OpenAI’de ürün lideri, yapay zekânın en üst düzeylerde ürün yönetimini nasıl değiştirdiğini anlatıyor

Kathy Korevec, birkaç örnek vermek gerekirse Google Labs AI'da Ürün Direktörü, Vercel'de Ürün ve Tasarım Başkan Yardımcısı ve GitHub'da Kıdemli Ürün Yönetimi Direktörü olarak çalışmış bir geliştiricidir. Şu anda OpenAI'de Codex üzerinde çalışıyor. Tüm kariyerindeki ortak çizgi, kullanıcı odaklılığa ve ayrıntılara tavizsiz bir şekilde odaklanarak geliştirici araçları oluşturmak.

Dünyanın önde gelen teknoloji şirketlerinde yapay zekânın ürün yönetimini nasıl değiştirdiğini öğrenmek için Kathy ile bir araya geldik. İşte söyledikleri.

"Şefler için yemek yapan bir şef" olmak

Her zaman önce geliştirici, sonra ürün yöneticisi oldum.

Heroku, GitHub ve Vercel gibi şirketlerde geliştirici araçları alanında yetiştim; bu, ürün yönetiminin oldukça özgün bir türü. Sadece özellikleri kullanıma sunmuyorsunuz; bir köşeyi kestirip attığınızda bunu hemen anlayacak insanlar için ürün geliştiriyorsunuz. Bu, şefler için yemek yapan bir şef olmaya benziyor. Standart yüksek ve sosunuzda bir sorun varsa bunu kesinlikle fark edecekler.

Bir PM olarak en sevdiğim anların bazıları, geleneksel anlamda hiç de "PM işi" değildi. GitHub'da belgelerin bazı bölümlerini yeniden yazdım ve hatta DX ilkeleri yaklaşımımı yansıtması için siteyi yeniden tasarladım. Performans beni rahatsız ettiği için kendi web sitemi birkaç yüz milisaniye hızlandırmak amacıyla hafta sonlarımı yeniden düzenlemeler yaparak geçirdim. Yüzlerce küçük can sıkıcı sorunu çözdüğümüz Papercuts adlı bir projenin yürütülmesine yardımcı oldum; çünkü bu ayrıntılar, insanların ürününüzü sevmesiyle ona katlanması arasındaki farkı oluşturur.

Benim için ortak çizgi bir bakıma hep buydu. PM'leri yalnızca boşlukları tespit edip dolduran ya da "ürününüzün CEO'su" olan kişiler olarak görmüyorum. Bunu, ayrıntılara rahatsız edici derecede yaklaşmak olarak görüyorum. Bir yol haritasında yer almayan şeyleri önemsemeye başlayacak kadar yakından ilgilenmek.

Şimdi de bu yapay zekâ dönemindeyiz; açıkçası bu, herkese bir jetpack verip ağaca uçmamalarını ummaya biraz benziyor.

Geceleri ve hafta sonları yapay zekâ ajanlarıyla küçük, derme çatma araçlar geliştirerek sezgisel kodlamaya çok zaman ayırıyorum. Bir fikirden çalışan bir ürüne tek bir öğleden sonra içinde geçebiliyorsunuz; bu inanılmaz. Aynı zamanda temel unsurlar her zamankinden daha önemli. Sistemleri, ödünleşimleri ve işlerin perde arkasında gerçekte nasıl çalıştığını anlamak, kullanıma sunulan bir şeyle kalıcı olan bir şeyi birbirinden ayırır.

Aksi hâlde elinizde tamamlanmamış projelerden ve gizemli hatalardan oluşan bir mezarlık kalır.

Dolayısıyla bu döneme uzanan yolculuğum çalışma biçimimi değiştirmekle ilgili olmadı. Yaptığım şeye daha fazla bağlanmakla ilgiliydi. İşin zanaatına yakın kalmak. Ve bir şeyleri kendim geliştirmek.

Fikir ile doğrulama arasındaki mesafeyi kapatmak

Çok yakın bir zamana kadar Google Labs'te AIDA adlı bir ekibin ürün liderliğini yapıyordum; bu ad, AI Geliştirici Desteği'nin kısaltmasıydı.

Yığının oldukça derin bir bölümünde çalışıyorduk. İlk dönem kodlama modelleri, Gemini'yi besleyen kod eğitim verileri ve ardından Colab Composer ile Jules gibi ürünlerle soyutlama katmanında yukarı çıkmak. Değişim, "Kod üretebilir miyiz?" sorusundan "İnsanların baştan sona gerçek yazılımlar geliştirmesine gerçekten yardımcı olabilir miyiz?" sorusuna geçişti.

Dolayısıyla yönettiğim organizasyon büyük ölçüde hibritti. Bir kısmı araştırma, bir kısmı ürün, bir kısmı da “Bu hafta derme çatma bir şey kullanıma sunacağız ve bakalım biri kullanacak mı.” yaklaşımıydı. Kullanıcılarımız profesyonel geliştiricilerden daha önce hiç kod yazmamış kişilere kadar uzanıyordu; bu alçakgönüllü olmayı gerektiren bir kitleydi, çünkü hem derinliği hem de erişilebilirliği aynı anda sağlamanız gerekiyor.

Teslim modeli de bunu yansıtıyordu. Çok sayıda hızlı yineleme, model yeteneği ile ürün deneyimi arasında sıkı döngüler ve bir şey karşılık bulmadığında onu bir kenara atma isteği. Daha az yol haritası, daha çok amaçlı keşif.

Şimdi OpenAI'de Codex üzerinde çalışıyorum; bu, bir bakıma başlangıç noktasına dönüş anı. Codex bir model olarak başladı ve şimdi ChatGPT içinde insanların gerçekten işlerini halletmesine yardımcı olan bir ajana ve uygulama katmanına dönüşüyor. Kod yazmak, iş akışlarını otomatikleştirmek, sistemleri birbirine bağlamak.

Dolayısıyla her iki durumda da ortak çizgi aynı. Bir fikir ile gerçek dünyada çalışan bir şey arasındaki mesafeyi kapatan araçlar geliştirmek.

PM'ler neden prototip odaklı ürün geliştirmeye odaklanmalı?

Spesifikasyonları ürün çalışmasının birincil çıktısı olarak görmeyi bıraktım. Bu, zaten başlatmış olduğum bir değişimdi ama yapay zekâ bunu hızlandırdı.

Kariyerimin ilk dönemlerinde, özellikle GitHub ve Heroku'da, ivmenin ne kadar önemli olduğunu fark ettim. Gerçek kullanım önemlidir. Üretimde olan bir şeyden, ne kadar mükemmel yazılmış olursa olsun bir belgeden öğrenebileceğinizden çok daha fazlasını öğrenirsiniz.

Yapay zekânın yaptığı şey, bu felsefeyi alıp daha da sıkıştırmak oldu.

Artık uzun bir spesifikasyon yazıp bunu bir hafta boyunca tartışmak yerine ürünün kabaca çalışan bir sürümünü kendim oluşturuyorum. Ya da bir veya iki gün içinde sezgisel kodlamayla bir prototip hazırlıyorum. Tıklayabileceğiniz, bozabileceğiniz ve tepki verebileceğiniz bir şey. Bu her şeyi değiştiriyor.

“Sizce ne olacak?” sorusundan “Bunu kullandığınızda gerçekten ne oluyor?” sorusuna geçiyorsunuz. Bu, soyut tartışmaların büyük bir kısmını somut bir şeye dönüştürüyor.

Bu, ürün yöneticisinin rolünü de değiştiriyor. Artık yalnızca fikirleri şekillendirmiyorsunuz; onları doğrudan sınamaya tabi tutuyorsunuz. Uygulamaya daha yakın olduğunuz için hatalı varsayımları daha erken yakalıyorsunuz.

Sonuç elbette hız. Daha hızlı yayınlıyoruz, fikirleri daha hızlı eliyoruz ve iyi fikirleri daha hızlı geliştiriyoruz.

Ancak en önemli değişiklik, kararlarımızın daha dürüst olması.

Yapay zekânın dezavantajları neden ince ama önemli?

Ancak kesinlikle dezavantajları da var.

Bunlardan biri, benim "sahte hız" diye adlandıracağım şey. Çok fazla şey ürettiğiniz için inanılmaz hızlı ilerliyormuşsunuz gibi hissediyorsunuz. Kod, prototipler, belgeler. Ancak bunların hepsi gerçekten iyi veya kullanılabilir değil. Gerçek bir derinlik olmadan büyük bir yüzey alanı oluşturabilirsiniz.

Bir diğer sorun kalite ve güven. Yapay zekâ tarafından üretilen kod aynı anda şaşırtıcı derecede iyi ve kendinden emin bir şekilde yanlış olabilir. Perde arkasında neler olduğunu anlamıyorsanız kırılgan, güvensiz veya bakımı zor şeyleri yayına alabilirsiniz.

Bir de daha ince bir konu var. Bir şeylere başlamak hiç olmadığı kadar kolay. Ancak bunları iyi bir şekilde tamamlamak mutlaka daha kolay değil. Yarıda bırakılmış çok daha fazla ürün, terk edilmiş prototip ve çalışmamaya başlayana kadar bir şekilde çalışan sistem göreceğiz. Ben de bunlardan birkaçını geliştirdim.

Dolayısıyla genel sonuç biraz paradoksal. Bir şeye ulaşma konusunda hiç olmadığı kadar hızlıyız. Ancak bunu kalıcı olacak bir şeye dönüştürme konusunda otomatik olarak daha iyi değiliz.

Kathy'nin Düşünceleri

Bir şeylere başlamak hiç olmadığı kadar kolay. Ancak bunları iyi bir şekilde tamamlamak mutlaka daha kolay değil. Yarıda bırakılmış çok daha fazla ürün, terk edilmiş prototip ve çalışmamaya başlayana kadar bir şekilde çalışan sistem göreceğiz. Ben de bunlardan birkaçını geliştirdim.

Dört ilke ürünleri geçici etkiden güvene nasıl dönüştürüyor?

Güven hakkında biraz daha fazla şey paylaşmak istiyorum çünkü ürün liderlerinin görünmez, düşük kaliteli yazılım riskini hafife aldığını düşünüyorum.

Yapay zekâ bir şeyler geliştirmeyi inanılmaz derecede kolaylaştırıyor. Araçları, özellikleri ve hatta tüm uygulamaları eskiden gereken sürenin çok küçük bir bölümünde oluşturabilirsiniz. Bu yalnızca olumlu bir gelişme gibi görünüyor ancak sonuç olarak bir şekilde çalışan çok daha fazla yazılım elde ediyorsunuz.

Yarıda kalmış özellikler, kırılgan sistemler, hızla geliştirilmiş ve hiçbir zaman sağlamlaştırılmamış şeyler. Bunlar gürültülü bir şekilde başarısız olmaz. Zaman içinde yalnızca bozulurlar. İnce şekillerde hata verir, kafa karışıklığı yaratır veya güveni sessizce aşındırırlar.

Risk yalnızca geleneksel anlamda teknik borç değil. Bu, güven borcu.

Faydalı bulduğum dört ilke şöyle:

1. Sistemi anlaşılır kılın. Kullanıcılar, en azından üst düzeyde, yapay zekânın ne yaptığını ve bunu neden yaptığını anlayabilmeli. Tam bir teknik şeffaflıktan değil, sistemin keyfî kararlar veren bir kara kutu gibi hissettirmemesini sağlayacak kadar açıklıktan söz ediyoruz. Bu; adımları göstermek, varsayımları görünür kılmak veya kullanıcıların nelerin değiştiğini incelemesine izin vermek kadar basit olabilir.
2. Düzeltmeye uygun tasarlayın. Sistem bazen yanlış olacaktır. Bu kaçınılmaz. Önemli olan, kullanıcının devreye girip hatayı düzeltmesinin ve yoluna devam etmesinin ne kadar kolay olduğudur. Sistemi düzeltmek zahmetliyse güven hızla azalır. Kolaysa insanlar mükemmel olmasa bile sistemi kullanmaya devam eder.
3. Gösteriş yerine tutarlılık için geliştirin. Birçok yapay zekâ ürünü “vay be” anına odaklanır. Gerçekten etkileyici tek bir etkileşim. Güven ise bunun tam tersinden gelir —sistemin beklenen şeyi, sürpriz yaratmadan tekrar tekrar yapmasından. Özellikle geliştirici araçlarında öngörülebilirlik sihirden daha önemlidir.
4. Ölçülü davranın. Sistemin bir şeyi yapabilmesi, bunu yapması gerektiği anlamına gelmez. Aşırı otomasyon uygular veya kontrolü fazlasıyla elinize alırsanız kullanıcılar bunu hisseder. İnisiyatif duygularını kaybederler. En iyi ürünler, sizi süreçten çıkarmadan size güç kazandırır.

Yapay zekâ ürün farklılaştırmasını veya uçtan uca otomasyonu neden ele alamıyor?

Yapay zekânın yetersiz kaldığı birkaç başka alan daha var.

Bir görevi alıp uçtan uca kendi başına yürütebilen ajanlar hakkında çok konuşuluyor. Ancak pratikte, gördüğüm sistemlerin çoğu hâlâ oldukça fazla denetim gerektiriyor. Rehberlik ediyor, düzeltmeler yapıyor ve istemleri yeniden veriyorsunuz. Bu, tamamen bağımsız bir ekip arkadaşına görev devretmekten çok, hevesli bir stajyeri yönetmeye benziyor.

Bu hâlâ faydalı, ancak beklentiden farklı.

Bir de ürün farklılaştırması var.

Günümüzde birçok yapay zekâ özelliği birbirine benziyor. Bir sohbet arayüzü ekleyebilir, biraz kod üretebilir ve bir şeyi özetleyebilirsiniz. Bunlar artık temel gereklilikler.

Daha zor olan, bu yetenekleri benzersiz biçimde değerli ve bir iş akışına derinlemesine entegre edilmiş hissettiren bir şeye dönüştürmek. Ortadan kaldırdığınızda insanların gerçekten eksikliğini hissedeceği bir şeye.

Bence birçok ürünün yetersiz kaldığı nokta burası.

Ürün kararlarında insan muhakemesi neden hâlâ vazgeçilmez?

PM'ler kendilerine şunu sormalı: “Yapay zekânın gerçekten iyi bir sezgiye sahip olduğu yer neresi? Peki olmadığı yer neresi?”

Ürün çalışmasının, yapay zekânın artık benim için inanılmaz derecede faydalı olduğu bölümleri var — kapsam, hız veya yinelemeden yararlanan her konuda ona büyük ölçüde yaslanıyorum. İlk keşif, çözüm alanlarını araştırma, farklı yaklaşımların taslağını hazırlama ve hatta kabataslak UX yönleri veya akışları oluşturma. Takıldığınız noktayı aşmanıza ya da kendi başınıza görebileceğinizden daha fazla seçenek görmenize yardımcı olma konusunda harika.

Bahsettiğim gibi, prototip oluşturmak için de onu çok kullanıyorum. Bir fikirden hızla etkileşimli bir şeye geçebilmek, çalışma biçimimi tamamen değiştirdi.

Bir de tüm “arada kalan” işler var. Kullanıcı geri bildirimlerini özetlemek, verilerden örüntüler çıkarmak, doküman taslakları hazırlamak. Eskiden çok fazla zaman ve bağlam değiştirme gerektiren işler.

Yapay zekâya güvenmediğim yer, muhakemenin gerçekten önemli olduğu noktalar. Önceliklendirme bunların başında geliyor. Yapay zekâ seçenekleri listelemenize yardımcı olabilir, ancak işletmenizdeki, ekibinizdeki veya kısıtlarınızdaki ödünleşimleri gerçekten anlamıyor. Hatalı olmanın bedelini hissetmiyor.

Yol haritası kararları için de aynı şey geçerli. Bunlar inanç, zamanlama ve bazen bir elektronik tabloda mantıklı görünmeyen bir bahse girmekle ilgili.

UX de bir başka ilginç alan. Yapay zekâ hızlı bir şekilde çok sayıda kullanıcı arayüzü oluşturabilir, ancak zevki yoktur. Tekrarlı kullanımda neyin hayal kırıklığı yarattığını veya neyin keyif verdiğini hissedemez. Özellikle geliştiriciler için ürün oluştururken, çalışan bir şey ile iyi hissettiren bir şey arasındaki fark her şeydir.

Bir de teknik ödünleşimler var. Yapay zekâ mimariler önerebilir, ancak bu kararların uzun vadeli sonuçlarının sorumluluğunu üstlenmez. Bu sorumluluk sizin ekibinizdedir.

Yapay zekâ geleneksel ürün varsayımlarını nasıl altüst ediyor?

Vazgeçmek zorunda kaldığım en büyük varsayımın, üzerinde durduğunuz zeminin sabit olduğu fikri olduğunu düşünüyorum.

Ürün alanında uzun süre birkaç şeyin görece sabit olduğunu varsayabilirdiniz. Arayüz, iş akışı, hatta ürünün ne olduğu bile. Bunların sınırları içinde yineleme yapardınız. Yapay zekâ bunu bozuyor.

Model gelişiyor ve bir anda ürün yüzeyiniz yanlış hâle geliyor. Yeni bir etkileşim paradigması ortaya çıkıyor ve sağlam görünen bir yol haritası geçerliliğini yitiriyor. Kısıt olduğunu düşündüğünüz şeyler ortadan kalkıyor, planlamadığınız yeni kısıtlar ortaya çıkıyor.

Yani artık yalnızca hareketli bir zemin üzerinde inşa etmiyorsunuz. Zeminin var olması gerekip gerekmediğini sürekli sorguluyorsunuz. Bu, benim için büyük bir zihniyet değişimi oldu.

Vazgeçtiğim ikinci varsayım, en iyi ürünlerin en iyi tanımlanmış ürünler olduğu fikri. Geçmişte erken aşamada netliğe önem verilirdi. Problemi tanımla, çözümü tanımla, temiz bir şekilde hayata geçir.

Şimdi ise değerin büyük bir bölümü, rahat hissettirdiğinden daha uzun süre keşif aşamasında kalmaktan geliyor. Temel yetenekler hâlâ gelişirken ürünün biraz tanımsız kalmasına izin vermekten.

Sonuncusu ise değerin nerede bulunduğuyla ilgili. Eskiden ürün değerinin büyük bir bölümünün arayüzde olduğunu düşünürdüm. Kullanıcı arayüzünde, akışta, piksellerde. Şimdi değerin büyük bir bölümü davranışta. Sistemin nasıl yanıt verdiği, uyum sağladığı ve iş birliği yaptığı. Arayüz hâlâ önemli, özellikle geliştiriciler için, ancak artık ağırlık merkezinde değil.

Yapay zekâ rollerin nasıl iç içe geçmesine yol açıyor

Roller iç içe geçiyor. PM, mühendis ve tasarımcı arasındaki sınırlar giderek çok daha belirsiz hâle geliyor.

Yapay zekâyla prototip oluşturabilir, kod yazabilir, kullanıcı deneyimini keşfedebilir ve fikirleri çok daha doğrudan sağlamlık testine tabi tutabilirsiniz. Bu da daha fazla kişinin eskiden birbirinden oldukça farklı olan roller arasında çalışabilmesini sağlıyor. Bu durum ekibin yapısını değiştiriyor.

Daha az sayıda devir teslimine ihtiyacınız var. Bir fikri alıp en azından anlamlı bir ayrıntı düzeyine kadar kendi başına ilerletebilen daha fazla kişiye ihtiyaç duyuyorsunuz.

Bunu kişisel olarak da oldukça yoğun biçimde hissettim. Kısa süre önce tekrar IC PM olarak çalışmaya başladım ve bu son derece tatmin edici oldu. İşe yeniden çok daha yakınım. Bir şeyler oluşturmak, fikirleri test etmek, ayrıntılara girmek. Bu bana ürünle ilgili pek çok yargının, işleri yalnızca koordine etmekten değil, gerçekten bir şeyler üretmekten kaynaklandığını hatırlatıyor.

Bu, yöneticilerin veya uzmanlaşmanın ortadan kalkacağı anlamına gelmiyor. Özellikle sistem tasarımı ya da yüksek kaliteli kullanıcı deneyimi gibi alanlarda hâlâ derin uzmanlığa ihtiyacınız var. Ancak aynı zamanda yığın boyunca akıcı biçimde ilerleyebilen ve yapay zekâyı kaldıraç olarak kullanabilen daha fazla “uçtan uca ürün düşünebilen kişiye” de ihtiyacınız var.

Yapay zekâ kullanıcı beklentilerini neden değiştirdi?

Yapay zekâ yalnızca ürününüzü geliştirmekle kalmaz. tüm ürünlerden kullanıcıların beklentilerini yeniden belirler. Dolayısıyla artık yalnızca doğrudan rakiplerinizle rekabet etmiyorsunuz. Bir kişinin o hafta herhangi bir yerde yaşadığı en iyi yapay zekâ deneyimiyle rekabet ediyorsunuz.

Bu beklenti değişiminin ne kadar hızlı gerçekleşeceğini hafife aldığımı düşünüyorum.

Pratikte bunun anlamı, “yeterince iyi” pencerelerinin çok daha kısa olmasıdır. Bir şey pazartesi günü büyülü hissettirebilirken cuma günü modası geçmiş görünebilir. Bunu bilseydim, mükemmellikten daha az, uyarlanabilirlikten ise daha fazla yana optimizasyon yapardım.

Kathy'nin Düşünceleri

Bu beklenti değişiminin ne kadar hızlı gerçekleşeceğini hafife aldığımı düşünüyorum…Pratikte bunun anlamı, “yeterince iyi” pencerelerinin çok daha kısa olmasıdır.

Ürün liderleri yapay zekâyı neden bir disiplin değişimi olarak görmeli?

Tavsiyem, bu dönemi bir araç değişiminden çok bir disiplin değişimi olarak ele almanızdır.

Şu anda en önemli beceri, net bir şekilde görebilme yeteneğidir. Yapay zekâ çok fazla çıktı üretir. Fikirler, kod, yönelimler. Buradaki risk, bu çıktıyı gerçekle karıştırmaya başlamanızdır. Bu nedenle bir ürün lideri olarak göreviniz, gerçekten neler olduğunu göz önünde bulundurmaktır. Kullanıcıların ne yaptığını, işlerin nerede bozulduğunu ve zaman içinde nelerin ayakta kaldığını.

İkinci konu, bağımlı olduğunuz şeyi kendiniz oluşturmaktır. Yapay zekâ ürünleri üzerinde çalışıyorsanız onları derinlemesine kullanmalısınız. Yalnızca demolar veya incelemeler sırasında değil, kendi iş akışlarınızda da. Eksikleri hemen hissedersiniz. İşlerin nerede yavaş, nerede kafa karıştırıcı olduğunu; nerede neredeyse çalıştığını ama tam olarak çalışmadığını görürsünüz. Bu tür ilk elden deneyimin yerini doldurmak zordur ve kararlarınızın kalitesini değiştirir.

Üçüncü konu ise gerilimle rahat etmeyi öğrenmektir. Şu anda hız ile kalite, keşif ile disiplin, mümkün olan ile gerçekten faydalı olan arasında gerçek bir çekişme var. Bu gerilim çözüme kavuşturulması gereken bir şey değil. İşin kendisi bu. Gördüğüm en iyi ekipler bunu ortadan kaldırmaya çalışmıyor. Bilinçli bir şekilde yönlendiriyorlar. Öğrenirken hızlı ilerliyor, bir şeyin doğru olması gerektiğinde ise yavaşlıyorlar.

Son olarak, yapay zekânın sizi çıktı yöneticisine dönüştürmesine izin vermeyin. Geriye çekilip yönlendirmek, komut vermek, incelemek ve devam etmek çok kolaydır. Ancak şu anda en iyi ürün liderleri hâlâ işin zanaatına çok yakın. Bir şeyler oluşturuyor, test ediyor ve kendilerini rahatsız eden sorunları düzeltiyorlar.

Çünkü sonuçta iş değişmedi. Hâlâ çalışan, insanların güvendiği ve hayatlarına uyum sağlayan bir şey üretmekten sorumlusunuz. Yapay zekâ yalnızca oraya nasıl ulaşacağınızı değiştiriyor.

Takipte kalın

Kathy hakkında daha fazla bilgiyi ürün zanaatı blogundan veya kişisel sitesinden edinebilirsiniz. Onu X'te de takip edebilirsiniz.

CPO Kulübü'nde daha fazla uzman röportajı sizleri bekliyor!