Ürün lideri ve eş CEO, yapay zekâ ürünleri geliştirmenin neden bambaşka bir iş olduğunu anlatıyor

Andrei Rebrov, tüm hayatı boyunca ürün geliştirmiş ve Finsi'nin eş CEO'su olarak ekibin ve müşterilerinin ürün stratejisinin her katmanına yapay zekâyı entegre eden bir isimdir.

Andrei'ye yapay zekânın hem ürün yönetimini hem de ürün stratejisini nasıl dönüştürdüğünü sorduk. İşte bize anlattıkları.

Yapay zekâyı ürün stratejisine entegre etmek

Ben Finsi'nin eş CEO'su Andrei Rebrov. Ürün liderliğindeki yolculuğum boyunca, insanlara gerçekten hizmet eden finansal teknoloji çözümleri geliştirmeye derinlemesine odaklandım.

Finsi'de, e-ticaret markaları için geliştirilmiş yapay zekâ destekli bir büyüme platformunun arkasındaki ürün organizasyonuna liderlik ediyorum. Ürün, geliri 5 milyon doların altındaki gelişmekte olan markalardan daha büyük KOBİ'lere kadar DTC ve abonelik tabanlı e-ticaret işletmecilerine hizmet veren bir B2B SaaS çözümüdür. Platformumuz Shopify, Klaviyo, Meta Ads, Google Ads ve Recharge dâhil olmak üzere 50'den fazla araçla bağlantı kurarak tüm e-ticaret yığını genelindeki verileri birleştirir. Ayrıca gelir istihbaratı, reklam otomasyonu, elde tutma ve e-posta, SEO ve müşteri araştırmasını kapsayan beş yapay zekâ ajanı kullanır.

Sunum modelimiz tamamen web tabanlı SaaS'tir ve temel değer önerimiz, analitik ile uygulama arasındaki döngüyü kapatmaktır: Yalnızca içgörüleri ortaya çıkarmakla kalmaz, kullanıcılarımız için kampanyaları, akışları ve segmentleri oluşturup devreye alırız.

Finsi'deki çalışmalarımda, yapay zekânın finansal hizmetleri nasıl kolaylaştırabileceğini, kullanıcı deneyimlerini nasıl iyileştirebileceğini ve geniş ölçekte daha akıllı karar almayı nasıl sağlayabileceğini araştırarak yapay zekâyı ürün stratejimize entegre etmenin ön saflarında yer aldım.

Ürün liderliğindeki bu yapay zekâ dönüşümü dönemi hem heyecan verici hem de kritik bir dönüm noktası gibi görünüyor. Yol boyunca edindiğim dersleri ve bakış açılarını paylaşmaktan mutluluk duyuyorum.

Yapay zekâ ürün önceliklendirme süreçlerini nasıl yeniden şekillendiriyor?

Ürün liderlerinin ürün önceliklendirme süreçlerini yeniden tasarlaması gerekiyor. Tanıdığım ekiplerin neredeyse tamamı hâlâ elektronik tablolar, öznel puanlama çerçeveleri ve yavaş, maliyetli geliştirme döngüleri için tasarlanmış üç aylık planlama rutinleri üzerinden önceliklendirme yapıyor.

Yapay zekâ denklemin her iki tarafını da değiştiriyor: Geliştirmeyi hızlandırıyor, böylece daha fazla seçeneği doğrulayabiliyorsunuz; ayrıca neyin önemli olduğunu belirlemek için herhangi bir insandan çok daha fazla sinyali — kullanım verileri, destek geri bildirimleri, müşteri kaybı örüntüleri, rekabet sinyalleri ve müşteri görüşmeleri — işleyebiliyor.

Önceliklendirme sürecimizi sürekli bir yapay zekâ sinyal katmanı etrafında yeniden tasarladık. Neyi borçlu olduğumuzu unutmamak için Granola dökümlerinden görev çıkarma işlemini otomatikleştiriyoruz. Üç aylık bir yol haritası çalışması yapmak yerine, her bir öğenin birden fazla kaynaktan gelen verilerle etiketlendiği canlı bir iş listesi tutuyoruz — müşteri geri bildirimi sıklığı, tahmini gelir etkisi, rekabet aciliyeti ve etkileşim örüntüleri. Yapay zekâmız bu iş listesinin sıralanmış görünümünü haftalık olarak sunuyor ve sinyaller değiştikçe listeyi güncelliyor.

Ürün liderlerimiz nihai kararları hâlâ kendileri veriyor; ancak artık bunu eskisinden çok daha zengin ve dinamik bir tablo üzerinden yapıyorlar.

Sonuç olarak, bir fırsatı belirlemekle çözümü kullanıma sunmak arasındaki süreyi yaklaşık yarıya indirdik ve kimsenin kullanmadığı çözümleri çok daha az geliştirdik.

Yapay zekânın sağlam bir ürün stratejisi temeline neden ihtiyaç duyduğu

Yapay zekânın bozuk bir ürün stratejisini düzeltemeyeceğini unutmamak önemli; yalnızca sahip olduğunuz stratejiyi güçlendirir.

Doğru kullanıcılar için doğru problemi çözüyorsanız yapay zekâ bunu daha hızlı ve daha geniş ölçekte yapmanıza yardımcı olur. Ancak temel ürün hipoteziniz kusurluysa yapay zekâ sizi yanlış hedefe giden yolda hızlandırır.

Bunun gerçekleştiğini kendi deneyimlerimde gördüm. Finsi'yi geliştirmenin ilk dönemlerinde, etkileyici ve teknik olarak uygulanabilir oldukları için yapay zekâ özellikleri eklemeyi düşündük — eylemler önermek, müşteri kaybını tahmin etmek ve içerik oluşturmak gibi. Ancak öncelikle temel içgörüyü net biçimde anlamamış olsaydık bunların hiçbir önemi olmayacaktı: E-ticaret işletmecilerinin bir analitik sorunu yok, uygulama açığı var. Yapay zekâ ancak bunu doğruladıktan sonra doğru kaldıraç hâline geldi.

Yapay zekâyla çalışırken, iyi bir ürün çalışmasında olması gereken disiplinin aynısına ihtiyacınız vardır — titiz bir problem tanımı, derin kullanıcı empatisi ve dürüst bir önceliklendirme. Geliştirme hızı, yanlış şeyi şimdiye kıyasla çok daha hızlı geliştirip kullanıma sunabilmenizi sağladığından, yapay zekâ tüm bunların önemini artırır.

Claude Code becerisi ürün odağını nasıl keskinleştirdi?

Bizim için kritik bir değişiklik, kodlama aracılarımız için "Tüccar Savunucusu" adlı bir Claude Code becerisi uygulamak oldu.

Claude'a Finsi'nin misyonu ve ürün odağı hakkında bağlamın yanı sıra Granola'dan alınan görüşme dökümlerinin bir özetini sağladım. Artık yeni bir gereksinim olduğunda bunu bu beceri üzerinden çalıştırıyoruz ve temel misyonumuza sadık kalmamıza yardımcı oluyor: tüccarların iş yükünü azaltan yazılımlar sunmak.

İş akışlarımızdaki bu basit adım sayesinde yol haritamızdan birçok potansiyel özelliği çıkardık.

Cursor hızlı ürün prototipleme için neden kritik?

Cursor, yalnızca daha hızlı kod yazarak değil, ürün düşüncesi ile uygulama arasındaki mesafeyi ortadan kaldırarak mühendislik ekibimizin ürün sunma biçimini dönüştürdü.

Bir özelliği doğal dille tanımlayıp birkaç dakika içinde çalışan bir prototip görebildiğimde, fikirleri doğrulama biçimimiz temelden değişiyor. Bu, tüm ürün geliştirme döngüsünü daha hızlı ve deneysel hâle getiriyor.

İşte bir örnek. Ürünümüzdeki aracılardan biri için "haftalık istihbarat bilgilendirmesi" kullanıcı arayüzünü test etmek istedik. Bunu Figma'da ayrıntılı olarak tasarlayıp bir sprint beklemek yerine, düzeni ve veri yapısını Cursor'a sade bir dille anlattık ve birkaç saat içinde hazırlık ortamımızdaki verilere bağlı işlevsel bir prototip elde ettik. Ardından aynı gün bunu üç müşteriye gösterdik ve tek satır üretim kodu yazmadan önce son tasarımı yeniden şekillendiren geri bildirimler aldık.

Sonuç doğuran ve ilişkisel konular neden insanların sorumluluğunda?

Ürün süreçlerimizde yapay zekânın ve insanların rollerini bilinçli olarak tanımladık.

Yapay zekâ veri sentezleme, örüntü tespiti, anormallik belirleme ve yürütme süreçlerimize güç katıyor — müşteri kaybı sinyallerini otomatik olarak tespit etmek, reklam bütçelerini yeniden tahsis etmek, bir markanın ses tonuyla e-posta metni oluşturmak ve Klaviyo akışlarını devreye almak gibi. Bunlar, yapay zekânın hız ve ölçek açısından sürekli olarak insanlardan daha iyi performans gösterdiği, yüksek sıklıklı ve yoğun veri gerektiren görevler.

Yapay zekâ ayrıca müşteri tabanımız genelinde en fazla gelir etkisi yaratan önerileri belirleyerek önceliklendirmemize katkıda bulunuyor ve ürün geliştirmede nereye odaklanmamız gerektiğini anlamamıza yardımcı oluyor.

Bununla birlikte, muhakeme, etik ve stratejik bağlam gerektiren kararları insanlar açıkça alıyor.

Bu, ürün vizyonu ve yol haritasının yönünün insanlarda kalması anlamına geliyor — yalnızca verilerin ne söylediğini değil, aynı zamanda ne tür bir şirket kurmak istediğimizi ve müşterilerimizin daha derin hedeflerini de anlamamız gerekiyor. Kullanıcıların duygularına ilişkin empati ve sezgi henüz güvenilir biçimde otomatikleştirilemediği için UX kararları insanların liderliğinde alınmaya devam ediyor. Ayrıca bir müşterinin işini riske atan her karar — büyük bir reklam harcaması yeniden tahsisi gibi — uygulamadan önce insan onayı gerektiriyor.

Çalışma ilkemiz şu: Yapay zekâ tekrarlanabilir ve analitik işleri yürütür; sonuç doğuran ve ilişkisel konular insanların sorumluluğundadır.

Yapay zekâ müşteriyi derinlemesine anlamakta neden zorlanıyor?

Yapay zekâ, beklentilerimizi en açık biçimde müşteriyi derinlemesine anlama konusunda karşılayamadı. Başlangıçta yapay zekânın nitel sinyalleri — destek talepleri, incelemeler, anket yanıtları — güvenilir biçimde sentezleyebileceğine ve bunları minimum insan katılımıyla uygulanabilir ürün içgörülerine dönüştürebileceğine inanıyorduk. Uygulamada yapay zekâ, geri bildirimleri geniş ölçekte kategorilere ayırma ve kümelendirme konusunda başarılı; ancak özellikle belirli kültürel veya operasyonel bağlamlara sahip niş e-ticaret dikeylerinde müşterilerin duygularındaki nüansı sürekli olarak gözden kaçırıyor. Yapay zekâ çoğu zaman gerçek örüntüleri ortaya çıkarıyor, ancak bunları yorumlamak hâlâ müşterinin dünyasını derinlemesine anlayan bir insanı gerektiriyor.

Ayrıca yapay zekâ tarafından oluşturulan yaratıcı içeriklerin — reklam metinleri, e-posta konu satırları — hızlı ve başlangıç noktası olarak faydalı olmasına rağmen, markanın ses tonunu ve hedef kitlesini gerçekten bilen biri tarafından hazırlanan metinlerin performansına nadiren ulaştığını gördük. Üretimi hızlandırıyor, ancak henüz gerçek yaratıcı muhakemenin yerini almıyor.

Son olarak yapay zekânın kurum içi ürün keşfi sürecimizi anlamlı ölçüde iyileştirmesini bekliyorduk, ancak gerçekten yeni müşteri ihtiyaçlarını belirleme süresini kısaltmadı — mevcut bilgileri işlememize yardımcı oluyor, fakat en değerli içgörüler hâlâ hiçbir yapay zekâ aracının şimdiye kadar tekrarlayamadığı veya yerini alamadığı, müşterilerle yapılan doğrudan ve yapılandırılmamış görüşmelerden geliyor.

Andrei'nin Düşünceleri

Yapay zekâ, geri bildirimleri büyük ölçekte kategorilere ayırma ve kümelendirme konusunda başarılıdır, ancak müşterilerin duygularındaki incelikleri sürekli olarak gözden kaçırır.

Veri kalitesi yapay zekâ ürünü geliştirmeyi nasıl etkiler?

Yapay zekâ ile çalışmaya başladığımda, veri kalitesinin ne kadar önemli olduğunu veya bunu doğru hâle getirmenin ne kadar zaman aldığını fark etmemiştim.

Finsi'nin yapay zekâ ajanlarını geliştirirken Shopify, Klaviyo ve reklam platformlarına bağlanmanın temiz ve güvenilir veriler sağlayacağını varsaydık. Gerçek ise çok daha karmaşıktı. Farklı markalar verilerini farklı şekillerde yapılandırıyor, farklı etkinlikleri izliyor, farklı adlandırma kuralları kullanıyor ve geçmiş kayıtlarında boşluklar ile tutarsızlıklar bulunuyordu. Yapay zekâ güvenilir öneriler üretmeden önce veri normalleştirme, tekilleştirme ve doğrulama işlem hatlarına beklediğimizden çok daha fazla zaman ayırdık.

Bunu en başından bilseydim, istikrarsız bir temel üzerine yapay zekâ katmanı inşa etmek için acele etmek yerine veri altyapısına daha erken ve daha fazla yatırım yapardım.

Yapay zekâ ürünlerinde kullanıcı güveni neden dikkate alınmalı?

Ürünümüzün yapay zekâ ajanlarını yeniden geliştirmeye başlasaydım, kullanıcı güvenine farklı bir şekilde yaklaşırdım.

Başlangıçta yapay zekâ ajanlarımızı oldukça özerk olacak şekilde tasarladık — önerileri öne çıkarıyor ve bunların tek tıklamayla kolayca onaylanıp uygulanmasını sağlıyorduk. Öneriler iyi olsa bile kullanıcılar tereddüt etti. Harekete geçme konusunda kendilerini rahat hissetmeden önce her önerinin arkasındaki "neden"i anlamaları gerekiyordu. Bunun sonucunda, ürün piyasaya sürüldükten sonra açıklanabilirliği geriye dönük olarak ürüne ekledik; ancak ilk günden itibaren şeffaflık için tasarım yapmak çok daha iyi olurdu.

Güven, sonradan ekleyebileceğiniz bir özellik değildir — temel deneyimin içine işlenmesi gerekir.

Yapay zekâ, seçenekleri ve yapılandırılabilirliği kullanıcılar için neden daha az önemli hâle getirir?

Yapay zekâ ayrıca iyi bir ürünün kullanıcılara kontrol ve yapılandırılabilirlik sunmak anlamına geldiği varsayımından vazgeçmemi sağladı.

Yıllar boyunca B2B SaaS alanındaki genel kanı, ileri düzey kullanıcıların esneklik istediği yönündeydi — daha fazla ayar, daha fazla gösterge tablosu ve deneyimlerini özelleştirmek için daha fazla yol. Finsi'nin ilk sürümlerini bu varsayıma dayanarak geliştirdik; kullanıcıların kendi gösterge tablolarını yapılandırmasına, kendi KPI eşiklerini belirlemesine ve hangi metrikleri izleyeceklerini özelleştirmesine olanak tanıdık. Ancak yapay zekâyı sisteme katmanlandırmaya başladığımızda bunun tam tersini gördük: En başarılı kullanıcılarımız yapılandırmaya daha az, yapay zekânın önerileri doğrultusunda harekete geçmeye daha fazla zaman ayırıyordu.

Her ayarı değiştirmek isteyen operatörler, aracı işletmeleri yerine optimize ettikleri için çoğu zaman en az değeri elde ediyordu. Yapay zekâ, kullanıcılarımızın daha az zihinsel yük ve bundan sonra ne yapacakları konusunda daha fazla güvene ihtiyaç duyduğunu ortaya koydu. Bu durum bizi ürünü önemli ölçüde sadeleştirmeye, oluşturduğumuz yapılandırılabilirliğin büyük bölümünü kaldırmaya ve görüş belirten, yapay zekâ destekli varsayılanlara daha fazla ağırlık vermeye zorladı.

Sezgilere aykırı bir dersti: Bazen en iyi ürün kararı, daha fazla seçenek eklemek yerine kullanıcıların seçeneklerini azaltmaktır.

Gerçek bir yapay zekâ dönüşümü neden ürünün değer zincirini yeniden düşünmeyi gerektirir?

"Yapay zekâ destekli" ürünlerin çoğu yapay zekâ ürünü değildir — bunlar, üzerine bir LLM eklenmiş özellik paketleridir ve pazar sonunda bunların gerçek niteliğini anlayacaktır.

Gerçek bir yapay zekâ ürünü dönüşümü, bir mevcut iş akışına GPT çağrısı eklemek yerine tüm değer zincirini yeniden düşünmeyi gerektirir. Kazanacak şirketler yapay zekâyı en hızlı ekleyenler değil; yapay zekâyı, ürün kategorilerinin nasıl işlediğine dair her varsayımı sorgulamak için kullananlardır.

Ürün liderleri neden az sayıda yüksek etkili girişim seçmeli?

Eşit derecede tehlikeli iki dürtüye direnin:

1. Yapay zekâyı her yerde aynı anda benimseme dürtüsü
2. Her şey daha kesin görünene kadar bekleme dürtüsü

Başarılı olacak ürün liderleri, yüksek etki potansiyeline sahip az sayıda girişim seçer, derinlemesine çalışır ve yapay zekâ konusunda yalnızca araçlara aşinalık değil, gerçek bir kurumsal yetkinlik oluşturur. En çok maliyet yaratan sorunlarla başlayın: manuel işlere harcanan zaman, yeterli veri olmadan alınan kararlar ve kullanıma sunulması ya da doğrulanması çok uzun süren özellikler. Yapay zekâyı özellikle bu sorunları çözmek için kullanın.

Ayrıca yapay zekânın ekipleriniz için neleri değiştirdiği konusunda onlara karşı dürüst olun. Yapay zekânın rolleri ve sorumlulukları yeniden şekillendirmeyeceğini varsayan liderler güven kaybeder; yapay zekânın insan muhakemesini nasıl güçlendirdiği hakkında açık ve özenli konuşmalar yapan liderler ise uyum sağlayabilen kültürler oluşturur.

Son olarak, yapay zekâya özgü görünmeye odaklanmayın — sonuçlara odaklanın. En iyi yapay zekâ ürün stratejisi, en etkileyici demoyu değil, kullanıcılar için ölçülebilir değeri ortaya çıkarır. Soruna odaklanmayı sürdürün; yapay zekânın doğru kullanımı da bunun ardından gelecektir.

Andrei'nin Düşünceleri

Başarılı olacak ürün liderleri, yüksek etki potansiyeline sahip az sayıda girişim seçer, derinlemesine çalışır ve yapay zekâ konusunda gerçek bir kurumsal yetkinlik oluşturur.

Takip edin

Andrei Rebrov ile LinkedIn üzerinden bağlantı kurabilirsiniz. Ayrıca Finsi'ye göz atın.

CPO Kulübü'nde daha fazla uzman röportajı sizi bekliyor!