Yapay Zekâ Ürün Keşfini Nasıl Dönüştürüyor?

Transkripti Okuyun:

Podcast’lerimizin transkripsiyonunu bir yazılım programı kullanarak deniyoruz. Bot her zaman yüzde 100 doğru çalışmadığı için lütfen olası yazım hatalarını mazur görün.

Hannah Clark: Koroya seslendiğimi biliyorum ama yine de söyleyeceğim. Ürünlerin her şeyden önce faydalı olması gerekir. Ancak kullanıcıların gerçekte ne istediğine dair varsayımlar yığını temel alınarak oluşturulmuş ürünlerin sayısı hâlâ az değil. Peki bu kadar çok kuruluş ürün keşfi sürecini neden ihmal ediyor? Eminim ürün yöneticiliğinin yanı sıra fiilen kullanıcı araştırması liderliği yapmış herhangi bir ürün yöneticisi bunun nedenini size anlatabilir. Bu süreç zaman alıyor, pahalı ve yalnızca iyi bir müşteri verisi örneklemi elde etmek değil, aynı zamanda bu verileri somut eylemlere dönüştürmek de gerçekten çok zor.

Bugünkü konuğum, yapay zekâ destekli bir kullanıcı araştırması aracı olan Arro’nun kurucusu ve CEO’su Craig Watson. Craig’in kariyeri boyunca ürün keşfine duyduğu ilgi, kullanıcı araştırması sürecinin ölçeklenen şirketler ve diğer ürün ekipleri için nasıl basitleştirilebileceğine dair harika içgörüler edinmesini sağladı. Ayrıca üretken yapay zekâyla ürün keşfini daha iyi gerçekleştirmek için uygulanabilir bazı harika taktikleri paylaştığını duyacaksınız. Hemen başlayalım.

Ürün Yöneticisi Podcasti‘ne tekrar hoş geldiniz. Craig Watson ile birlikteyim. Kendisi Arro’nun kurucusu ve CEO’su.

Craig, bugün bize katıldığın için çok teşekkürler.

Craig Watson: Çok teşekkürler. Burada olduğum için heyecanlıyım.

Hannah Clark: Craig, profesyonel geçmişinden ve bugün Arro’da bulunduğun noktaya nasıl geldiğinden biraz bahsedebilir misin?

Craig Watson: Elbette. Yaklaşık 15 yıldır temelde ürün alanında çalışıyorum ve kariyerime daha çok girişim ortamında başladım. İrlanda merkezli birkaç girişimimiz vardı; üniversiteden hemen sonra ürünler geliştiriyor, bu projeleri üstlenirken öğreniyor ve o dönemde tüketiciler için nasıl ürün geliştirileceğini gerçekten kavramaya çalışıyorduk.

Yaklaşık dört yıl sonra, 2012’de kurduğumuz Soundwave adlı bir müzik teknolojisi şirketine geçtik. Bu, klasik anlamda girişim sermayesi destekli bir girişimdi. Yine pek çok iniş ve çıkış yaşadık, işin içinde çok hızlı öğrendik ve muhtemelen o dönemde ürün keşfi hakkında daha fazla şey öğrendim; bu konuya konuşmamızda değineceğiz.

Ancak bu deneyimde gerçekten sevdiğim şey, kariyerimizin çok başında olmamız ve ürün yöneticisi olarak pek çok farklı rolü üstlenmek zorunda kalmamızdı. Kullanıcı araştırmasından teslimata ve farklı zamanlarda ürün yönetimine kadar çok çeşitli işler yapmanız gerektiğini fark ediyorsunuz.

2016’da Spotify tarafından satın alındık ve oraya geçtik; bu gerçekten iyi bir deneyimdi. O kadar uzun kalmayı planlamıyordum ama sonunda beş yıl kaldım. Spotify o sırada çok hızlı büyüyordu. Katıldığımda Ar-Ge’de muhtemelen binden az kişi vardı; ayrıldığımda sayının 3.000’in üzerine yaklaştığını düşünüyorum. Çok büyük bir büyümeydi.

Birkaç yıl Stockholm ofisinde büyüme ekibinde çalıştım. Daha sonra Londra’ya taşındım; orada bir ofis kuruldu ve TEO, Select Kids uygulaması, Spotify Duo ve birkaç başka ürün girişiminin başlatılmasına yardımcı oldum. Bu, girişim dünyasından açıkça çok farklıydı; ürün yöneticisi olmak için çok farklı ortamlardı ama bundan gerçekten keyif aldım.

Son olarak yaklaşık bir buçuk yıl danışmanlık yaptım. Özellikle ürün keşfi üzerine çalışıyor, diğer şirketlerin araştırma uygulamalarını geliştirmelerine, müşterilerin karşısına çıkmayı öğrenmelerine, kanıta dayalı kararlar almalarına ve temelde daha iyi ürünler geliştirmelerine yardımcı olmaya çalışıyordum.

Kısaca devam edecek olursak, yaklaşık bir buçuk yıl önce temel büyük dil modellerinin gelişmesiyle işlerin ilerleme biçiminde ilginç bir teknoloji geliştirme fırsatı olduğunu fark ettik. Ortağım Johannes ve ben bir araya geldik. Uygun zamanda size bunun hakkında biraz daha bilgi verebilirim.

Hannah Clark: Kesinlikle. Başlamadan önce bize genel olarak ürün keşfinden ve bunun neden senin için bir tutkuya dönüştüğünden biraz bahsedebilir misin?

Craig Watson: Sanırım beni ürün keşfine çeken şey her zaman bilim ve sanatın birleşimi oldu. Müşterilerin ne istediğini, gereksinimlerin ve ihtiyaçlarının neler olduğunu gerçekten nasıl anlayacağınızı düşünmek ilginç. Ama aynı zamanda bunun bir sanat yönü de var: hangi soruları soracağınızı anlamak, hangi soruların yönlendirici veya taraflı olabileceğini bilmek.

Ürün yönetiminin bir zanaat olarak teslimat kısmından her zaman keyif aldım ama insanların çoğunlukla gözden kaçırdığı, genellikle büyük etkisi olan ve kişiliğim gereği beni kendine çeken bölüm, hangi ürünü geliştirmeniz gerektiğini anlamaya çalıştığınız huninin daha erken aşaması oldu. Bunu büyüleyici buluyorum.

Hannah Clark: Elbette, insanların gerçekten ne istediğini anlamaktan daha büyüleyici ne olabilir ki? Geçmişte yapay zekâ bugünkü araç hâline gelmeden önce ürün keşfi alanında yaptığın çalışmaları düşündüğünde, kullanıcıların sorunlarını daha derinlemesine anlamak ve ne geliştireceğine karar vermek için sürecin nasıldı?

Craig Watson: Şunu da belirtmekte fayda var.

Kullanıcı araştırması yapmaya başladığınızda yapılan tüm klasik hataların çoğunu biz de yaptık ve bunu zor yoldan öğrendik. Bazen doğrudan çözüm moduna geçiyor, klasik doğrulama çalışmasını yapıyor ve bir şeyin doğru olduğunu kanıtlamaya çalışıyorduk.

Bunun özellikle ürün yöneticileri arasında gördüğüm en yaygın tuzak olduğunu düşünüyorum. Yanlışlamaya çalışmak çok farklı bir zihniyet gerektiriyor ve bunu yapmak oldukça zor. Çünkü bir fikriniz var, bu fikir için heyecanlısınız, insanları bu fikrin etrafında toplamanız ve paydaşların ilgisini çekmeniz gerekiyor. Ancak iyi araştırmacıların ve bilimsel sürecin temelinde yanlışlama vardır.

Değil mi? Aslında dışarı çıkıp neyin işe yaramadığını görmeye çalışmaktır. Bu zihniyete uyum sağlamamız biraz zaman aldı. Bunun bir parçası da soru sorarken kullandığınız yöntemdir: yönlendirmediğinizden, objektif olduğunuzdan ve benzeri noktalardan emin olmanız gerekir. Sanırım biraz arka plan verebilirim.

İlk kez yirmili yaşlarımızdayken, Soundwave yükselişe geçmişti; uygulamada bir milyondan fazla yükleme vardı ve yeni bir özellik geliştirmeye çalışıyorduk. İnsanlarla bire bir görüşmeler yapıyorduk. O dönemde uzaktan görüşme yapmak henüz bu kadar yaygın olmadığından, görüşmeleri yüz yüze gerçekleştiriyorduk.

İnsanların ne istediğini hızla öğreniyorduk ve geliştirilen şey konusunda heyecanlıydık ama bazı açılardan oldukça kendimize dönüktü; çünkü incelediğimiz özellik seti oldukça küçüktü. Sorunların gerçekten içine girmiyorduk. Çalışma üretken değil, daha çok değerlendirici nitelikteydi.

Şöyleydi: Geliştirmeyi düşündüğümüz bazı şeyler var. O dönemde insanların ilgi alanları ve özellikle müzik hakkındaki düşüncelerini biraz daha öğrenmeye çalışıyoruz. Aslında bize danışmanlık yapan bir üçüncü taraf yönetici getirdik ve bu görüşmelerin bazılarını yürütmemize yardımcı oldu. Bize şöyle dedi: Yaptığınız şeyin iyi olduğunu düşünüyorum ama burada yerel maksimumlara ulaşma tehlikesine karşı dikkatli olmalısınız.

Ürünü optimize ediyorsunuz ama girişiminizin bulunduğu aşamada gerçekten daha üretken ve daha temel araştırmalar yapmayı, insanların gerçekleştirmek istediği işleri ve elde etmeye çalıştıkları sonuçların bağlamını anlamayı düşünmeniz gerekiyor.

Ardından çözümünüzü bunun etrafında geliştirmeye başlayın. Bu da başka bir büyük dersti. Çözüm odaklı bir zihniyete sahipken ve ortaya çıkıp harika fikirleriniz olduğunu düşünürken yapılması zor olan başka bir şey de egonuzu bir kenara bırakıp insanları dinlemek, boşlukların nerede olduğunu, iş akışlarını hangi adımlarda iyileştirebileceğinizi anlamak ve ürününüzü gerçekten bunun etrafında geliştirmektir.

Her şeyi çözdüğümü düşünmüyorum ve açıkçası kesinlikle yardıma ihtiyacım var. Yıllar boyunca harika araştırmacılar ve veri bilimcilerle çalıştım. En azından zihinsel modelleri ve çerçeveleri bu noktada biraz daha iyi anladığımı düşünüyorum.

Hannah Clark: Harika. İşlerin yapılması çerçevesini bu sürecin temel bir parçası olarak gerçekten benimsediğin anlaşılıyor.

Bu keşif sürecinin nasıl göründüğünü ve bu teknikleri Arro’yu kurarken nasıl uyguladığını biraz anlatabilir misin?

Craig Watson: Şimdi işe bakarak başladığımız bir sürecimiz var. İşlerden söz ettiğimde, araştırmanın ne kadar ayrıntısına girmek istediğinize bağlı ama temelde müşterilerinizden öğrenmeye çalışıyorsunuz.

Ne istediklerini veya hayatlarında hangi sorunları yaşadıklarını anlamaya çalışıyorsunuz. Önce şuna bakıyoruz: Pratikte bu ne anlama geliyor? Bir araştırma çalışması oluşturmanız gerektiğinde ne yapmanız gerekir? Neyi öğrenmeye çalıştığınıza karar vermelisiniz.

Sonra dışarı çıkıp katılımcıları bulmanız, müşterilerle etkileşim kurmak için hangi yöntemi kullanacağınıza karar vermeniz gerekir. Ardından bilgileri nasıl sentezleyeceğinizi, ondan nasıl öğrenip hangi sonuçları çıkaracağınızı, bunları kurum içinde nasıl paylaşacağınızı, ekiple veya paydaşlarla nasıl aktaracağınızı ve sonrasında bunlara nasıl göre hareket edeceğinizi düşünmelisiniz.

Bu oldukça soyut ve geniş açıdan bakılmış bir çerçeve. Ancak bu işlerin her birinin içinde pek çok sonuç bulunuyor. Araştırma katılımcısı bulmayı düşünürseniz burada neler var? Bir veritabanından insan listesi çekmeniz mi, bir müşteri segmentini anlamanız mı gerekiyor?

Harici bir panelden katılımcı bulmak mı istiyorsunuz? Bu daha hızlı olabilir ama mevcut müşteri tabanınız olmayabilir. Müşterilerle etkileşime geçerken hangi veri uyumluluğu konularının farkında olmanız gerekir? Her işin altında yer alan sonuçların uzun bir listesi var. Biraz kuru, hatta bazı açılardan sayılarla resim yapmaya benziyor. Ancak tüm adımları ve farklı sonuçları haritalandırmaya başladığınızda, hangi bölümlerin yeterince hizmet almadığını ve hangilerinin gereğinden fazla hizmet aldığını anlamaya başlayabileceğiniz bir çerçeve elde ediyorsunuz.

İşlerin yapılması alanındaki yazarlar ve Anthony Ulwick gibi uzmanlar da dâhil olmak üzere diğer yazarlardan ve uzmanlardan çok şey aldım. Ulwick, Sonuç Odaklı Yenilik hakkında yazdı ve o zamandan beri bunu geliştiren pek çok kişi oldu. Ancak özellikle yazılımda, öğrenmeye çalıştığınız şeyle o kadar da ilgili olmayan persona, etiket ve kategoriler gibi kavramlarda kaybolmak kolaydır. İçinde bulunduğumuz B2B alanını düşünürseniz, her zaman iş akışı temelli olacaktır. Araştırma söz konusu olduğunda insanların bir işi vardır; dışarı çıkar ve bir şeyi düzeltmeye çalışırlar. Arro’ya yaklaşımımız da böyle oldu.

Alanı haritalandırdık, boşlukların nerede olduğunu gördük ve tekrar tekrar karşımıza çıkan şey, müşteri görüşmeleri söz konusu olduğunda çok fazla atalet olduğuydu. İnsanları bir görüşmeye almak gerçekten zordu. Yine pek çok adım vardı. Bu süreçteki adımlar nelerdi? Önce insanları bulmanız, sonra onlarla etkileşim kurmanız, bir zaman planlamanız, gerçekten görüşmeyi yapmanız, görüşmeyi yazıya dökmeniz, ardından sentezlemeniz, tüm sonuçları kodlamanız, tematik analiz yapmanız ve sonrasında onlara ödeme yapmanız gerekir. Bunu 50 kişi ya da her neyse 5-10 kişi için yapmanız gerekir.

Sonra da bu toplu bakış açısından anlam çıkarmaya çalışmalısınız. Araştırmaların hâlâ en yaygın yürütülme şekli bu. Bire bir müşteri görüşmelerinin büyük bir savunucusuyum ama bu, orada bir boşluk olabileceğini fark etmemizi sağladı. Yapay zekânın ilerleme biçimi düşünüldüğünde, moderatörlü görüşmeler yürütmeyle ilgili bu alt işlerin büyük bir bölümünün yapay zekâ tarafından yerine getirilebileceğini veya desteklenebileceğini düşünmek gerçekçi değil.

Bizim odaklanmak istediğimiz boşluk tam olarak buydu. Ürün stratejimizi de temelde bunun etrafında oluşturduk.

Hannah Clark: Buradan devam edersek, büyük dil modelleri tarafından dönüştürülme potansiyeli olduğunu düşündüğün bazı unsurlar neler? Bu dönüşümün bir kısmını şimdiden görüyor musun?

Craig Watson: Şimdiye kadarki en belirgin kullanım alanlarının, özellikle ürün araştırmasında, yapılandırılmamış veriyi alıp yapılandırılmış veriye dönüştürmek olduğunu düşünüyorum. Çünkü büyük dil modelleri bu konuda gerçekten çok iyi; birçok durumda insanlardan daha iyi. Çok büyük yapılandırılmamış metin parçalarını ve çok sayıda veri noktasını alıp anlamlı, doğru ve çoğu zaman isabetli, ancak her zaman değil, bir şeye dönüştürebiliyorlar.

Ekiplerin gittikçe daha iyi hâle geldiğini düşündüğüm konu, atıf gibi şeyler; kimin ne söylediği ile belirli bir konu arasındaki kanıt zincirini görebilmek ve bunun belirli bir ekiple nasıl ilişkili olduğunu anlayabilmek. Bu alandaki ilk kazanımların çoğunun sentez kısmına odaklandığını düşünüyorum. Bizim üretken tarafa biraz daha fazla yönelmemizin nedeni de muhtemelen bu. Bağlam vermek gerekirse Arro, insanların katılımcılarla yapay zekâ tarafından yürütülen görüşmeler gerçekleştirmesini sağlayan bir araç.

Bazı sorular belirlersiniz, yapay zekâ görüşmeyi gerçekleştirir, ardından içgörüleri alıp sentezler ve 50, 100 veya 1.000 kişi genelinde neler öğrenildiğine dair bir rapor sunar. Yapay zekânın avantajlarından biri, bunu çok daha kolay ölçeklendirebilmenizdir. Gerçek görüşmeler doğaları gereği daha üretken olduğundan, üretken yapay zekâ kısmına biraz daha fazla zaman ayırmak istedik ve bunun son derece ilginç olduğunu düşünüyorum.

Üzerinde düşünmeye başladığımız başka bir konu da görüntü API’leri ve çok modlu verileri kullanmak. İnsanların bir kullanıcı deneyiminde ve ürün içinde nasıl gezindiğini anlamak. Teknoloji artık yetiştiği için bunun önümüzdeki 12-18 ay içinde çok daha belirgin bir özellik hâline geleceğini düşünüyorum.

İşler çerçevesini tekrar düşünürseniz, insanların bir Figma prototipinde nasıl gezindiğini anlamak için çerçeve içi öğeler kullanan pek çok araç zaten var. Ancak birkaç yıl içinde bunu bu şekilde yapmak muhtemelen mantıklı olmayacak. Bir yapay zekânın Kullanıcı Görüşü API’sinde neler olduğunu izlemesini sağlamak, kullanılabilirlik testlerini potansiyel olarak yönetmek ve ardından bu içgörülerle geri dönmek çok daha kolay, ucuz ve doğru olacaktır. Üzerinde çalıştığımız iki konu bunlar.

Hannah Clark: Evet, birkaç yıl önce mümkün olduğunu düşünmeyeceğimiz şeyler bunlar. Bu yönde bu kadar hızlı ilerlediğini görmek gerçekten ilginç.

Peki ürün ekiplerinin 2024’te ürün keşfi aşamasında daha etkili olmak için yapay zekâyı kendi lehlerine kullandığını gördüğün başka yollar neler?

Craig Watson: Oldukça fazla yol var. Muhtemelen 150-200 civarında müşteri görüşmesi yaptık. Pek çok ürün çalışanı, kullanıcı araştırmacısı, ürün tasarımcısı ve ürün yöneticisiyle konuştuk. Yapay zekânın ne kadar seyrek kullanıldığına bazen şaşırıyorum.

Teknoloji alanında çoğu insanın yenilikleri erken benimsediği düşünüldüğünde kulağa biraz tuhaf gelebilir ama insanların iş yerinde bunu benimsemesinin önünde hâlâ bazı engeller olduğunu düşünüyorum. Bunun çeşitli nedenleri olabilir.

Bazen kurum içi talimatlar, bazen güvenlik endişeleri, bazen de kullanım alanından emin olmamak söz konusu olabilir. Teknoloji dünyasında bir balonun içinde olsak da yakın zamanda küçük bir anket yaptık. Örneklem yaklaşık yüz kişiydi; dolayısıyla çok temsil edici değildi ama bazı yönlendirici sonuçlar elde etmek ilginçti.

İnsanların büyük bir bölümü iş yerinde yapay zekâdan en iyi şekilde nasıl yararlanacağını hâlâ bilmiyor. Kişisel hayatlarında ChatGPT kullanıyor, Perplexity ile oynuyor veya Midjourney’i deniyor olabilirler; araştırıyor ve deney yapıyorlar. Ancak hâlâ yolun çok başındayız.

Beni en çok heyecanlandıran da bu. Bazen her yerde bir hareketlilik varmış gibi düşünüyorsunuz. Twitter’a girdiğinizde her şey yapay zekâdan ibaret ve dünyanın kontrolünü ele geçirmiş gibi hissediliyor; genel yapay zekâ da köşeyi dönünce gelecekmiş gibi görünüyor. Oysa aslında çok erken aşamadayız. B2B bağlamında daha da erken bir aşamadayız.

Bu da son derece ilginç. Orada neler olabileceğini düşünmek heyecan verici. İnsanların bunu hangi şekillerde kullandığı sorunuza dönersek, bence en yaygın kullanım alanı içerik oluşturma. Örneğin bir ürün yöneticisiyseniz kullanıcı hikâyeleri yazmanıza yardımcı olabilir.

Araştırmacıysanız bir araştırma çalışması veya teklif oluşturmanıza, bir tartışma kılavuzu hazırlamanıza yardım edebilir. Sentez tarafında da insanlar bunu kullanmaya başladı. Mutlaka özel araçlarla değil; bazen bir transkripti doğrudan sisteme yükleyerek veya Zoom ya da başka bir otomatik transkripsiyon aracından alınmış müşteri görüşmelerini kullanarak.

Tüm videolarımızı kaydetmek için Grain adlı bir araç kullanıyoruz ve bu araç mükemmel. Tüm görüşmeyi yazıya döküyor, ardından kendi veri modelinizi üzerine ekleyip transkriptlerle ilgili sorular sorabiliyorsunuz. Bu gerçekten büyüleyici. Örneğin bu görüşmede hangi işler belirlendi veya bu görüşmeden hangi personaların ortaya çıktığını düşünüyorsun diye sorabiliyorsunuz.

Bence bu iki uç noktayı görmeye başlıyoruz: ya içerik oluşturmak ya da içeriği anlamak için gereken çabayı azaltmak. Muhtemelen en yaygın kullanım alanları bunlar. Ancak yine de çok erken günlerdeyiz ve heyecan verici olan da bu.

Hannah Clark: Çok heyecan verici. Geçmişte araştırmacıların doğası gereği oldukça dağınık olabilen büyük miktarda bilgiyi sentezlemek için ne kadar emek harcadığını düşündürüyor.

İnsanların verdiği tepkilerle uğraşıyorsunuz. Bu nedenle, özellikle herhangi bir sayıda ürün için çok miktarda araştırma yaptıysanız, daha incelikli içgörüleri ortaya çıkarmak gerçekten zor olabilir. Bunun nasıl ilerleyeceğini görmekle çok ilgileniyorum. Aynı araçlardan biraz söz etmişken, bunların çoğunun ürün-pazar uyumunu bulma konusunda da geçerli olduğunu düşünüyorum.

Yapay zekânın ürün ekiplerine uyumu bulma konusunda yardımcı olması açısından ufukta bir şeyler olduğunu düşünüyor musun?

Craig Watson: Güzel bir soru. Uzun süre girişim yönettiğim için ürün-pazar uyumu tartışmalı konulardan biri. Herkesin ulaşmayı arzuladığı kutsal kâse gibi görülüyor ama aslında hiç bitmeyen bir yolculuk; hedefe tam olarak ulaşamıyorsunuz, pazar veya ürün değişiyor. Oraya ulaşmanıza yardımcı olacak tek bir yaklaşım ya da iki yaklaşım olduğunu söylemek zor. Bence bu, farklı yöntemlerle ona doğru ilerleyebileceğiniz bileşik bir süreç.

Somut bir örnek vermek gerekirse, birkaç yıl önce dolaşan ünlü anketler vardı. Sanırım Superhuman’dan Rahul Vohra ürün-pazar uyumu anketini yürütüyordu. Bu, segmentasyona dayanıyordu ve o dönemde ürün-pazar uyumuna sahip olup olmadığınızı hızlıca öğrenmek için kullanılan popüler bir yöntemdi. Bu yöntemin kesinlikle bazı faydaları var. Ürününüz ortadan kaldırılsa insanların ne kadar hayal kırıklığı yaşayacağını anlayabiliyorsunuz ama bu yalnızca bir sıcaklık ölçümü; mutlaka oraya ulaşmanıza yardımcı olmuyor.

Spotify’dan öğrendiğim büyük derslerden biri, büyüme eğrisinin yönünü değiştirmenin ne kadar uzun sürebileceğiydi. Bu kamuya açık bir bilgi ama oradayken tam da bu nedenle The Curve adlı bir kurum içi podcast vardı. CPO Gustav Söderström şirketin farklı yerlerindeki insanlarla röportaj yapıyordu.

Beş yıl oradaydım; Gustav’ın ise sanırım 12 yıldır orada olduğunu düşünüyorum. Şimdi şirketin en etkili yöneticilerinden biri. Bu 12 yıl boyunca çıkardığı dersin, ürün-pazar uyumuna ulaşmak için 12 yıl boyunca bahisler yapmanız, deneyler gerçekleştirmeniz ve doğru kararlar almanız gerektiği olduğunu söyleyebilirim.

Bu hızlı gerçekleşecek bir şey değil. Hiçbir araç sizi oraya ulaştıramaz. Önemli olan tüm bu farklı parçaların bir araya gelmesindeki inceliklerdir. Ancak yapay zekânın çok iyi konumlandığı nokta, tüm bu görevlerde gereken süreyi azaltmasıdır. Size bir anda gerçekleşecek kusursuz bir çözüm sunması gerekmiyor; bu adımlara ulaşma sürenizi hızlandıracak.

Hannah Clark: Mantıklı. Evet. Yanlışlama fikrine geri dönecek olursak, birçok insanın egolarını sahiplenmekte ve onları kapının dışında bırakmakta zorlandığına katılıyorum. Ancak bazı ürünlerde yapay zekâ özelliklerinin uygunluğu hakkında biraz konuşmak istiyorum.

Şu anda hem yerleşik şirketlerde hem de girişimlerde bir tür parlak nesne sendromu yaşandığını düşünüyorum. Yapay zekâ özelliklerini ürünlere entegre etmek için çok fazla baskı var; çünkü bunun artık temel bir gereklilik olduğu düşünülüyor. Ancak bence yapay zekâ entegrasyonlarının pek çok örneğinde fazla değer yaratılmadığını gördüm.

Bunu bugünlerde giderek daha fazla görüyoruz. Bir kişi yapay zekâ kullanmanın gerekli olup olmadığını veya mevcut bir ürüne yapay zekâ özelliği eklemek için yatırım yapmaya değip değmeyeceğini nasıl anlayabilir? Böyle bir yatırımın değer taşıyıp taşımadığını nasıl değerlendirmeli?

Craig Watson: Hepimiz bir sohbet robotunun size araba satmaya çalıştığı veya kontrolden çıktığı oldukça korkutucu kullanım örnekleri gördük. Böyle bir şey olduğunda hoş olmuyor; olay çok hızlı şekilde kamuoyuna yansıyor ve şirketler açısından büyük bir marka etkisi oluşuyor. Bu nedenle insanların kullanım alanlarını sorgulamakta ve bunun uyumlu ve etik bir şekilde yapıldığından emin olmakta haklı olduğunu düşünüyorum.

Çoğu şirketin bunu zorla ürüne dâhil etmeye çalıştığını gördüğüm yöntem, yine konuştuğumuz noktaya dönüyor: Çözüm modundayken müşterinin yazılımınızdaki belirli işle neyi başarmaya çalıştığını gerçekten anlamıyorsunuz. Örneğin Notion’ı ele alalım. Notion’ı uzaktan çalışan şirketimizin bilgi tabanı olarak kullanıyoruz.

Ona oldukça güveniyoruz ve birçok yazılı belgeyi paylaşıyoruz. Bence yapay zekâ için çok uygun bir alan; çünkü bazen yalnızca bir taslak yazmak istiyorum ve yapay zekâdan yazmaya devam etmesini veya yazımı geliştirmesini isteyebiliyorum. Bu, iş akışıma gerçekten iyi oturuyor. Orada hızlı bir geri bildirim döngüsü var.

Düzeltebiliyor ve yoluma devam ediyorum. Parlak nesne sendromunun devreye girdiği nokta, insanların son kullanıcının neyi başarmaya çalıştığını gerçekten anlamamasıdır. İşlerine zaten yardımcı olmayan bir şeyi optimize ediyorsanız, bu yalnızca havalı veya ilginç görünebilir.

Ama hiçbir şeyi gerçekten iyileştirmeyecektir. Yardımcı olmayacaktır. Bu yüzden öğrendiğimiz şey, her zaman ilk ilkelere dönmek: Birinin burada neyi başarmaya çalıştığını ve yapay zekânın akışı nasıl hızlandırabileceğini, maliyeti nasıl azaltabileceğini veya yatırımın değerli olmasını sağlayacak başka bir verimliliği nasıl yaratabileceğini anlamak. Bunu ürün geliştirme açısından değerlendirmek gerekir.

Bu bir garanti değil; gerçekten değerli bir yatırım olup olmadığını kontrol etmelisiniz. Bazen küçük ve hoş ayrıntılara yatırım yapmaya değer. Biz de Arro’nun konuşmaya dayalı kullanıcı deneyimini doğru hâle getirmek için kişisel olarak aylar harcadık; çünkü bu, ürünümüzün temel motoru. İnsanlarla konuşmaya çıkmak ürünün özünde olduğu için zamanımızın yüzde 80-90’ını buna ayırmamız doğruydu.

Zamanın geri kalanını ürünün çeşitli yerlerine rastgele küçük yapay zekâ özellikleri ekleyerek, havalı görünmesi için sihirli değneğe veya sihirli düğmeye basınca güzel bir şey olmasını sağlamaya harcamadık. Bence her şey tekrar insanların neyi başarmaya çalıştığına, bunu nasıl hızlandırabileceğinize veya nasıl iyileştirebileceğinize dönüyor. Yapay zekâ buna uygunsa, kesinlikle yatırıma değer.

Hannah Clark: Buna tamamen katılıyorum. Yatırım yapılacak zaman veya para konusunda belki de biraz şüpheli kararlar alma konusundan söz etmişken, bir kurucu olarak diğer kurucuları veya ürün yöneticilerini keşif aşamasında ve özellikle bugünün ortamında dikkat etmeleri gereken başka hangi konularda uyarırsın?

Craig Watson: Bunun duruma göre değiştiğini düşünüyorum; hangi aşamada olduğunuza bağlı. Gerçekten erken aşamadaysanız, ürününüzü yerleştirebileceğiniz doğru pazarı bulmaya ve o pazarı çok iyi anlamaya çalışırsınız. Bazen insanlar yaşadıkları bir sorun üzerine girişim kurar.

Bu nedenle sorunu bilirler ama bazen de belirli bir pazarı beğenir ve ona saldırmanın ilginç yollarını bulmak isterler. En kötü yöntem bir çözüm geliştirip sonra bunun uyacağı bir sorun bulmaya çalışmaktır; ancak bu da gerçekleşiyor. Bulunduğunuz aşamaya göre yaklaşımınız farklı olur. Örneğin ölçeklenen bir şirketseniz, Arro’yu kullanan müşterilerin çoğu ölçeklenen şirketlerdir ve sorunları olgun bir ürüne sahip olmaları ama yeni bir özelliği nasıl geliştirebileceklerini anlamak için yeterli araştırma kapasitesine sahip olmamalarıdır.

R2 gibi bir araç kullanmak, araştırma çalışmalarını ölçeklendirmelerine ve daha fazla müşterinin karşısına çıkmalarına yardımcı olur; böylece daha fazla içgörü elde edebilirler. Ancak oldukça erken aşamadaysanız bunun iyi bir uyum olduğunu söylemem. Çünkü ilişki kurmanın, potansiyel müşterilerin karşısına çıkmanın, sorunlarını öğrenmenin ve değer öneriniz etrafında üretken araştırma yapmanın çok önemli olduğunu düşünüyorum.

Sanırım tavsiyem şu olur: Her duruma uyan tek bir çözüm yok. Teresa Torres Sürekli Ürün Keşfi hakkında yazdı. Michele Hansen müşterilerle nasıl konuşulacağı üzerine bir kitap yazdı. İşlerin Yapılması yaklaşımına dair çalışmalar da harika.

Bulunduğunuz aşamaya gerçekten bağlı ama dışarıda çok sayıda harika kaynak var. Hatta beş yıl öncesine kıyasla bile, ürün keşfi bilgi ve uygulama açısından çok gelişti. Herkes için bir şeyler var.

Hannah Clark: Katılıyorum. Kullanıcılarla görüşme kitabını yazan Steve Portigal ile harika bir bölüm gerçekleştirdik. İnsanlarla konuşmanın psikolojisi, kendinizi konuşmanın içine yerleştirmeden ve sonucu etkilemeden en iyi içgörüleri elde edebilmek hakkında gerçekten ilginç bilgiler paylaştı.

Craig, bu harika bir sohbetti. Bugün bize katıldığın için gerçekten teşekkür ederim. Dinleyiciler çalışmalarını internette nereden takip edebilir?

Craig Watson: Arro’ya doğrudan www.arro.co adresinden göz atabilirsiniz. Ayrıca LinkedIn’de benimle bağlantı kurabilirsiniz; adım Craig Watson. Arro’nun kurucu ortaklarından biriyim. Twitter’da da kullanıcı adım cdcwatson.

İnsanlarla konuşmayı çok isterim. Sorularınız varsa memnuniyetle bağlantı kurarım.

Hannah Clark: Programa katıldığın için çok teşekkürler. Bunu gerçekten takdir ediyoruz. Tüm içgörülerini paylaştığın için de ayrıca teşekkür ederiz.

Craig Watson: Benim için zevkti. Beni davet ettiğin için teşekkürler Hannah. Seninle konuşmak harikaydı.

Hannah Clark: Bizi dinlediğiniz için teşekkürler. Daha fazla harika içgörü, nasıl yapılır rehberi ve araç incelemesi için theproductmanager.com/subscribe adresinden bültenimize abone olun. Bunun gibi daha fazla sohbeti, podcast’lerinizi dinlediğiniz her yerde Ürün Yöneticisi’ne abone olarak dinleyebilirsiniz.