Global Ürün Lideri, bu iş akışlarının acilen yapay zekâ ile yenilenmesi gerektiğini söylüyor

Tony Pagliocco, Aldar'da Küresel Ürün Yönetimi Direktör Yardımcısı olarak görev yapıyor; burada 24 ürün odaklı ekip genelinde ürün stratejisinden, operasyonel çerçevelerden ve çalışma biçimlerinden sorumlu.

Kendisi ve ekibi, yapay zekâyı doğrudan ürün iş akışlarına yerleştirmeye odaklanıyor. Bu nedenle, şu anda hangi iş akışlarını optimize ettiğini ve kuruluş genelinde benimsenmeyi nasıl sağladığını öğrenmek için kendisiyle görüştük. İşte söyledikleri.

Büyük ölçekte karmaşık sorunlar

Medya ve oyun sektörlerinden havacılık, lojistik ve şimdi de burada, BAE'de gayrimenkule kadar farklı sektörlerde dijital ürünler geliştirerek ve ölçeklendirerek son 20 yılı aşkın zamanımı geçirdim. Sürekli olarak büyük ölçekte karmaşık sorunları çözüyor ve etki yaratan ekipler kuruyorum.

Kariyerimin ilk dönemlerinde oldukça uygulamalı çalışıyor, ürünler piyasaya sürüyor ve uygulamayı öğreniyordum. Daha sonra daha büyük ürün kuruluşlarına liderlik ettim ve kurumsal düzeyde dönüşümü yönlendirdim. En öğretici dönemlerden biri, 777 ve 787 programlarını destekleyen dijital akıllı fabrika platformlarında ürün liderliği yaptığım Boeing'deydi. Üretim ve tedarik zinciri iş akışlarına doğal dil işleme ve bilgisayarlı görü uygulayarak çok petabaytlı veri ortamlarıyla çalıştık. Sorunları öngören, operasyonları optimize eden ve küresel ölçekte çalışan sistemler geliştirdik. Bu deneyim, veri, platformlar ve şimdi de yapay zekâ hakkındaki düşünce biçimimi şekillendirdi.

Aldar'da yapay zekâ, akıllı şehir platformlarından dijital ikizlere, ana planlama ve fizibilite araçlarına kadar geliştirdiğimiz her şeyin içine derinlemesine yerleştirilmiş durumda. Henüz fiziksel olarak inşa edilmeden çok önce kararları simüle etmek, öngörmek ve optimize etmek için yapay zekâyı kullanıyoruz; bu da işletmenin çalışma biçimini temelden değiştiriyor.

Bu an bir dönüm noktası. Yazılım geliştirmekten akıllı sistemler geliştirmeye geçiyoruz ve ürün liderliğinin rolü yol haritalarını yönetmekten, veriyi, yapay zekâyı ve gerçek dünyadaki sonuçları büyük ölçekte koordine etmeye doğru değişiyor.

Ürün stratejisine liderlik etmek

Bugün Aldar'da, Dijitalden Sorumlu Genel Müdürümüze bağlı olarak Küresel Ürün Yönetimi Direktör Yardımcısı görevini yürütüyorum; 24 ürün odaklı ekip genelinde ürün stratejisine, operasyonel çerçevelere ve çalışma biçimlerine liderlik ediyorum.

Ekiplerimiz gayrimenkul satışları, perakende, ticari ve konut alanları, sadakat ve pazarlama, e-ticaret, konaklama ve akıllı şehir IoT'si gibi geniş bir ekosisteme yayılıyor; amiral gemisi platformumuz Live Aldar ise tüm bunların temelini oluşturuyor. Müşteriye dönük deneyimlerin yanı sıra kurum içi platformları da destekliyor, her şeyi kusursuz ve uçtan uca bir yolculukta birleştirmeye güçlü bir şekilde odaklanıyoruz.

Teslimat süreçlerinde, iş sonuçlarıyla uyumlu, farklı işlevlerden oluşan ekipler aracılığıyla çalışırken ekosistem genelinde ölçeklenmek için kimlik, ödemeler, veri ve yapay zekâ gibi ortak platformlara yatırım yapıyoruz. Benim rolüm, her alanın hızlı hareket etmesini ve etki yaratmasını sağlarken nasıl geliştirme yaptığımız konusunda tutarlılığı güvence altına almak.

Yapay zekâ neden sağlam temeller gerektirir?

Tony'nin Düşünceleri

Yapay zekâyla zorlanan ekipler genellikle onu bozuk temellerin üzerine katmanlamaya çalışır.

Öncelikle söylenmesi gereken şu: Yapay zekâ bir özellik değildir. Tüm ürününüzün ve kuruluşunuzun çalışma biçimini değiştiren bir yetkinliktir.

Birçok ekip yapay zekâya, başka herhangi bir geliştirmeye yaklaşır gibi yaklaşıyor; bir sohbet robotu ekliyor, bir iş akışını otomatikleştiriyor veya bir özelliği iyileştiriyor. Bu düşünce biçimi etkiyi sınırlar. Asıl değişim, yapay zekânın kararların nasıl alındığını, ürünlerin nasıl geliştirildiğini ve değerin nasıl yaratıldığını değiştirmesidir.

Aynı zamanda temelleri de açığa çıkarır. Verileriniz parçalıysa, iş akışlarınız net değilse veya ürün düşünceniz zayıfsa yapay zekâ bu sorunları büyütür. Yapay zekâyla zorlanan ekipler genellikle onu bozuk temellerin üzerine katmanlamaya çalışır.

Asıl iş, doğru girdilere, yapıya ve koruyucu önlemlere sahip olmasını sağlamaktır. Bunlar olmadan çıktılar yüzeyde iyi görünebilir, ancak gerçek ürün kullanımı için güvenilirlikten yoksun kalabilir. Bunu en başından bilseydim veri temizliğine, sorun alanının daha net tanımlanmasına ve ürün içinde yapay zekâ kullanımına daha güçlü sınırlar getirmeye daha erken yatırım yapardım.

Yalnızca bu bile, gerçekçi olmayan beklentilerden kaçınarak zaman kazandırırdı. Hızlı hareket etmek ve yapay zekâyı sergilemek için çoğu zaman baskı vardır, ancak doğru temeller olmadan gereğinden fazla yineleme yaparsınız — ya da daha kötüsü, kullanıcı güvenini kaybedersiniz.

Bu nedenle liderlerin işe başlamadan önce şu soruyu sorması gerekir: "Bundan yararlanmak için veriye, işletim modeline ve ürün disiplinine sahip miyiz?"

Yapay zekâ ürün geliştirme sürecini nasıl dönüştürüyor?

Geçen yıl yaptığımız en büyük değişikliklerden biri, durağan ve belge ağırlıklı ürün geliştirmeden yapay zekâ destekli, sürekli keşif ve teslimata geçmek oldu.

Geleneksel olarak sürecimiz, hazırlanması zaman alan ve çoğu zaman kısa sürede geçerliliğini yitiren yapılandırılmış çıktılara — PRD'ler, iş gerekçeleri, araştırma belgeleri — dayanıyordu. Bu iş akışına yapay zekâyı doğrudan dahil ederek müşteri geri bildirimlerini sentezlemeye, destek taleplerini analiz etmeye, ilk ürün gereksinimlerini oluşturmaya ve hatta keşif sırasında varsayımlara meydan okumaya başladık.

Bu, karar alma hızını ve kalitesini değiştirdi. Ürün yöneticileri artık sıfırdan başlamıyor; içgörülerle başlıyor. Fikirden doğrulamaya daha hızlı geçişler, paydaşlar arasında daha iyi uyum ve verilerle daha iyi bilgilendirilmiş önceliklendirme görüyoruz.

Ekiplerimizin çalışma biçimi de değişti. Yapay zekâ ayrı bir araç olmaktan çıktı; ister hipotezler oluşturmak, ister verileri özetlemek, ister teslimatı hızlandırmak olsun, artık günlük iş akışlarına gömülü durumda. Ürün yöneticisinin rolü, yaratıcıdan çok küratör ve karar verici olmaya doğru bir miktar değişti.

Ürün keşfi yapay zekâ ile nasıl yeniden tasarlanabilir?

Tüm ürün yaşam döngüsü içinde en büyük yeniden tasarıma ihtiyaç duyan bölüm ise keşiftir.

Tarihsel olarak keşif yavaştı, manueldi ve büyük ölçüde küçük örneklere — görüşmelere, anketlere ve sınırlı veri analizine — dayanıyordu. Yapay zekâ ile bu model artık geçerliliğini korumuyor. Artık çok büyük miktarlardaki müşteri geri bildirimlerini, davranışsal verileri ve sinyalleri neredeyse gerçek zamanlı olarak işleyebiliyoruz.

Ancak ekiplerin çoğu hâlâ keşfi 2015'teymişiz gibi yürütüyor.

Fikirleri, içgörüleri ve önceliklendirmeyi daha iyi yapılandırmak için Jira Product Discovery'yi iş akışımıza yerleştirerek başladık. Bu bize sağlam bir temel sağladı, ancak Rovo yapay zekâ aracılarını katman olarak ekleyip bunları daha geniş ekosistemimize — belgeler, teknik tasarımlar, Figma ve diğer teslimat araçlarına — bağladığımızda gerçekten hızlandık.

Ayrıca sürekli veri akışlarını — anket sonuçlarını, müşteri geri bildirim döngülerini, iletişim merkezi verilerini ve ürün analizlerini — entegre ederek her şeyi tek bir keşif akışına aktardık.

Artık girdileri elle bir araya getirmek yerine ekipler sinyalleri hızla sentezleyebilir, ilk gereksinimleri oluşturabilir ve keşfi doğrudan uygulamaya bağlayabilir. “İçgörü” ile “teslimat” arasındaki boşluk önemli ölçüde daraldı.

Bu, daha hızlı döngüler ve daha iyi kalite sağlar. Ekipler daha bilgili bir başlangıç noktasıyla, ürün, tasarım ve mühendislik arasında daha güçlü bir uyumla işe başlar.

Yapay zekâ ürün faaliyetlerine bilgi sağlarken neden kararları insanlar verir?

Yapay zekâyı ölçek, hız ve örüntü tanıma amacıyla — keşif, veri analizi ve erken fikir geliştirme için — yoğun biçimde kullanıyoruz. Artık olmazsa olmaz bir seçenek değil, varsayılan başlangıç noktamız.

Yapay zekâ müşteri geri bildirimlerini, destek taleplerini ve davranışsal verileri dakikalar içinde sentezleyerek hipotezleri şekillendiriyor ve hatta ilk taslak gereksinimleri oluşturuyor. Akıllı şehir ve dijital ikiz çalışmalarımızda, senaryoları simüle etmek için de kullanıyoruz; böylece ekipler herhangi bir şey inşa etmeden önce planlama ve uygulanabilirlik kararlarını değerlendirebiliyor.

Ancak yapay zekânın nerede durması gerektiği konusunda çok netiz.

Önceliklendirme, yol haritası kararları, kullanıcı deneyiminin incelikleri ve ödünleşimler insanlarda kalır; çünkü bağlam, deneyim ve hesap verebilirlik burada önemlidir. Yapay zekâ stratejiyi, politikayı veya riski anlamlı bir biçimde kavrayamaz. Kararları bilgilendirebilir, ancak kararları vermemelidir.

Örneğin, önceliklendirmeye yön vermek için müşteri geri bildirimlerini ve destek taleplerini analiz etmek üzere yapay zekâyı kullandık. Model, örüntüleri belirledi ve sıkça dile getirilen sorunları etkili biçimde ortaya çıkardı, ancak neyin yüksek sesle dile getirildiğini ve neyin önemli olduğunu ayırt edemedi. Düşük etkili sorunlar, müşteriler bunları daha sık bildirdiği için olduğundan fazla öne çıktı; daha kritik ancak daha seyrek yaşanan sorunlara ise yeterince ağırlık verilmedi.

Ayrıca müşteri yolculuğuna ilişkin bağlamı da gözden kaçırdı — bir şeyin yalnızca gerçekleştiğini değil, neden gerçekleştiğini de anlamak gerekiyordu. Sinyali doğru yorumlamak için insan yargısı kritikti.

Güven açısından, yapay zekâ paydaşların sezgileriyle örtüşmeyen bir şey ortaya çıkardığında paydaşlar bunu hızla göz ardı ediyordu. Dolayısıyla yalnızca doğruluk yeterli değildi — açıklanabilir olması ve gerçek dünya bağlamıyla örtüşmesi gerekiyordu.

Ürün yöneticilerinin yapay zekâya aşırı güvenme konusunda neden dikkatli olması gerekir

Hız ve iş hacmi, yapay zekânın en büyük olumlu yönleri. Ürün yöneticileri fikirden doğrulanmış bir yöne çok daha hızlı ilerliyor; daha önce günler süren sentezleme ve taslak hazırlama işleri artık saatler içinde tamamlanıyor. Ekipler genelinde, erken aşama keşif ve dokümantasyon döngülerinde hızın %30–50 arttığını tahmin ediyorum.

Kalite de iyileşti. Yapay zekâ, müşteri sinyallerini bir araya getirerek, örüntüleri öne çıkararak ve kör noktaları azaltarak ekiplerin daha bilgili bir başlangıç noktasıyla işe koyulmasına yardımcı oluyor. Bu da daha iyi ilk hipotezlere ve paydaşlarla daha fazla veriye dayalı görüşmelere yol açıyor.

Öte yandan, gördüğüm en büyük risk aşırı güven. Bazı ekipler başlangıçta yapay zekâ çıktılarının girdiler değil, “yanıtlar” olduğunu düşündü; bu da sığ düşünmeye veya genel çözümlere yol açtı. Ekipleri, yapay zekânın ürettiklerini olduğu gibi kabul etmek yerine sorgulamaları ve geliştirmeleri konusunda aktif olarak yönlendirmemiz gerekti.

Tutarlılık açısından da bir boşluk var. Yapay zekâ, ona sağladığınız bağlam kadar iyidir. Güçlü ürün yöneticileri, yapay zekâyı nasıl yönlendireceklerini bildikleri için katbekat daha fazla değer elde ediyor. Daha az deneyimli olanlar ise zorlanabiliyor veya gürültülü çıktılar üretebiliyor.

Özetle, fırsat gerçek. Daha hızlı döngüler, daha iyi başlangıç noktaları — ancak yalnızca güçlü ürün düşüncesiyle. Aksi takdirde yanlış yanıta daha hızlı ulaşırsınız.

Uçtan uca otomasyon neden PM'leri hayal kırıklığına uğratıyor

Başlangıçta yapay zekânın yol haritası kararlarını anlamlı biçimde yönlendirebileceğini veya yüksek kaliteli, kullanıma hazır çözümler üretebileceğini varsaydım. Gerçekte, ürettiği şey çoğu zaman yön gösterici açıdan faydalı olsa da hâlâ geneldir. İş bağlamından, müşteri nüanslarından ve deneyimli ekiplerin her gün yaptığı ödünleşimlerden yoksundur.

Uçtan uca otomasyon, henüz tam olarak hayata geçirilememiş başka bir alan. Yapay zekâ aracıları iş akışlarını yürütme veya teslimatın bazı bölümlerinin yerini alma konusunda büyük umut vadediyor; ancak pratikte, geniş ölçekte güvenilir olabilmeleri için hâlâ yoğun insan gözetimi gerekiyor.

Dolayısıyla boşluk, beklenti ile gerçeklik arasında. Yapay zekâ bir hızlandırıcı olarak inanılmaz derecede güçlü, ancak ürün yargısının yerini tutmuyor — ve ona bu şekilde yaklaşan ekipler oldukça hızlı biçimde hayal kırıklığına uğruyor.

Tony'nin Düşünceleri

Yapay zekâ bir hızlandırıcı olarak inanılmaz derecede güçlü, ancak ürün yargısının yerini tutmuyor — ve ona bu şekilde yaklaşan ekipler oldukça hızlı biçimde hayal kırıklığına uğruyor.

PM'ler neden yapay zekâ ile kontrolden güvene geçmeli

Ürün kalitesi artık sıkı biçimde kontrol edilen, deterministik deneyimlerden kaynaklanmıyor. Böyle olduğu düşüncesini bırakmamız gerekiyor.

Geleneksel olarak ürünleri öngörülebilir davranacak şekilde tasarladık — net akışlar, tanımlı çıktılar ve haritalanmış uç durumlar. Özellikle üretken yapay zekâ ile varsayılan olarak değişkenlik getiriyorsunuz. Aynı girdi her zaman tam olarak aynı çıktıyı üretmeyebilir ve bu, kalite hakkında düşünme biçiminizi değiştirir.

Bu, “Bu kusursuz biçimde tanımlanmış mı?” sorusundan “Bu güvenilir biçimde faydalı mı ve kabul edilebilir sınırlar içinde mi?” sorusuna geçişi zorunlu kılıyor.

Bu, zihniyette büyük bir değişim. Artık her sonucu tasarlamıyorsunuz — koruyucu sınırları, geri bildirim döngülerini ve sürekli iyileştirme yöntemlerini içeren sistemler tasarlıyorsunuz. Bu aynı zamanda, değer mevcut olduğu ve riskler yönetildiği sürece belirli bir kusur düzeyini kabullenmek anlamına geliyor.

Bu nedenle kontrolden güvene geçtim — her olası sonucu en baştan tanımlamaya çalışmak yerine, sistemin sınırlar içinde çalışacağına güveniyorum.

Yapay zekâ ürün ekiplerinin dinamiklerini nasıl değiştiriyor

Yapay zekâ, ekibin yapısını değiştirdiğinden çok, ekibin çalışma biçimini değiştirdi.

Rollerin yerini almadık, ancak bu rollerden beklentiler değişti. Ürün yöneticileri manuel sentezleme ve dokümantasyona daha az, yargıya, önceliklendirmeye ve sonuçları yönlendirmeye daha fazla zaman ayırıyor. Düşünme standardı yükseldi.

Ayrıca roller arasındaki bazı sınırları da bulanıklaştırdı. PM'ler veriye daha fazla yaklaşıyor, tasarımcılar daha hızlı yineleme yapmak için yapay zekâyı kullanıyor ve mühendisler geliştirmeyi hızlandırmak için ondan yararlanıyor. Herkes bireysel olarak daha hızlı ilerleyebildiği için iş birliği döngüleri daha sıkı hâle geldi.

Aynı zamanda, açık bir ayrımın ortaya çıktığını görüyoruz: yapay zekâyla nasıl çalışacağını bilenlerle bilmeyenler arasındaki ayrım. Bu sürece dahil olan ekipler, önemli ölçüde daha üretken.

Yapay zekâyı iş akışlarına dahil etmek benimsenmeyi nasıl artırır?

Benimsenme bir zorluk oldu. Herkes aynı hızda ilerlemiyor. Bazıları sürece dahil oluyor, denemeler yapıyor ve hızla uyum sağlıyor. Diğerleri ise tereddüt ediyor, sorguluyor veya sürece dahil olmadan önce her şeyin kusursuz olmasını bekliyor — ayrım da burada ortaya çıkıyor.

Yapay zekâ kullanımını görünür ve beklenen bir uygulama hâline getirdik — isteğe bağlı olmaktan çıkardık.

Bunu “işte yeni bir araç” diyerek kullanıma sunmak yerine doğrudan ekip operasyonlarına yerleştirdik. Örneğin, her keşif veya PRD döngüsünün yapay zekâ destekli bir ilk çalışmayı içermesi için ürün iş akışlarımızı güncelledik — müşteri geri bildirimlerini sentezlemek, ilk gereksinimleri oluşturmak veya hipotezleri ana hatlarıyla ortaya koymak gibi. Bu, sonradan eklenen bir özellik değil, sürecin bir parçası hâline geldi.

Ayrıca basit bir beklenti belirledik: Bir incelemeye veya tartışmaya boş bir sayfayla gelmeyin. Yapay zekâ destekli bir çalışmayla başlayın, ardından onu nasıl geliştirdiğinizi gösterin. Bu, bakış açısını hızla dirençten pratik kullanıma çevirdi.

Aynı zamanda elde edilen başarıları öne çıkardık — bir ekibin yapay zekâ kullanarak keşif süresini yarıya indirdiğini veya ilk fikirlerinin kalitesini nasıl artırdığını gösterdik. Ekip arkadaşlarının bu gelişmeleri görmesi ivme yarattı.

Bu, benimsemeyi zorla dayatmakla ilgili değildi; iş akışında bunu normalleştirmek ve gerçek örneklerle faydaları görünür kılmakla ilgiliydi.

Ürün liderleri neden şimdi yapay zekâya yönelmeli?

İşte tavsiyem: Netlik kazanmasını beklemeyin — sürece dahil olun ve şimdi başlayın.

Bu, ilk harekete geçenlerin bundan sonra ne olacağını şekillendireceği bir dönem. Ya kenara çekilip analiz edebilir ya da işe doğrudan dahil olup bunu gerçek iş akışlarında çözebilirsiniz. Her gün yapay zekâ kullananlarla hâlâ onun hakkında konuşanlar arasında şimdiden bir ayrım oluşuyor.

Bir öncü olun. Bunun gelecek olduğuna inanıyorsanız öyle davranın. Söylediklerinizi eylemlerinizle destekleyin—onu kendi işinizde kullanın, ekiplerinizi kullanmaya teşvik edin ve kuruluşunuzun çalışma biçimine dahil edin. Mesele, kenarda pilot uygulamalar yürütmek değil; ürün geliştirme biçiminizi değiştirmek.

Aynı zamanda gerçeklikten kopmayın. Yapay zekâ düşünmenin yerini tutmaz. O, bir çarpandır. Başarılı liderler, güçlü ürün muhakemesini hızlı öğrenme isteğiyle birleştirecek.

Asıl mesele öğrenmeye dayanıyor. Şu anda aktif olarak öğrenmiyor, denemeler yapmıyor ve gelişmiyorsanız geride kalacaksınız. Bu kadar basit.

Öyleyse sürece dahil olun, merakınızı koruyun ve en önden liderlik edin.

Gelişmeleri takip edin

Tony Pagliocco'nun çalışmaları hakkında daha fazla bilgiye tonypag.com adresinden ulaşabilir veya kendisiyle LinkedIn üzerinden bağlantı kurabilirsiniz.

CPO Kulübü'nde daha fazla uzman röportajı sizleri bekliyor!