Amex Ürün Başkan Yardımcısı, yapay zekânın ürün organizasyonlarına kademeli olarak entegre edilmesi gerektiğini söylüyor — tek bir katmanı atlamak size pahalıya mal olur

Abishek (Abhi) Gandotra kariyerine mühendis olarak başladı, ancak teknik bilgisini de beraberinde getirerek ürün alanına geçti. Şu anda American Express'te Ürün Başkan Yardımcısı olarak görev yapıyor. Ayrıca Egemen Aracı kitabının yazarı.

Bize katılarak yapay zekânın mühendislik ile ürün arasındaki sınırları daha da bulanıklaştırmasıyla öğrendiklerini paylaştı. Bize anlattıkları şöyle.

Mühendislikten ürüne

Ben Abhi Gandotra ve American Express'te Bankacılık Platformu ürün organizasyonuna liderlik ediyorum. Kariyerimin ilk on yılını kod yazarak geçiren bir mühendis olarak başladım. Bu nedenle teknolojiyi hiçbir zaman kara kutu olarak görmedim. Bir şey kullanıma sunulmadığında, nerede bozulduğunu — bozulmanın gerçekleştiği katmanda — bilmek isterim.

Ürüne geçtim çünkü işleri doğru yapmaktan çok doğru işleri yapmayı önemsiyordum. Green Dot'ta on yılı aşkın süre Bankacılık Hizmeti Olarak platformu geliştirdim — platformu bir fikir aşamasından 80'den fazla kurumsal ortak genelinde 1 milyar doların üzerinde B2B gelire taşıdık. Bu deneyim, bugün de inandığım şeyi öğretti: Platformlar, başkalarının zor problemlerini kolaylaştırdıklarında kazanır. Şimdi Amex'te bunu bankacılık ve ödeme altyapısı için, farklı bir ölçekte ve beraberinde gelen düzenleyici gerekliliklerle yapıyorum.

Yapay zekâ anı benim için yalnızca bir heyecan dalgasından ibaret değil. Şu anda bu araçlarla ürün geliştiriyorum — aracılar oluşturuyor, tüm organizasyonum genelinde bir yapay zekâ yetkinlik geliştirme programı kuruyor ve fikirden çalışan yazılıma günler içinde geçen küçük ekipler yürütüyorum. Mühendislik içgüdülerim tamamen geri döndü. "Bir fikrim var" ile "çalışıyor" arasındaki boşluk hiç bu kadar kısa olmamıştı. Beni heyecanlandıran kısım da bu — heyecan dalgası değil, hız.

Altyapı katmanının içinden ürün yönetmek

Söylediğim gibi, American Express'te Bankacılık Platformu ürün organizasyonuna liderlik ediyorum — tüketici ve ticari bankacılık deneyimlerimizin temelini oluşturan dijital bankacılık ve ödeme platformuna. Bu, altyapı katmanı: müşteriye dönük tüm unsurları destekleyen altyapı hatları, hesap ve para hareketi yetenekleri ile kontroller.

"Kullanıcılarımız" iki farklı kitleden oluşuyor: ürünü bankacılık ve ödeme hizmetleri olarak deneyimleyen son müşteriler ve platformumuz üzerine inşa eden iç ürün ve mühendislik ekipleri. Platform çalışmaları aynı anda hem geliştiricilere hem de son kullanıcılara hizmet etmeyi gerektirir — yalnızca birini optimize ederseniz diğeri zarar görür.

Yüz yılı aşkın geçmişe sahip bir finans kuruluşundan beklenen ölçekte ve düzenleyici gereklilikler çerçevesinde faaliyet gösteriyoruz; bu da güvenilirlik ve uyumluluğun özellik değil, olmazsa olmaz olduğu anlamına geliyor. Ürün ve teslim modelimiz, şirket içi ürün ve mühendislik çalışmalarını temel teknoloji ortaklarıyla birleştiriyor. Bu nedenle büyük ölçüde koordinasyon sağlıyor — iç yol haritalarını dış yeteneklerle ve risk ile uyumluluk ekiplerimizin gerektirdiği kontrollerle uyumlu hâle getiriyorum.

Yapay zekâ prototip oluşturmayı mühendislikten ürüne nasıl taşıyor?

Yaptığım en büyük değişiklik, prototip oluşturmayı bir mühendislik talebi olarak görmekten vazgeçip bunu bir ürün yeteneği hâline getirmek oldu.

Bir yıl önce yeni bir fikri doğrulamak; bir doküman hazırlamak, fikri iş listesine eklemek ve kullanıcıların veya ortakların değerlendirebileceği bir şeyin oluşturulması için mühendislik kapasitesini haftalarca beklemek anlamına geliyordu. Şimdi, gerçek bir SDK üzerinde tıklanabilir bir maket değil, işlevsel bir prototip oluşturmak için yapay zekâ kodlama araçlarını kullanarak fikirden çalışan yazılıma günler içinde geçen küçük ekipler yönetiyorum. Yakın zamanda gerçekleştirdiğimiz bir çalışmada, bir bordro entegrasyonunda küçük bir ekip, daha önce gereksinimler üzerinde uzlaşmanın aldığı sürede çalışan bir entegrasyon oluşturup test etti.

Bu, karar alma biçimimizi değiştirdi. Çalışan yazılımı birkaç gün içinde bir ortağın veya paydaşın önüne koyabildiğinizde, konuşma soyut olmaktan çıkıyor — bir sunum üzerinde tartışmak yerine gerçek, somut ayrıntıları olan bir şey hakkında fikir yürütüyorsunuz. Bu durum, daha önce yol haritamızın başlangıç aşamasını tüketen analiz felcinin büyük bölümünü ortadan kaldırdı. Ayrıca ekibimdeki ürün yöneticileri kapsam belirleyip prototipleri kendileri oluşturduğundan, mühendislik zamanı gerçekten ihtiyaç duyulan işlere ayrılıyor.

Artık zor kısım geliştirmek değil. Geliştirmeye değer olanı değerlendirmek. Sezgi ve önceliklendirme kıt kaynaklar. Lider olarak en çok odaklandığım değişim bu.

Gerçek dünyada fikirden prototipe iş akışı

İşte haftaları günlere indirgeyen, fikirden çalışan prototipe uzanan genelleştirilmiş iş akışımız.

1. Sorunu çerçeveleyin: Her şey insanla başlar — bir iş ortağının ihtiyacı ya da fark ettiğimiz bir boşluk. Bir yapay zekâ asistanını düşünce ortağı olarak kullanarak çerçeveyi sağlamasını yapıyorum: Bu kimin için, gerçekten yapılması gereken iş ne ve bunu geliştirmeye değmeyecek kılacak şey ne? Bu, geliştirme başlamadan önce soruyu netleştiriyor.
2. Girdileri sentezleyin: Yapay zekâyı ilgili materyallere — araştırmalara, destek konularına, rekabet ortamına ve önceki kurum içi bağlama — yönlendiriyor ve günler yerine dakikalar içinde sentezlenmiş bir görünüm elde ediyoruz. Bir insan, modelin neyi gözden kaçırdığını veya neye gereğinden fazla ağırlık verdiğini belirlemek için bunu inceliyor; sentez bir başlangıç noktasıdır, nihai karar değil.
3. Çalışan bir prototip geliştirin: En büyük değişim burada yaşanıyor. Bir teknik özellik belgesi yazıp mühendislik kapasitesini beklemek yerine, küçük bir ekip yapay zekâ kodlama araçlarını kullanarak gerçek bir arayüze sahip işlevsel bir yazılımı ortaya çıkarıyor — tıklanabilir bir maket değil, çalışan bir şey. Haftalar değil, günler.
4. İnsanların karşısına çıkarın: Çalışan prototipi erken aşamada paydaşlara veya bir iş ortağına sunuyoruz. Gerçek olduğu için geri bildirim de gerçek oluyor — bir sunum dosyasına tepki vermek yerine davranışları ve uç durumları tartışıyoruz.
5. Yargınızı kullanarak karar verin: Yapay zekâ burada geri çekiliyor. Daha fazla yatırım yapıp yapmayacağımız, yol haritasına nasıl uyacağı ve kontroller ile uyumluluk açısından ne gibi sonuçlar doğuracağı — bunlar, tasarım gereği net bir sorumluluk anlayışıyla alınan insani kararlardır.

PM yetki alanı neden değişmeli?

Bu nedenle PM sahipliğinin kapsamını, ürün ve mühendislik arasındaki devir noktalarını ve — en önemlisi — PM'ler tarafından geliştirilip üretime aktarılacak çıktıların kalite standardını aktif olarak yeniden tanımlıyorum.

Bir PM uçtan uca teslimat yapabildiği anda, eski modelin sizi yanıtlamaya zorlamadığı yeni sorulara cevap vermeniz gerekir. Bir PM artık daha önce sorumlu olmadığı hangi konulardan sorumlu? Mühendisliğin yargısı çalışmayı nerede hâlâ denetlemek zorunda ve nerede yalnızca işleri yavaşlatıyor? Onu geliştiren kişi mühendis değilken, "üretime hazır" ne anlama geliyor?

Amacım kendi başına daha hızlı teslimat yapmak değil, bütünlük sağlamak. Herkese geliştirme gücü vermek, herkesin her şeyin kendi versiyonunu geliştirmesi ve kurumu birbirini güçlendirmeyen yetkin silolara bölmesi riskini taşır. Bu nedenle yeniden tasarım, PM'lerin önünü açmak kadar ortak temeller ve ortak bir kalite standardı oluşturmakla da ilgilidir. Doğru yapıldığında ekipler çarpıcı biçimde daha hızlı hareket eder ve birbirlerinin etrafından dolaşmak yerine birbirlerinin üzerine inşa eder.

Yapay zekâ seçenekler üretirken yargıyı neden insanların kullanması gerekir?

Yapay zekâ seçenekler üretmede başarılıdır; özellikle düzenlemeye tabi bankacılık alanında, yargının sorumluluğu yine insanlarda olmalıdır.

Yapay zekâya şu konularda dayanıyorum:

• Keşif ve sentez: Araştırmalardan, destek taleplerinden, iş ortağı geri bildirimlerinden ve rekabet ortamından, bir insanın tümünü okuyabileceğinden çok daha hızlı şekilde anlamlı sinyalleri çıkarmak.
• Prototipleme ve deneme: Bir fikri tartışmak yerine test etmek için çalışan bir yazılımı ortaya çıkarmak.
• Neredeyse her şeyin ilk taslağı: Gereksinimler, analizler ve pazar taramaları.

Yapay zekâ, eskiden zamanımızın çoğunu alan güvenilir bir başlangıç noktasına dakikalar içinde ulaşmamızı sağlıyor.

Şu konularda ise süreci özellikle insani tutuyorum:

• Önceliklendirme ve yol haritası kararı: Yapay zekâ ödünleşimleri ortaya koyabilir, ancak ne geliştireceğimize — ve bilinçli olarak neyi geliştirmeyeceğimize — karar vermek, strateji, risk iştahı ve müşterilerimiz hakkında dışarıya devretmeye yanaşmadığım bir yargı gerektirir.
• Düzenleme veya risk kararlarına dokunan her şey: Bizim dünyamızda "model bunu önerdi" bir düzenleyiciye verebileceğiniz bir yanıt değildir.
• Zor insan ve paydaş kararları: Bununla kastettiğim, ortamı okuyabilmek ve iş ortakları arasındaki çakışan öncelikleri yönetebilmektir. Bunlar özünde insani konulardır.

Yapay zekâ hem hız hem de aşırı özgüveni nasıl beraberinde getiriyor?

En net kazanım, yaşam döngüsünün başlangıcındaki hızdır:

• Daha önce haftalar süren prototip oluşturma döngüleri artık günler sürüyor; bu da daha fazla fikri test ettiğimiz ve kötü olanları gerçek mühendislik kapasitesini tüketmeden önce daha erken elediğimiz anlamına geliyor.
• Ürün yöneticilerim artık araştırma, destek geri bildirimleri ve rekabet taramalarını çok daha kısa sürede tamamlıyor; böylece önceliklendirme görüşmelerine daha hazırlıklı giriyorlar.
• Daha önce bir mühendis olmadan hiçbir şey yayımlayamayan ürün yöneticileri artık çalışan bir prototipi kendi başlarına oluşturabiliyor. Bu, ekipteki enerjiyi değiştiriyor. İnsanlar kendilerini yeniden daha çok üretici gibi hissediyor.

Ancak AI çıktısının yanlış olduğunda bile kendinden emin görünmesini zor yoldan öğrendik ve düzenlemeye tabi bir ortamda bu tehlikeli. Başlarda bir prototip, gerçekte kullanılabilir bir şeye ne kadar yaklaştığımız konusunda yanlış bir güven oluşturacak kadar iyi görünüyordu. Demo çalışıyordu, ancak zor olan %20 — uç durumlar, kontroller, uyumluluk mantığı — tamamen ele alınmamıştı.

Çıkardığımız ders şuydu: AI, ilk %80'in maliyetini o kadar çarpıcı biçimde düşürüyor ki ekipler, bankacılıktaki tüm zorluğun bulunduğu kalan %20'yi hafife alıyor. Artık "tamamlanmış gibi görünmek" ile "tamamlanmış olmak" arasındaki ayrımı açıkça yapıyoruz ve çalışan bir demonun zor konuşmanın sonu değil, başlangıcı olduğu anlayışını bir norm hâline getirdim.

Abhi'nin Düşünceleri

Çıkardığımız ders şuydu: AI, ilk %80’in maliyetini o kadar çarpıcı biçimde düşürüyor ki ekipler, bankacılıktaki tüm zorluğun bulunduğu kalan %20’yi hafife alıyor. Artık “tamamlanmış gibi görünmek” ile “tamamlanmış olmak,</em" arasındaki ayrımı açıkça yapıyoruz ve çalışan bir demonun zor konuşmanın sonu değil, başlangıcı olduğu anlayışını bir norm hâline getirdim.

Demo ile ürün değeri arasındaki fark

Demo büyüsü ile kalıcı ürün değeri arasında büyük bir fark var. AI, etkileyici sıfırdan bire geçiş anında başarılı olur; ancak sürdürülebilir etkiyi sağlayan gösterişsiz işlerde sürekli olarak beklentilerin altında kalır.

Birkaç örnek:

• Düzenlemeye tabi iş akışlarında "son kilometre": AI, çalışan bir prototipi hızla sunuyor; ancak bankacılıkta değer, sorunsuz ilerleyen ana akışta değil, kontrollerde, denetim izlerinde, istisna yönetiminde ve mutabakat mantığında yatıyor. AI bu kısmı anlamlı ölçüde hızlandırmadı. Tüm geliştirme sürecini kısaltacağını düşünmüştüm; yalnızca ilk yarıyı kısalttı. İkinci yarı hâlâ eskisi kadar zor ve gerçek ürün değerinin büyük bölümü burada yatıyor.
• Eski sistemlerin gerçekliğiyle entegrasyon: Bir platformun değerinin büyük kısmı, mevcut sistemlerle ne kadar sorunsuz entegre olduğunuzdan gelir — iş ortağı API'leri, temel işlem sistemleri ve onlarca yıllık dâhili hizmetler. AI araçları yeni geliştirilen ortamlarda başarılı oluyor; ancak gerçek kısıtlarımızla karşılaştıkları anda belirgin biçimde zayıflıyor. Gerçek dünyadaki platform mühendisliğini tanımlayan karmaşık ve bağlam yoğun entegrasyon çalışmaları, tam olarak en az yardımcı oldukları alan.
• Strateji katmanında karar kalitesi: AI sentezinin önceliklendirmemizi keskinleştirmesini umuyordum. Bizi daha hızlı ve daha bilgili hâle getirdi, ancak zor kararları kolaylaştırmadı; çünkü zor kararlar hiçbir zaman bilgi eksikliğiyle ilgili değildi, inanç, ödünleşimler ve risk iştahıyla ilgiliydi. AI bize daha fazla analiz sağladı; daha fazla netlik sağlamadı. Bu, düzeltilmesi gereken yararlı bir beklentiydi.

AI entegrasyonu neden adım adım ilerlemelidir?

Alt katmanları atlayamazsınız. AI konusunda — özellikle günümüzün yetenekli modelleriyle — içgüdü, doğrudan etkileyici son duruma ulaşmaktır: otonom sistem, kendi başına hareket eden aracı. Oraya ulaşmayı hak etmeniz gerektiğini öğrendim. Kestirme yolları denemek size pahalıya mal olur.

Artık bunu bir olgunluk ilerlemesi olarak görüyorum. Her türlü ciddi operasyonel bağlamda AI yetkinliği aşamalardan geçer — önce üretkenlik (mevcut işi hızlandırmak), ardından verimlilik (rutin adımları otomatikleştirmek), sonra zekâ (daha derin içgörü ve karar desteği) ve ancak bundan sonra özerklik (kendi başına hareket eden sistemler). Her katman, kendisinin altındaki katmana bağlıdır. Kendini henüz gözlemleyemeyen, kendi yapılandırmasını ortaya çıkaramayan veya bir kararı neden verdiğini size gösteremeyen bir platform üzerinde güvenilir bir aracı devreye alamazsınız. Gözlemlenebilirlik olmadan özerklik, gelişmişlik değil; göremediğiniz bir risktir.

Bunu daha önce fark etmiş olsaydım, alt yapı sağlamlaşmadan önce üst katman hakkında fazla söz verme ayartısından kaçınabilirdim. En iddialı demo, herkesi heyecanlandırdığı için sizi kolayca kendine çeker. Ancak olgunlaşmamış bir temel üzerinde çalışan gösterişli bir otonom yetenek, teşhis edilmesi zor şekillerde bozulur ve güveni hızla aşındırır — yanlış davranan bir sisteme harcandıktan sonra güveni yeniden inşa etmek pahalıdır.

Bu nedenle, yapay zekâ destekli ilk ürününü piyasaya süren herkese şunu söylerdim: hangi katmanda olduğunuz konusunda dürüst olun, o katmanda gerçek değer sunun ve daha üst düzey yeteneklerin yerlerini hak etmelerine izin verin. Sıralama, işin tamamıdır.

CPO'lar doğru kıtlık için nasıl optimizasyon yapabilir?

Genel olarak tavsiyem, yanlış kıtlık için optimizasyon yapmayı bırakmanız.

Kariyerimizin büyük bölümünde darboğaz üretimdi — işlerin yapılmasını sağlamak. Bu nedenle her şeyi iş hacmi etrafında organize ettik: iş listeleri, kapasite planlaması, daha hızlı teslimat. Yapay zekâ bu darboğazı adeta ortadan kaldırdı. Bir seçenek, prototip, taslak veya analiz üretmenin maliyeti sıfıra yaklaşıyor. Bir kısıt ortadan kalktığında ise yeni bir kısıt önemli hâle geliyor.

Yeni kıt kaynak, muhakemedir — neyin yapılmaya değer olduğunu, neye hayır demek gerektiğini, "iyi"nin neye benzediğini ve yapay zekânın kendinden emin çıktısında sessizce neyi yanlış yaptığını bilmek. Bu nedenle tavsiyem üç bölümden oluşuyor:

1. Yapay zekâ temettünüzü yalnızca hıza değil, muhakemeye harcayın: Daha hızlı ilerlemenin amacı daha fazlasını piyasaya sürmek değil — daha seçici olabilmeniz için hedefe yönelik daha fazla deneme yapma fırsatı satın almaktır. Yapay zekâ sadece yanlış şeylerden daha fazlasını daha hızlı üretmenizi sağlıyorsa, sorunu iyileştirmek yerine daha da kötüleştirmişsiniz demektir.
2. İşin özünden uzaklaşmayın: Zorlanacak liderler, bunu başkasının araç seçimi olarak görenler olacak. Gidin, kendiniz bir şey geliştirin. Yalnızca hakkında okuduğunuz bir değişim sürecinde ekibe liderlik edemezsiniz — içgüdüleriniz artık var olmayan bir dünyaya göre ayarlanmış olur.
3. Alanınız konusunda daha keskin, daha belirsiz değil, olun: Artık herkes aynı genel amaçlı yapay zekâya erişebiliyor. Avantajınız model değil — müşterileriniz, tabi olduğunuz düzenleyici gerçeklik ve işletmeniz hakkında edindiğiniz özgül, zor kazanılmış bilgidir. Yapay zekâ geneli metalaştırırken özgülü daha değerli hâle getiriyor. Size ait olana yaslanın.

Bu dönem, bilgi ve çabadan çok zevk sahibi olmayı ve inancı ödüllendiriyor. Bu rahatsız edici, çünkü çabayı kontrol edebilirsiniz ve zevk geliştirmeniz gerekir. Ancak bunu erkenden içselleştiren liderler, giderek daha büyük sonuçlar elde edecek olanlardır.

Takip edin

Abhi Gandotra'nın çalışmalarını LinkedIn ve web sitesinden takip edebilirsiniz. Ya da Egemen Ajan adlı kitabına göz atabilirsiniz.

CPO Club'da yakında daha fazla uzman röportajı!