CPO och AI-inriktad grundare delar hur man intelligent hanterar en färdplan med AI

Tara Sakhuja är CPO på Luv or Pop och grundare av det AI-infödda företaget Data Dumpling. Innan dess arbetade hon med produktutveckling på företag som Meta och Bumble.

Vi satte oss ner med Tara för att lära oss hur hon förändrar sina PM-arbetsflöden med AI. Under samtalet delade hon också med sig av en av de största fallgroparna för personer som bygger AI-produkter.

Intelligenta produkter, intelligent byggda

Jag heter Tara Sakhuja. Jag arbetar i skärningspunkten mellan AI, produktstrategi och mänskligt beteende.

Jag är grundare och vd för Data Dumpling, en AI-plattform som hjälper företag att förstå vilka deras kunder är, vilka signaler som spelar roll och var deras team bör fokusera. Jag är också produktchef på Luv or Pop, där vi tänker om dejting och nätgemenskaper genom en av världens mest virala programserier, Pop the Balloon or Find Love with Arlette Amuli.

Innan dess tillbringade jag ett decennium med att bygga produkter på Meta och senare på Bumble, där jag arbetade med annonser, handel, företagsmeddelanden, integritet, tillit och maskininlärningssystem.

En enda fråga knyter samman alla dessa erfarenheter: Hur bygger man system som hjälper människor att fatta bättre beslut?

På Meta byggde jag system som användes av miljarder människor. På Bumble fokuserade jag på säkerhet, tillit och hur AI påverkar djupt mänskliga upplevelser. Nu bygger jag som grundare AI-infödda produkter från grunden.

Vi går in i en av de största förändringarna inom produktutveckling sedan mobilens genombrott. Den största förändringen är inte att produkterna blir intelligenta. Det är att sättet vi bygger produkter på också måste bli intelligent.

Nästa generations produkter

Data Dumpling är AI-inbyggt från grunden. Det kopplar samman företagsinformation, köpkommittéer, relationssignaler och avsikter i realtid, vilket hjälper team att identifiera sina mest värdefulla möjligheter och förstå vilken åtgärd de bör vidta härnäst. Vi arbetar med företag inom företagsteknik, konsultverksamhet och industrisektorn och hjälper intäktsteamen att gå från statiska listor och manuell research till AI-drivna beslutssystem.

På Luv or Pop leder jag produktstrategin för en social konsumentplattform som förnyar dejting med fokus på tillit, identitet och gemenskap. Vi har skalat upp till tiotusentals användare i USA, Storbritannien, Kanada och delar av Afrika och byggt system för verifiering, matchning och äkta mänsklig kontakt.

Även om produkterna verkar väldigt olika är den underliggande produktfilosofin densamma: Nästa generations produkter kommer inte bara att hjälpa människor att utföra mer arbete. De kommer att hjälpa människor att fatta bättre beslut.

Oavsett om det handlar om att hjälpa ett GTM-team att hitta sin nästa kund eller att hjälpa någon att hitta en meningsfull relation, är utmaningen att utforma teknik som förstärker det mänskliga omdömet.

Hur AI gör det möjligt för mindre team att uppnå produktmässig stringens

En av de största förändringarna för mig är hur AI har ökat den operativa hävstångseffekten för små produktteam.

När jag arbetade på Meta hade vi en omfattande infrastruktur för beslutsfattande. Dedikerade team, mogna plattformar för experiment, instrumentpaneler, datavetare, forskare och analytiker hjälpte produktteamen att förstå användarnas beteende och fatta bättre beslut.

Historiskt sett var det bara företag med hundratals eller tusentals medarbetare som kunde uppnå den nivån av produktmässig stringens. AI förändrar det.

Även med mina mindre team använder vi AI flitigt för att förstå användarinteraktioner och avgöra våra nästa fokusområden.

Vi kopplar våra produktdata till Claude och använder verktyg som Mixpanel för att förstå användarnas beteende. Tidigare skulle ett litet team lägga betydande tid på att bygga instrumentpaneler, skriva frågor och manuellt analysera mönster innan de tog itu med produktfrågan. Nu kan vi ha en dialog med våra data.

Så när vi lanserar en ny funktion eller genomför en kampanj kan vi snabbt förstå:

• Vilka användarsegment reagerar?
• Var faller människor bort?
• Vilka beteenden korrelerar med kvarhållning?
• Vad bör vi testa härnäst?

Det betyder inte att AI fattar beslutet åt oss. Det förändrar var vi lägger vår tid.

Människans roll förflyttas från att hämta data till att ställa bättre frågor.

En modell kan identifiera förändringar i mätvärden, segmentera förändringen och föreslå möjliga förklaringar, men i slutändan kan mänskligt produktomdöme faktiskt tala om för dig vilka hypoteser som är trovärdiga, om förändringen spelar någon roll och vad du bör göra härnäst.

Hur snabb prototypframtagning förändrar samtalet

AI minskar avståndet mellan en idé och verklig kundfeedback.

Vi använder AI flitigt under den tidiga produktutvecklingen. I stället för att börja med ett skriftligt konceptdokument skapar vi nu snabbt prototyper och interaktiva upplevelser med vibe-kodning, så att teamet kan uppleva produkten innan vi avsätter tekniska resurser.

Det har förändrat kvaliteten på de samtal vi har internt och externt.

En produktidé kan låta fantastisk i ett dokument, men så fort någon interagerar med den upptäcker man sådant man annars skulle ha missat: friktion för användaren, känslomässiga reaktioner, förvirrande flöden eller antaganden som inte håller.

Vi stresstestar prototyper rigoröst, samlar in feedback, itererar och går först därefter vidare till fullskalig utveckling.

Och detta är särskilt viktigt eftersom AI också gör det enklare att bygga imponerande saker som inte löser meningsfulla problem. På Data Dumpling experimenterade vi till exempel med syntetiska kundpersonor eftersom vi hade omfattande insikter om företag, köpare och beslutsfattare. Vi kunde simulera hur olika personor skulle kunna reagera på budskap eller kampanjer. Tekniskt sett var det en av de mest intressanta sakerna vi byggde. Men våra kunder behövde det inte.

Tara's Tankar

Vi stresstestar prototyper rigoröst, samlar in feedback, itererar och går först därefter vidare till fullskalig utveckling. Och detta är särskilt viktigt eftersom AI också gör det enklare att bygga imponerande saker som inte löser meningsfulla problem.

Hur AI påverkar kundinsikter och produktplaner

Historiskt sett var kundinsiktsarbetet förlustbringande. En PM tog anteckningar, sammanfattade samtal, identifierade teman och översatte dessa insikter till beslut om produktplanen. Mycket berodde på vad någon kom ihåg eller dokumenterade.

Jag har byggt om det arbetsflödet med AI. Read AI fångar varje samtal med kunder och potentiella kunder, och Claude sammanställer dem. Vi har byggt anpassade funktioner som kopplar dessa samtal direkt mot vår produktplan och hjälper oss att förstå vilka problem som återkommer, vilka kundsegment som bryr sig om dem och hur dessa önskemål hänger samman med intäktsmöjligheter.

När som helst kan vi förstå inte bara hur många kunder som har efterfrågat en funktion, utan också hur viktigt problemet är, vem som upplever det och om en lösning för verksamheten framåt.

Resultatet är att produktbeslut bygger på ett system för kundinsikter som uppdateras kontinuerligt, snarare än på en samling statiska anteckningar och enstaka samtal.

Varför PM:er bör vara försiktiga med att bygga utifrån vad grundmodeller inte kan göra

Om du bygger AI-produkter måste du förstå hur snabbt grundmodeller förbättras. Så sent som förra året omfattade en av de första AI-funktionerna vi byggde på Data Dumpling innehållsgenerering. Då kändes det som en verklig konkurrensfördel att generera mycket kontextanpassad kommunikation utifrån företagsinformation.

Mot slutet av året hade modellerna dramatiskt förbättrat sin förmåga att förstå bilder, länkar och lång kontext samt att generera innehåll av hög kvalitet direkt. Något som från början kändes särskiljande blev påfallande snabbt en självklar grundförutsättning.

Jag tycker att det är farligt att bygga produkter vars främsta värde bygger på vad modellen inte kan göra i dag. I stället fokuserar vi på att bygga kring kundernas arbetsflöden, egen data och system som blir mer värdefulla med tiden.

Varför produktledare måste experimentera men vara beslutsamma

Mitt råd är enkelt: var nyfiken, men var beslutsam.

Nya modeller, verktyg och funktioner dyker upp nästan varje vecka. Ingen har alla svar, så de team som lär sig snabbast är de som är villiga att experimentera.

Börja med någon långsam, repetitiv eller frustrerande del av din produktutvecklingsprocess. Testa olika AI-verktyg. Se vad som faktiskt förbättrar teamets arbete. Mät effekten, behåll det som fungerar och var inte rädd för att överge det som inte gör det.

Samtidigt finns det just nu en frestelse att bygga om allt eftersom AI finns. Det är inte rätt tillvägagångssätt.

Om en process redan fungerar bra hör AI inte nödvändigtvis hemma där. AI ska lösa verkliga problem, inte skapa nya.

Dessutom bör inte alla beslut automatiseras. På Data Dumpling automatiserar AI mycket av identifieringen av potentiella kunder, kartläggningen av köpkommittéer och analysen av köpsignaler, men vi bygger hela vårt arbetsflöde kring en människa i loopen. AI är exceptionellt bra på att upptäcka möjligheter, koppla samman signaler och prioritera var uppmärksamheten ska riktas. Men en person fattar fortfarande det slutliga beslutet, oavsett om det handlar om att gå vidare med ett konto, ändra en strategi eller besluta hur man ska agera på en komplex köpsignal.

Det är ett medvetet designval. Målet är inte att ersätta omdömet. Det är att ge människor bättre kontext så att de kan fatta bättre beslut.

I slutändan kommer framgång i AI-eran inte av att använda flest verktyg. Den kommer av att veta var AI skapar hävstång och var mänskligt omdöme fortfarande spelar roll.

Följ med

Du kan följa Tara Sakhuja och hennes arbete på LinkedIn och Instagram. Besök också Data Dumpling och Luv or Pop.

Fler expertintervjuer kommer på The CPO Club!