Så tar du dig in i produktledning 2025 (med Mariana Antaya, produktchef på Microsoft)

Läs transkriberingen:

Vi testar att transkribera våra poddar med hjälp av ett program. Ursäkta eventuella stavfel, eftersom boten inte har rätt 100 procent av gångerna.

Hannah Clark: Ni vet när man springer på någon som man inte har sett på väldigt länge och någon av er säger: “Så, vad är nytt med dig?” Och det faktiskt har gått så lång tid sedan ni sågs senast att ni inte ens vet var ni ska börja? Så kände jag när jag pratade med Mariana Antaya, som var gäst hos oss i februari 2024.

När Mariana var med i programmet då hade hennes karriär som produktchef precis börjat, hon hade precis lanserat sitt TikTok-konto och hon var inne på sitt tredje år som grundare av quantifAI, ett verktyg för optimering av kryptostrategier. Men hon kom med några mycket praktiska tips för blivande produktchefer som ville ta sig in i området, vilket än i dag är vårt mest nedladdade avsnitt någonsin.

Och just nu kan jag knappt tro att det bara var ett år sedan. Sedan dess har AI blivit mainstream, arbetsmarknaden inom teknik ser helt annorlunda ut och våra respektive plattformar har vuxit betydligt. Därför tyckte vi att det verkligen var dags att bjuda tillbaka Mariana till programmet för att prata ikapp och, ännu viktigare, ge dagens blivande produktchefer koll på vad de behöver veta för att lyckas som produktchef 2025. Nu kör vi.

Förresten har vi sådana här samtal varje vecka, så om det här låter intressant för dig, varför inte prenumerera? Okej, nu kör vi.

Välkomna tillbaka till podden om produktchefer. Vi har ett mycket speciellt avsnitt i dag. I dag har vi med oss Mariana Antaya, som faktiskt medverkade i vår podd för lite mer än ett år sedan. För er som inte har följt oss så länge känner jag mig som en mamma, en stolt mamma, när jag berättar den här historien. Mariana är inte min dotter, men jag är ändå väldigt stolt, eftersom vi träffades genom att hon kontaktade oss på LinkedIn. Hon kommenterade på ett inlägg om ett av våra avsnitt och skrev lite i förbifarten: “Jag skulle gärna vara med i en podd någon gång.”

Och Becca, vår producent, och jag pratade och tänkte: “Låt oss bjuda in henne, låt oss se vad hon går för.” Det slutade med att det blev vårt mest populära avsnitt genom tiderna, med ganska stor marginal. Så Mariana är produktchef på Microsoft nu, och jag pratar om henne som om hon inte satt här bredvid mig. Tack för att du är med.

Mariana Antaya: Självklart. Absolut. Jag är jätteglad över att återförenas med dig och få prata om det senaste och bästa inom AI och produkter. Det har varit en resa. Vi har båda utvecklats så mycket, så jag är väldigt stolt.

Hannah Clark: Jag med. Herregud.

Okej, när vi pratade senast höll vi precis på att starta det här programmet. Du höll precis på att få fart på din karriär. Du hade börjat med TikTok ganska nyligen. Vi hade börjat spela in och publicera avsnitt ganska nyligen. Vi har båda upplevt en enorm förändring i våra liv. Så nog om oss. Berätta om dig. Vad har hänt i din karriär? Vad har hänt med ditt innehåll i sociala medier? Berätta allt.

Mariana Antaya: Ja, toppen. Min karriär går väldigt bra. Jag är fortfarande på Microsoft och vi har definitivt skiftat mot ett större fokus på AI-produkter och AI-strategi, precis som de flesta företag också har gjort. Det har varit väldigt fascinerande att se hur den förändringen verkligen äger rum och växer inom företagskulturen.

När det gäller innehållet skapar jag mycket produktinnehåll, men också mycket innehåll om artificiell intelligens. Jag lyfter verkligen fram användningsområden för AI i företag eller användningsområden som min publik tycker är väldigt fascinerande i vardagen. En av de senaste sakerna jag gjorde var att förutsäga resultatet i ett Formel 1-lopp, vilket är en hobby jag själv har.

Och jag tänkte: varför inte bara publicera det och se om människor kan relatera till det? Det verkar som att människor verkligen uppskattar alla kodningsprojekt och de riktigt häftiga användningsområden som AI har synliggjort.

Hannah Clark: Ja, absolut. Och jag ser verkligen fram emot att gå in på det här, eftersom vi ofta pratar med personer som befinner sig på toppen av sin karriär, produktchefer och vice presidenter för produkt som tittar på hur man implementerar AI i en organisation ur ett ledarskapsperspektiv. Nu pratar vi verkligen med någon som använder det i praktiken och arbetar med det dag ut och dag in.

Så låt oss prata lite om skiftet i kultur och AI. Vi kommer att ha en hel del om AI, men mer generellt: när du tänker på hur produktkulturen såg ut när du började din karriär och på de personer som kommer in nu och är mer juniora än du, vad är annorlunda i dag?

Mariana Antaya: Det har definitivt skett en stor förändring i fråga om hur långt tekniken har utvecklats. För det första tror jag inte ens att ChatGPT fanns när jag började.

Nu använder vi det varje dag i vårt arbetsflöde. Det är alltså en förändring: själva tekniken har utvecklats så mycket på så kort tid. Med det följer möjligheten att integrera och förstå användningsområdena för hur ett stort företag kan införliva detta i sina arbetsflöden och faktiskt tillhandahålla de användningsområden och lösningar som kunderna vill använda.

Det har alltså skett ett väldigt stort kulturskifte, från ett mer holistiskt angreppssätt till ett som nu också är lite mer experimentellt. Man försöker iterera snabbare för att bättre förstå vilka användningsområden kunderna är villiga att betala för och faktiskt köpa, eller vilka användningsområden som faktiskt kommer att fungera på den här nya marknaden.

Det är definitivt mer experimentellt och tempot är högre än när jag började.

Hannah Clark: Något vi pratar mycket om, både som en del av kulturen och inte bara i programmet, är uppsägningar och den sorts instabilitet som finns på teknikmarknaden. Jag undrar hur du ser på det: är det en tid då personer som vill ta sig in i yrket möter större konkurrens, eller handlar det snarare om att företag söker andra kompetenser?

Mariana Antaya: Jag tror att man kommer att börja leta efter andra och mer nischade kompetenser för de här användningsområdena. Om du är ämnesexpert tror jag verkligen att det kommer att märkas i den här eran, eftersom specifika instruktioner eller specifika användningsområden för en viss målmarknad verkligen kommer att få genomslag.

Så om du verkligen kan fokusera på en nisch där du har ämneskompetens eller praktisk erfarenhet, är det enligt mig det som kommer att göra dig till en mycket framgångsrik produktchef på den marknaden.

Hannah Clark: Det låter väldigt rimligt. Låt oss gå över till AI-delen. Jag vet att vi båda verkligen vill prata om den. Vi delar upp den i några olika avsnitt. Låt oss först fokusera på din vardag. Vi kommer att prata om att bygga med AI om en stund.

Du nämnde att ChatGPT är en del av ditt dagliga arbetsflöde, och jag är säker på att det har smugit sig in i en massa olika funktioner. På vilka olika sätt använder du AI för att få ditt dagliga arbete gjort?

Mariana Antaya: De största användningsområdena för mig är att använda det som marknadsundersökare och för att göra konkurrensanalyser. Jag behöver alltså inte längre vänta på att en undersökare ska ta fram informationen åt mig, eller på ett stort företag som anlitats för att göra all marknads- och konkurrensanalys. Inte ens jag själv behöver lägga lika mycket tid på att gå igenom kunderna eller konkurrenterna och se vilka nya funktioner de har.

Jag kan bara be en stor språkmodell att sammanställa en marknadsundersökning åt mig, berätta vilka luckor min produkt har jämfört med deras och hjälpa mig förstå hur vår produkt kan ligga steget före. Det är ett av de mest praktiska användningsområdena. Ett annat är att skapa produktspecifikationer. AI kommer inte att ta våra jobb som produktchefer bara för att den kan skriva en produktspecifikation.

Även med vissa av de stora språkmodellerna behöver man fortfarande den mänskliga interaktionen och komponenten, eftersom det är vi som faktiskt pratar med kunder hela dagarna. Att kunna ha den mänskliga kontakten är viktigt, men det ger mig en riktigt bra utgångspunkt för de produktspecifikationer jag skriver, oavsett om det gäller en ny funktion eller flera funktioner.

Det är alltså ytterligare ett användningsområde med mycket mänsklig kontakt som jag tycker om att använda AI till.

Hannah Clark: Ja. Okej. Jag tror att vi hittar nya sätt varje dag. Vi har haft gäster som pratat om att använda AI för att bli effektivare på att tolka data från användarintervjuer och om olika sätt att träna den att svara som en användarpersona.

Ja, det är verkligen innovativt – de olika sätten att stödja arbetsflödet som inte var möjliga tidigare.

Mariana Antaya: Även att skapa agenter. Att skapa agenter är fantastiskt. Jag kunde skapa en agent som i princip bygger många av de instrumentpaneler jag har för mina funktioner. Jag behöver alltså inte längre lägga timmar på att bygga instrumentpaneler för att se alla användarmätvärden, vilket är något vi som produktchefer är starkt beroende av. Vi behöver också data för att underbygga våra hypoteser.

Ja, att bygga agenter för saker man gör väldigt repetitivt har också förändrat spelplanen.

Hannah Clark: Ja. Vi gjorde ett fantastiskt avsnitt med Tal Raviv för ett tag sedan om hur man bygger en AI-biträdande assistent för produktchefer. Han tog oss igenom processen, och att bara höra honom prata om det fick en att tänka: det här kan man verkligen göra. Det var så häftigt.

Och när vi går över till kompetenserna: när vi väl är inne i området kommer vi uppenbarligen att använda AI hela tiden. Men hur förbereder man sig om man just nu, säg, är en blivande produktchef? Jag är säker på att fler än några få som lyssnar vill veta: vad behöver jag känna till, eller vad bör jag bli bekväm med, innan jag börjar söka jobb där jag kommer att använda AI hela tiden?

Mariana Antaya: Jag tror att en av de mest relevanta kompetenserna du kan lära dig, särskilt som blivande produktchef, är promptteknik och förmågan att experimentera med olika stora språkmodeller. Och vilka användningsområden som passar bäst för olika modeller. När jag till exempel skriver kod tycker jag verkligen om att använda Claude. Claude Sonnet 3.7 är fantastisk.

För kodskrivning föredrar jag Claude, medan jag hellre använder något som ChatGPT för konkurrensanalyser eller produktplanering, eller till och med för att hjälpa mig strukturera instruktioner till andra stora språkmodeller. Jag kan faktiskt skriva till ChatGPT: hej, hur ska jag formulera en instruktion till den här språkmodellen för att få ett optimalt resultat för X, Y och Z? En av de bästa och mest värdefulla kompetenserna du kan lära dig som blivande produktchef är alltså promptteknik, att utforska och till och med att bygga din egen produkt.

Det finns också hela fenomenet med intuitiv kodning nu, och det är ett fantastiskt sätt att verkligen använda dina produktkunskaper, även om du är en icke-teknisk produktchef. Du kan bokstavligen be en stor språkmodell att skapa en produkt, försöka ta fram en strategi för marknadsintroduktion och försöka sälja produkten.

Försök att gå till kunder och fråga dem om deras erfarenheter av att använda produkten. Det är verklig produkt erfarenhet som du får, och det är något som egentligen inte lärs ut i skolor. Det är väldigt värdefull erfarenhet som också kommer att kunna överföras till verkligheten. Så det är definitivt en av de viktigaste punkterna jag vill lyfta fram.

Hannah Clark: Ja, absolut. Jag är väldigt entusiastisk över den här nya trenden med intuitiv kodning. Jag ska gå en workshop om det senare den här veckan och ser verkligen fram emot att sätta mig in i det. Så vi kommer snart in på promptteknik.

Jag vill prata lite om att bygga AI-produkter. Den andra sidan, den som är mer kundinriktad. Du nämnde intuitiv kodning som ett sätt att komma igång med att bygga produkter för kunder. Men att bygga AI-produkter specifikt är något helt annat som har förändrats i AI- eller produktledningslandskapet. Du gör det just nu, så hur är det? Hur kan man förbereda sig för att bygga AI-produkter?

Mariana Antaya: Jag tror att en stor del handlar om att förstå att alla befinner sig på den här resan tillsammans just nu. Vi experimenterar alla. Vi vet ännu inte riktigt vilka de stora användningsområdena är som människor verkligen kommer att dras till, vilka kunder som faktiskt är villiga att betala och vilken marginal de är villiga att betala för den funktionen eller produkten.

För det första är vi alltså alla med på den här resan tillsammans. För det andra handlar det om att verkligen experimentera med modeller. Jag tycker att vi som produktchefer har så många olika modeller till vårt förfogande, och vi måste samarbeta mycket nära med ingenjörerna för att säkerställa att noggrannhet verkligen prioriteras, liksom svarstid.

Vi ser nu att den ökade komplexiteten i programvaror kommer att öka tiden innan saker visas på skärmen, till exempel. Därför blir det viktigt att verkligen förstå förhållandet mellan risk och belöning: hur länge är användaren villig att vänta för att få den ytterligare nyttan?

Och där ska produktchefen kliva in och verkligen analysera. Det är också viktigt att hålla en mycket nära kontakt med kunden. Att förstå kundens arbetsflöde blir avgörande. Kanske fungerar det inte i kundens arbetsflöde att vänta fyra eller fem sekunder på att få se en extra AI-genererad sammanfattning. Därför är det viktigt att kunna förstå de utmaningarna.

Hannah Clark: Ja, det är en bra poäng.

Låt oss gå vidare till promptteknik. Du nämnde att det här är en viktig kompetens. Jag tror inte bara att det är en viktig kompetens för våra produktchefer som vill utvecklas, eller för personer som strävar efter att bli produktchefer. Det här är en ny kompetens för alla, och jag tror inte att någon kan bli för bra på den.

Så hur ser din introduktion till promptteknik ut? När du funderar på att skapa en prompt av hög kvalitet, vad är det viktigaste att tänka på?

Mariana Antaya: Ju mer information och ju mer sammanhang du kan skriva in i prompten, desto bättre. Om din prompt är väldigt vag kommer du med största sannolikhet att få ett väldigt vagt svar tillbaka.

Att verkligen visa ditt resonemang steg för steg är alltså ett bra sätt att formulera bättre prompts. Säg till exempel: analysera X, Y och Z i steg ett, steg två och steg tre. Även formateringen av dina prompts kan hjälpa på det sättet. Det finns också nyare resonemangsprompts som nyligen har kommit. Därför är det ganska viktigt att förstå vilken typ av modell du vill använda för din prompt, men det kan också vara bra att be modellen om ytterligare detaljer.

Var inte rädd för att säga till den stora språkmodellen att den gjorde ett dåligt jobb. Rätta modellen i så fall för att få den prompt du vill ha. Eller, som jag nämnde tidigare, fråga en annan stor språkmodell: hej, hur kan jag få det mest effektiva resultatet från den här språkmodellen? Det finns också personer som har skrivit artiklar om detta.

Det är alltså definitivt viktigt att kunna förklara och strukturera sin prompt och samtidigt ge den så mycket sammanhang som möjligt. Lägg till alla dokument, bilder, böcker och allt annat du behöver i modellens informationsunderlag, så att den kan förstå var du kommer ifrån och vilket sammanhang du behöver. Jag tror att det är ett av de mest effektiva sätten jag har hittat för att bli bättre på promptteknik. Man måste också förstå att man måste tala om för den stora språkmodellen vilken roll den ska ha.

Säg till ChatGPT: tänk på dig själv som en dataforskare, eller tänk på dig själv som en senior produktchef på företag X, Y eller Z. Att ge modellen en identitet är också ett bra sätt att strukturera prompts. På så sätt börjar den tänka mer i den riktningen.

Hannah Clark: När vi går vidare till att iterera på saker, eftersom du nämnde att man ska korrigera stora språkmodeller: något jag har börjat göra och som verkligen har fungerat bra är att sluta en återkopplingsloop med dem. Om den ger mig ett resultat och jag ändrar resultatet innan jag använder det, skickar jag tillbaka det och säger: här är vad jag har gjort med ditt senaste resultat.

Kom ihåg detta så att du kan ge mig ett effektivare eller mer exakt resultat senare. Det verkar ofta styra den i rätt riktning, vilket jag har tyckt varit väldigt användbart och enkelt. Men vilka tips har du själv plockat upp, eller vilka små knep har du för att få bättre och bättre resultat varje gång?

Mariana Antaya: Jag är fortfarande på den resan och den vägen själv. Utöver att ge den mer sammanhang, som i tipsen jag delade, lär jag mig fortfarande. Jag är inte själv expert på promptteknik. Jag försöker definitivt bara iterera på svaret, eller ibland skriver jag in samma prompt i en annan stor språkmodell och ser vilket svar jag får.

Testmiljöer är särskilt användbara för det här, eftersom det finns verktyg – även i GitHub och NES har en sådan funktion – där man kan jämföra resultatet från två olika modeller sida vid sida. Det är ett väldigt bra sätt att bättre analysera vilken stor språkmodell som ger det mest exakta svaret eller ett svar som är bättre anpassat till det man vill ha.

Hannah Clark: Det var ett riktigt bra tips. Ja, jag antar att det är så man kan avgöra om Claude eller ChatGPT passar bättre för en viss uppgift. Jag undrade faktiskt över det: fanns det någon särskild anledning, eller finns det nyanser i varför du valde att använda ChatGPT för mer analys och Claude för kodskrivning? Märkte du någon särskild skillnad i de specifika användningsområdena jämfört med de andra?

Mariana Antaya: Ja, absolut. Om vi tar kodning som exempel: när jag försöker koda med ChatGPT händer det ofta att jag får ett felsvar, eller att jag får ett fel när jag kör koden och sedan skriver in felet i ChatGPT. Ibland lyckas den inte rätta felet.

Det kan krävas flera försök innan modellen rättar felet, medan jag har en mycket högre träffsäkerhet med Claude. Jag tycker helt enkelt att Claude skriver mycket renare och mer koncis kod. Därför föredrar jag Claude. Men det här är små nyanser som man inte känner till om man inte verkligen provar och experimenterar med de stora språkmodellerna.

Hannah Clark: Det är intressant, för jag märker samma sak. Jag upplever nästan att Claude är en mer kreativ tänkare, om man kan säga så. Det känns lite konstigt att använda kreativitet i samma sammanhang som stora språkmodeller, eftersom det är ett så obekvämt område. Men jag tycker att den är mer effektiv för det jag har använt den till, som att ta fram marknadsföringsmaterial, medan ChatGPT – ja, jag håller med – verkar lite effektivare eller ger bättre resultat när det gäller forskning eller mer analytiskt arbete.

Varför föredrar du ChatGPT för sådana uppgifter? Varför tycker du att ChatGPT är bättre på mer analytiska uppgifter?

Mariana Antaya: Jag tycker att den forskning den kan göra är mycket djupgående. Den är mer exakt och sättet som forskningen presenteras på är väldigt anpassningsbart. Jag kan säga: hej, jag vill ha ett diagram, eller ge mig en rapport. Den resonerar mer kring det jag ber den att göra.

Det handlar alltså också om personliga preferenser utifrån användningsområdet, vad du ska använda den till och vilken roll du har. Det finns definitivt en personlig preferens där.

Hannah Clark: Ja, jag håller helt med. Vi pratade faktiskt om det här internt, och många av oss tyckte om hur Claude använder sepiafärger. Något så enkelt som en liten förändring i användarupplevelsen gör det lättare för ögonen, så det gör faktiskt skillnad.

Jag ska inte hålla dig kvar för länge, så tack så mycket för att du tog en paus från ditt hektiska liv för att prata med oss och hinna ikapp. Men för dem som inte kan få nog och vill prata mer med dig, eller följa det du gör, var kan man hitta dig på nätet?

Mariana Antaya: Du hittar mig på LinkedIn under Mariana Antaya, eller alltid på TikTok och Instagram under @mar_antaya. Jag lägger upp en massa videor om kodning, produkter och AI där.

Hannah Clark: Toppen. Tack för att du var med.

Mariana Antaya: Jag pratar och samarbetar alltid gärna med dig. Om du vill ta en digital fika och prata är det bara att kontakta mig på LinkedIn.

Hannah Clark: Tack så mycket. Tack.

Tack för att du lyssnade. För fler fantastiska insikter, guider och verktygsrecensioner kan du prenumerera på vårt nyhetsbrev på theproductmanager.com/subscribe. Du kan höra fler samtal som detta genom att prenumerera på The Product Manager där du hittar dina poddar.