterat företag – jag har studenter som har börjat på alla ledande företag och även på företag som inte är ledande, till exempel Snowflake och andra företag på den nivån – kan de betala mina studenter över 400 000 dollar per år som AI-produktchefer.

Startupföretag kanske inte ger dig 450 000 dollar kontant. De 440 000 dollarna är kontanta erbjudanden. Ett startupföretag kanske i stället erbjuder en grundlön, till exempel 160 000 dollar, men ger dig mycket ägarandelar. Tänk på hur mycket ägarandelarna kan vara värda om företaget blir nästa miljonföretag – det vet vi aldrig.

Därför råder jag alla att välja startupföretag mycket klokt. Du måste vara i linje med företagets uppdrag och skapa rätt påverkan. Du måste också välja rätt häst. Du vet aldrig, kanske börjar du på nästa Google. Då är det du som pratar i den här podcasten nästa gång och kanske också gästar min egen podcast. Jag kommer att bjuda in er för att prata om vilken AI-produkt man ska välja. Var klok när du väljer nästa karriärsteg. Hoppa inte bara in i AI-området direkt. Välj rätt häst.

Hannah Clark: Med det vill jag tacka dig ännu en gång för att du ville vara med oss, dr Nancy Li. Jag vet att du har nämnt några av resurserna som människor kan hitta på din webbplats.

Finns det någon annanstans där människor kan följa ditt arbete på nätet?

Nancy Li: Ja. Ni kan gå till min podcast, podcasten Product Insider med dr Nancy Li. På min YouTube-kanal kan ni söka efter dr Nancy Li, produktfunktionschef. Ni kan också skicka ett direktmeddelande till mig på LinkedIn. Jag är mycket aktiv på LinkedIn och svarar på alla meddelanden när människor kontaktar mig. Gå till LinkedIn och sök efter dr Nancy Li. Där hittar ni min närvaro i sociala medier. Ni kan också gå till min webbplats, drnancyli.com/aicourses, och ta del av de kostnadsfria resurser jag har samlat åt er.

Hannah Clark: Fantastiskt. Tack så mycket för att du ville vara med oss igen. Det har varit mycket intressant att lära sig om detta. Det är verkligen ett spännande område som människor bör känna till.

Nancy Li: Tack för att jag fick vara med i programmet, Hannah, och låt oss hålla kontakten. Allihop, låt oss tillsammans kliva in i AI-eran.

Hannah Clark: Tack för att ni lyssnade. För fler bra insikter, guider och verktygsrecensioner kan ni prenumerera på vårt nyhetsbrev på theproductmanager.com/subscribe. Ni kan höra fler samtal som detta genom att prenumerera på The CPO Club där ni brukar hitta era poddar.