Kurucu ve eski Apple ürün yöneticisi, ürün gereksinimleri dokümanı süreçlerinin baştan ele alınması gerektiğini söylüyor ’ işte yol haritası

Sonia Vora, çeşitli sağlık şirketlerinde Ürün Başkanı ve Ürün Yönetimi Direktörü olarak görev yaptı. Ayrıca Apple'ın birkaç sağlık ürününde ürün liderliği yaptı. Şimdi ise bir yapay zekâ sağlık şirketinin kurucusu.

Sonia ile, ürün yönetimi iş akışlarında ajanları nasıl kullandığını öğrenmek için konuştuk. Bize anlattıkları şöyle.

Yapay zekâ sağlık ürünlerine derinlemesine bakış

Merhaba, ben Sonia. Kariyerime McKinsey ve GoogleX'te strateji danışmanlığı yaparak başladım. Daha sonra Hindistan'da faaliyet gösteren, doğrudan tüketiciye yönelik bir sigorta şirketi ve D Serisi yatırım almış ACKO Insurance'ta Ürün Yönetimi Direktörü oldum. Ardından Hindistan'daki bir hastane sistemi içinde yer alan entegre bakım birimi Narayana One Health'te Ürün Başkanı oldum. Ayrıca Apple'da iki sağlık ürününün ürün liderliğini yaptım: Attain uygulaması (Aetna Insurance ile ortak geliştirildi) ve Lumihealth (Singapur hükûmetiyle ortak geliştirildi). Ayrıca Forbes 30 Under 30 listesinde yer aldım.

2017'de, dönüştürücüler ve LLM'lerden önce, McKinsey ve Google'da yapay zekânın etkisini araştırdım ve Apple ile ACKO'da hasta bakımını iyileştirmek için makine öğrenimi tabanlı fırsatları inceledim. Ancak o zamandan beri doğrudan yapay zekâ ile çalışmamıştım. Yaklaşık 1,5 yıl önce yapay zekânın yalnızca sektörümü (sağlık hizmetleri) değil, ürün yönetimini de dönüştüreceğini fark ettim. Hemen birkaç girişim başlattım:

1. Yapay zekânın temelleri konusunda kendi kendime eğitim almak.
2. ChatGPT/Gemini'yi ürün ekibimin günlük ürün yönetimi çalışmalarına entegre etmek. Buna daha ayrıntılı PRD'ler için istemler oluşturmak, PRD'ler üzerine beyin fırtınası yapmak, Deep Research ile araştırma yürütmek ve tasarım geri bildirimi sağlamak ve UX sorunlarını yakalamak için ChatGPT ile Gemini'yi kullanmak da dahildi.
3. Hızlıca prototip oluşturmak ve kullanıcılardan ve alıcılardan UX geri bildirimi toplamak için Lovable gibi araçları denemek.

Şimdi Alongside Health adlı bir yapay zekâ ve sağlık hizmetleri şirketinin kurucusuyum. Klinik bakımı otomatikleştirmek için LLM'lerin doğal dil yetenekleri ile deterministik protokollerin bir birleşiminden yararlanıyorum. İlk pilotlarımızı oluşturmak için her gün Claude Code'u kullanarak deterministik sistemler tasarlıyor ve pilot müşterilerimizin test etmesi için ajanlar geliştirip kullanıma sunuyorum. Prototipleri ve web sitemizi de doğrudan Claude Code ile oluşturuyorum.

Sonia Paylaşıyor

Ürün liderleri, ürün yöneticilerinin bir PRD yazıp bunu tasarıma, ardından da mühendisliğe devrettiği sistemi tamamen yeniden tasarlamalıdır.

Yapay zekâ PRD sürecini nasıl değiştiriyor?

Ürün liderleri, ürün yöneticilerinin bir PRD yazıp bunu tasarıma, ardından da mühendisliğe devrettiği sistemi tamamen yeniden tasarlamalıdır. Amaç, tüm bu döngüyü hızlandırmak, ürün yöneticileri ile tasarımcıların mühendislik tarafından darboğaza uğramasını önlemek ve uzmanlıklarına en çok ihtiyaç duyulan noktada mühendisliği sürece daha erken dâhil etmektir.

İnsanlar bu konuya farklı şekillerde yaklaşıyor, ancak ben etkisi yüksek ve kolayca değerlendirilebilecek iki fırsat görüyorum:

1. Önce ürün yöneticileri, ardından tasarımcılar tarafından geliştirilen Claude prototiplerini sunarak başlangıçtaki ‘PRD iyileştirme’ ve fikir oluşturma süreçlerini hızlandırmak. Bu, mühendislerin yeni özellikler için tasarım dokümanları oluştururken uzun yazılı gereksinimlerle işe başlamak yerine somut bir temel edinmesini sağlar.
2. Mevcut bir özellik için, değişiklikler mimariyi temelden etkilemediği sürece ürün yöneticileri ve tasarımcılara belirli değişiklikleri yapmaları ve PR'lar göndermeleri için tam erişim vermenin faydalı olduğunu gördüm. Güçlü bir kod inceleme süreciniz varsa, ürün yöneticileri ve tasarımcılar değişiklik gönderdiğinde ortaya çıkacak çok miktarda dağınık yeni kodu önlersiniz.

Ben artık her uç durumu ele almaya çalışan uzun PRD'ler yazmıyorum. Bunun yerine, ilk gereksinim dokümanımı soru-cevap görüşmeleri aracılığıyla ayrıntılandırmak için hemen Claude ile çalışıyorum.

Daha sonra bu dokümanı Claude Code için başlangıç noktası olarak kullanıyor ve prototipin kendisini uç durumları bulmak için kullanarak, kullanıma sunmadan önce bu gereksinimleri Claude ile PRD dokümanına entegre ediyorum.

Sonuç olarak aynı sürede çok daha yüksek kaliteli işler üretiyorum. Titiz olmama, seçenekleri daha hızlı keşfetmeme ve faydalı çevrimiçi kaynakları araştırmama yardımcı olan bir düşünce ortağım ve fikir alışverişi ortağım var.

Deney yapmak yapay zekânın süper gücüdür

Ürün yönetiminde yapay zekâyı nasıl kullandığımı açıklayayım:

• Problem keşfi: Kullanıcıların gerçek dünyadaki sorunlarını bilmediği için yapay zekâ burada en az yardımcı olur. Yapay zekâ hipotezler oluşturabilir, ancak bunlar birinci elden değildir ve fikir birliği olmayan gerçekleri ortaya çıkarmaz. Hiçbir şey, bir kullanıcıyla oturup düşüncelerini anlamanın yerini tutamaz.
• Önceliklendirme: Benzer şekilde, yapay zekâ önceliklendirme için bir "sağduyu" ilk değerlendirmesi sunabilir, ancak gerçek kullanıcı geri bildiriminden veya ürün sezgisinden yoksundur; bu nedenle bu alanda yapay zekâyı dikkatle izlemelisiniz.
• Tasarım zevki ve UX kararları: Yapay zekâ harika bir ilk değerlendirme sunar, ancak kullanıcılarınızı veya hedeflerini anlamaz; yalnızca mevcut akışları taklit eder. Kullanıcıların görevlerini gerçekleştirmesine yardımcı olan "insan" unsurunu dikkatle değerlendirmelisiniz. Tutarlılığı sağlamak, bileşenleri göz önünde bulundurmak ve kullanıcı beklentileriyle hedefleriyle gerçekten örtüşen bir bilgi mimarisi oluşturmak için UX üzerinde kapsamlı yinelemeler yaptım. Bu, her ekranı harika ön yüz kütüphanelerine sahip bir mühendisin tasarlamasına benzer — bazen harika görünür, ancak kullanıcıların görevlerini nasıl tamamlayacaklarını kolayca anlamalarına yardımcı olmaz.
• Planlama: Burası yapay zekânın ilk değerlendirme oluşturmada başarılı olduğu bir alandır. Yeterli bağlam verildiğinde, başlangıç zaman çizelgelerini etkili bir şekilde oluşturabilir ve planlama taktiklerine yardımcı olabilir. Linear'ı özellikle çok seviyorum.
• Ödünleşimleri ve tasarım kararlarının etkisini belirleme: Kodlama aracıları, açıkça istenmedikçe bunu çoğu zaman yapmaz. Ancak yönlendirildiklerinde, birden fazla artıyı, eksiyi ve iç tartışmayı etkili bir şekilde sunarak sonuçlar üzerine daha derin düşünmenize yardımcı olurlar. Kodlama araçlarıyla RCA ve beyin fırtınası yaparken hâlâ sık sık boşluklar buluyorum, ancak bazen hemen düşünmediğim noktaları da gündeme getiriyorlar.
• Deney yapma: Bu, yapay zekânın gerçek süper gücüdür. Kavramları çok hızlı oluşturabildiğiniz için birçok farklı şeyi deneyebilir, ürünü kullanabilir ve ardından bulgularınıza göre yineleme yapabilirsiniz.

Yapay zekâ değerlendirme iş akışlarını nasıl destekleyebilir?

Ürün yönetimimde kullandığım bir yapay zekâ iş akışı örneğini paylaşayım.

Claude'u, her yeni ürün sürümü için OpenAI veya Gemini'den (API çağrıları aracılığıyla) bir hasta kişiliğini canlandırmasını ve simüle edilmiş bir sohbette aracımın sorularına yanıt vermesini istediğim bir süreci betik olarak oluşturmak için kullandım.

Hasta kişiliklerini, tüm protokol dallarını oluşturan ve her birini test eden bir betikten üretiyorum. Betik ayrıca araştırmaya dayalı oluşturucumuzdaki kişilik türlerini de içeriyor. Her kişilik yeni araç sürümüyle sohbet ettikten sonra Gemini veya OpenAI'dan konuşmayı 10 değerlendirme ölçütümüze göre değerlendirmesini ve başarılı/başarısız puanları vermesini istiyoruz.

Ardından değerlendirme sonuçlarını inceliyor, Claude'un sorunlarını düzeltmek için önerilen değişiklikleri listeliyor, yeni bir araç sürümünü kullanıma sunuyor ve tüm işlem hattını yeniden çalıştırıyorum.

Değerlendirme sonuçlarını, simüle edilmiş konuşmaları ve simüle edilmiş hasta kişiliklerini görüntüleyebildiğim ön yüzü oluşturmak için Claude Code'u kullandım.

Son derece yardımcı oldu, ancak bir çekince var: Yapay zekâ hâlâ son derece stokastik. Güvenilirlik gerektiren alanlarda zorlandım. Örneğin, bunun gibi LLM-as-judge değerlendirmelerinde yapay zekâ bir çalıştırmada çoğu zaman başarılı, diğerinde ise başarısız sonucu veriyor; bu da büyük bir sorun.

Tutarsızlığı azaltacak şekilde tasarım yapabilirsiniz, ancak olası yapay zekâ hatalarını yakalayacak şekilde de her zaman tasarım yapmalısınız.

Ürün yöneticileri Claude Code karşısında gözlerinin korkmasını nasıl engelleyebilir?

Başlangıçta, özellikle çoğu kişi Claude Code'u terminal içinde kullandığı için, mühendis olmayan biri olarak onu etkili bir şekilde kullanma fikri gözümü korkutuyordu.

Ancak bir şeyler oluşturmaya başladım. Claude/Cursor'u yoğun beyin fırtınası ve yönlendirme gerektiren kıdemsiz bir çalışan gibi ele aldım ve bu, Claude tarzı kodlamayla ilgili olası sorunları öğrenmeme yardımcı oldu. Artık iş akışımda bunları önceden ele alıyorum.

Örneğin Claude, bağlam penceresine sığdırmak için bilgileri özetlediğinden "unutkan" görünebilir. Bunun üstesinden gelmek için artık ondan bir şey oluşturmadan önce her zaman bir plan yazmasını ve gerçek bir insanla yapacağınız gibi bu plana başvurmasını istiyorum — biz de unutkanız!

Modeller önemli ölçüde geliştiği için Claude'u kullanmak artık özellikle kolay. Bağlam eksik olsa bile, ona soru sormasını söylerseniz önce sizinle konuşarak kapsamlı bir plan oluşturabilir. Ardından daha güvenilir bir şekilde uygulayabilir ve iskelet oluşturmaya ilişkin endişenizi azaltabilir.

Kodlama ajanları neden sihirli çözümler değil?

Kodlama ajanları sayesinde artık herkes mühendis olabilir. Bu nedenle uzmanları yalnızca iyi yaptıkları işlere odaklamalı, diğer herkesin de basit işleri yapmasına izin vermeliyiz. "Herkes mühendistir" anlayışı son derece önemlidir.

Ancak kodlama ajanlarının müdahale olmadan hataları sihirli bir şekilde düzeltemeyeceğini belirtmekte fayda var. Kodlama ajanları çoğu zaman sağduyudan veya tasarım bağlamından yoksundur; bu da sorunların temel nedenini yanlış belirlemelerine ya da sorunları yanlış çözmelerine yol açar.

Biraz yönlendirmeyle çok daha iyi performans gösterirler, ancak bağlamsal sınırlamalar fark edilmeden özensiz uygulamaya veya düşünmeye yol açabilir.

Geliştirme süresini yine de muazzam ölçüde kısalttı, ancak iyi bir ürün sunmak hâlâ ciddi ölçüde düşünmeyi gerektiriyor.

AI alanındaki gelişmelere nasıl ayak uydurulur?

Bu araçlarla gerçek işlerinizde çalışmaya şimdi başlayın! Benimsemeyi ne kadar geciktirirseniz, bu ajanlarla iş akışlarını zaten optimize etmiş meslektaşlarınızın o kadar gerisinde kalırsınız.

Bu sırada AI'ın güçlü ve zayıf yönleri konusunda açık fikirli olun — ve bunun neredeyse her ay değiştiğini kabul edin.

Deney yapın. Modellerin güçlü ve zayıf yönlerini anlamak için günlük işlerinizde Claude Code'u veya diğer araçları kullanın. Bir işe her gün yalnızca 30 dakika ayırsanız bile, onu otomatikleştirmek için bir veya iki saat yatırım yapmaya değer; bu zamanla katlanarak artacaktır.

Yanıt ararken birden fazla LLM sohbet aracını deneyin; böylece farklı sağlayıcıların ve modellerin nasıl yanıt verdiğini görebilirsiniz. Ayrıca AI'ı mümkün olan en iyi PM'ler olmak için uygulayan kişilerden haberdar olmak üzere LinkedIn "beslenme düzeninizi" değiştirin.

Şu anda herkes kendini bunalmış hissediyor ve bu normal. Kendini bunalmış hisseden tam zamanlı AI profesyonelleriyle konuşuyorum — kendinize karşı nazik olun ve AI gelişmelerine ayak uydururken küçük başarılarınızı kutlayın.

Takipte kalın

Sonia Vora ile LinkedIn üzerinden bağlantı kurabilirsiniz.

The CPO Club'da daha fazla uzman röportajı sizleri bekliyor!