Ürün Yönetiminden Sorumlu Kıdemli Başkan Yardımcısı, doğrusal süreçlerden paralel yinelemeye geçişi ele alıyor

Suman Chittimuri, Kore.ai'de Ürün Yönetiminden Sorumlu Kıdemli Başkan Yardımcısıdır ve İK, BT, Tedarik ve Müşteri Deneyimi gibi kurumsal iş akışlarında milyonlarca kullanıcıya hizmet veren yapay zekâ destekli ürünlere liderlik etmektedir.

Yapay zekânın bir disiplin olarak ürün geliştirmeyi nasıl yeniden şekillendirdiğini anlamak için Suman ile görüştük. Mevcut iş akışlarını iyileştirmek yerine yapay zekânın ekipleri bunları tamamen yeniden düşünmeye zorladığını savundu: doğrusal süreçlerden sürekli ve paralel yinelemeye geçiş.

Kurumsal iş akışlarında yapay zekânın uygulanması

Kore.ai'de Ürün Yönetiminden Sorumlu Kıdemli Başkan Yardımcısıyım; burada İK, BT, Tedarik ve Müşteri Deneyimi dahil olmak üzere kurumsal iş akışlarında yapay zekâ uygulayan ürün girişimlerine liderlik ediyorum.

Ürünlerimizi büyük ölçekli işletmeler için tasarlıyor; bankacılık, sağlık hizmetleri ve perakende gibi sektörlerde hem çalışanlara hem de son müşterilere milyonlarca etkileşimi destekleyecek şekilde hizmet veriyoruz. Ayrıca platform öncelikli bir sunum modeli kullanıyoruz. Bu modelde temel yapay zekâ yeteneklerini yeniden kullanılabilir bileşenler olarak oluşturuyor ve birden fazla iş akışında kullanıma sunuyoruz. Böylece tutarlılığı ve kontrolü korurken kullanım alanlarını daha hızlı ölçeklendirebiliyoruz.

Geçtiğimiz yıl yapay zekâ, yardımcı bir katmandan temel bir yürütme katmanına dönüştü. Bu değişim yalnızca özellikleri değil, ürünleri nasıl tasarladığımızı, ekiplerin nasıl çalıştığını ve fikirden etkiye ne kadar hızlı geçtiğimizi de etkiliyor.

Ürünler hakkındaki düşünce biçimimizdeki bu değişim, yapay zekâ öncülüğündeki ürün dönüşümüne uzanan yolculuğumu şekillendirdi.

Yapay zekâ ürün geliştirme iş akışlarını nasıl hızlandırıyor?

Yapay zekâ sayesinde doğrusal ürün geliştirme modelinden daha sürekli, yapay zekâ destekli bir iş akışına geçtik.

Geçmişte keşif, PRD oluşturma, tasarım ve prototipleme ardışık süreçlerdi. Yapay zekâ bu modeli bozuyor. Bu adımların her birini paralel olarak destekliyor; araştırma girdileri üretiyor, spesifikasyon taslakları hazırlıyor ve erken prototipleri neredeyse aynı anda oluşturuyor.

Sonuç olarak değişen şey hız ve yineleme oldu. Günler süren işler artık saatler içinde gerçekleşiyor; bu da ekiplerin daha fazla seçeneği değerlendirmesine ve daha hızlı iyileştirme yapmasına olanak tanıyor. Bu, ekiplerin karar vermeden önce daha fazla seçeneği değerlendirebileceği ve değerlendirmesi gerektiği anlamına geliyor.

Tüm bunlar bazı değişimleri gerektiriyor:

• Ardışık devirlerden sürekli yinelemeye
• Çıktılar üretmekten çıktıları iyileştirmeye
• Sınırlı keşiften hızlı denemelere

Darboğaz artık bir şey inşa etmek değil; ne inşa edileceğine karar vermek ve bunu etkili bir şekilde doğrulamak. Doğrulama katmanlarını güçlendirmek ve insan muhakemesini daha bilinçli bir şekilde uygulamak zorunda kaldık.

Yapay zekâ ürün kararlarını nasıl yönlendiriyor, ancak son kararı neden insanlar veriyor?

Yukarı akıştaki ve yürütme ağırlıklı faaliyetleri yönlendirmek ve hızlandırmak için yapay zekâdan yoğun şekilde yararlanıyoruz:

• Keşif desteği (ikincil araştırma, rakip analizi)
• Sorunun çerçevelenmesi ve ilk çözüm keşfi
• PRD taslağı hazırlama ve yol haritası girdileri
• UX konseptleri ve erken prototipleme
• Deney tasarımı ve teknik ödünleşimlerin incelenmesi

Bunlar hızın, kapsamın ve yinelemenin önemli olduğu alanlar. Yapay zekâ bu alanlarda başarılı.

Karar alma ve bağlamın önemli olduğu alanlarda insan katılımı açıkça devam ediyor:

• Birincil araştırma ve müşteriyi derinlemesine anlama
• Son önceliklendirme ve yol haritası taahhütleri
• UX iyileştirmesi ve tasarım tutarlılığı
• Deney sonuçlarının yorumlanması
• İş, teknoloji ve paydaşlar arasındaki ödünleşim kararlarının alınması

Nedeni basit: Yapay zekâ seçenekler ve kalıplar oluşturma konusunda güçlü, ancak muhakeme, bağlam ve hesap verebilirlik konularında daha zayıf.

Deneyimlerime göre yapay zekâ “nasıl”ı ve “nelerin mümkün olduğunu” hızlandırırken, ekibim ve ben “neyin önemli olduğuna” ve “neyi taahhüt ettiğimize” sahip çıkıyoruz.

Yapay zekâ ürün geliştirme hızını artırırken kaliteyi nasıl zorluyor?

Genel olarak ürün faaliyetlerinde hız ve üretkenlik açısından belirgin iyileşmeler gördüm:

• PRD oluşturma süresi yaklaşık 1 günden yaklaşık 2–3 saate indi
• İlk prototipleme süresi yaklaşık 2 günden yaklaşık 4–6 saate indi
• Rakip ve pazar araştırması yaklaşık 5–6 saatten yaklaşık 1–2 saate indi
• Veri analizi döngüleri yaklaşık %60–70 oranında kısaldı

Bu, ekiplerin aynı zaman dilimleri içinde daha fazla seçeneği değerlendirmesine ve daha hızlı yineleme yapmasına olanak tanıyor.

Olumsuz tarafta ise kalite ve tutarlılık değişken:

• Yapay zekâ çıktıları genellikle kapsamlı doğrulama ve yeniden çalışma gerektiriyor.
• Ekipler ilk çıktılara gereğinden fazla güvenme eğiliminde oluyor ve bu da yüzeysel düşünmeye yol açıyor.
• Yapay zekâ, güçlü bir tasarım denetimi olmadan prototipler oluşturduğunda UX tutarlılığı zarar görüyor.
• Bazı alanlarda doğruluk belli bir noktada sabitleniyor (örneğin yapılandırılmış veri çıkarımında %80–85); bu da yüksek riskli kararlarda kullanımı sınırlıyor.

Yapay zekâ verimliliği önemli ölçüde artırıyor, ancak sonuçlar hâlâ büyük ölçüde ekiplerin üretilen çıktıları ne kadar titizlikle gözden geçirip iyileştirdiğine bağlı.

Suman'ın Paylaşımları

Yapay zekâ yalnızca iş akışlarını iyileştirmiyor — onları yeniden düşünmeye zorluyor…Yapay zekâ verimliliği önemli ölçüde artırıyor, ancak sonuçlar hâlâ büyük ölçüde ekiplerin üretilen çıktıları ne kadar titizlikle gözden geçirip iyileştirdiğine bağlı.

Yapay zekâ ürün iş akışlarının neden yeniden düşünülmesini gerektiriyor?

Ürün liderlerinin bilmesi gereken bir şey var: Yapay zekâ yalnızca iş akışlarını iyileştirmiyor — onları yeniden düşünmeye zorluyor.

Çoğu ekip, yapay zekâyı mevcut süreçlerin üzerine katman olarak ekleyerek; önceden tanımlanmış adımlara yardımcı pilotlar, asistanlar veya otomasyon yerleştirerek başlıyor. Bu genellikle hız veya verimlilikte kademeli kazanımlar sağlıyor, ancak temel sistem değişmeden kalıyor.

Asıl fırsat, yapay zekânın başlangıçtan itibaren temel bir bileşen olduğunu varsayarak iş akışlarını yeniden tasarladığınızda ortaya çıkıyor.

Bunu yaptığınızda birkaç şey değişiyor:

• Çalışma daha az doğrusal ve daha paralel hâle geliyor — keşif, prototipleme ve doğrulama aynı anda gerçekleşebiliyor.
• Fikir oluşturma ve fikirleri test etme maliyeti önemli ölçüde düşüyor ve daha fazla yineleme mümkün hâle geliyor.
• Ekiplerin rolü çıktı üretmekten çıktıları gözden geçirmeye, iyileştirmeye ve karar almaya kayıyor.
• Darboğazlar uygulamadan muhakeme, doğrulama ve uyuma kayıyor.

Ancak bunu yapmak yalnızca süreçleri değil, rolleri, sahipliği ve kaliteyi nasıl ölçtüğünüzü de yeniden düşünmeyi gerektiriyor.

Sistemi değiştirmezseniz sonucu sınırlarsınız. Temel olarak daha iyi iş akışları değil, aynı iş akışlarının daha hızlı sürümlerini elde edersiniz.

Yapay zekâ keşif ve prototipleme iş akışlarını nasıl kolaylaştırdı?

Ürün keşfinden prototiplemeye uzanan iş akışımızdan bahsedelim.

Yapay zekâ destekli keşifle başlıyoruz. Bu aşamada yapay zekâ, problem alanına ilişkin ilk görünümü oluşturmak için pazar sinyallerini, rakip hamlelerini ve kurum içi verileri sentezliyor. İnsanlar tarafından yürütülen birincil araştırma — müşteri görüşmeleri ve paydaş girdileri — bunu tamamlıyor.

Ardından yapay zekâ, problem yapılandırma ve çözüm keşfi süreçlerine yardımcı olarak birden fazla yaklaşım, ödünleşim ve ilk hipotezler oluşturuyor.

Sonrasında PRD oluşturma aşamasına geçiyoruz. Bu aşamada yapay zekâ gereksinimlerin, kullanıcı akışlarının ve uç durumların ilk taslağını hazırlıyor. Ürün yöneticileri bunu iş bağlamı, kısıtlar ve önceliklerle iyileştiriyor.

Paralel olarak AI, UX konsept oluşturma ve erken prototiplemeyi destekleyerek hızlı inceleme ve yineleme için tel kafesler veya akışlar oluşturur.

Son olarak, geliştirmeye başlamadan önce bir doğrulama döngüsü yürütürüz:

• PM, tasarım ve mühendislik çıktıları inceler.
• Boşlukları, tutarsızlıkları ve riskleri belirleriz.
• Geri bildirimlere dayanarak iyileştirme yapmak için AI'ı tekrar kullanırız.

Eskiden sıralı olarak gerçekleşen bir süreç artık sıkı bir döngü içinde yürütülüyor ve çoğu zaman birkaç günlük işi saatlere sığdırıyor.

Uçtan uca AI ürün iş akışları neden hâlâ hayata geçirilemiyor?

Tüm bunlara rağmen AI, henüz gerçekten güvenilir uçtan uca otonom bir ürün iş akışı oluşturabilecek seviyede değil.

Bireysel adımlarda güçlü ilerleme görüyoruz, ancak problem → çözüm → kullanıma sunulmuş ürün aşamalarında, minimum insan müdahalesiyle tutarlı biçimde ilerleyen bir sistem henüz mevcut değil.

Eksiklikler şu alanlarda ortaya çıkıyor:

• Adımlar arasında bağlamın korunması
• Uç durumların ve belirsizliklerin ele alınması
• Tutarlı kalitenin ve iş hedefleriyle uyumun güvence altına alınması

Vaat oldukça etkileyici, ancak bugün AI yalnızca iş akışını hızlandırabilir. Güvenilir bir şekilde uçtan uca iş akışını yönetemez.

AI, ürün ekibinin rollerini ve becerilerini nasıl yeniden şekillendiriyor?

Ürün ekipleri söz konusu olduğunda birkaç değişiklik öne çıkıyor:

• PM'ler “üretici” hâline geliyor, yani AI ile yakın çalışmaları, hızlı yinelemeler yapmaları ve yalnızca ne inşa edileceğini değil, bunların nasıl uygulanacağını da anlamaları bekleniyor.
• Tasarım ve mühendislik rolleri döngünün daha erken aşamalarına kayıyor; gereksinimler belirlendikten sonra sürece katılmak yerine en baştan iş birliği yapıyorlar.
• Kalite sorumluluğu daha geniş bir alana dağılıyor. AI çıktılarının doğrulanmasından yalnızca kendi işlevsel alanı değil, herkes sorumlu.

Ayrıca yeni yetkinliklere duyulan ihtiyacı da görüyoruz:

• Daha güçlü bir değerlendirme ve test yaklaşımı
• Belirsizlik ve deterministik olmayan sistemlerle çalışabilme becerisi
• Hızlı yineleme ve denemeler konusunda rahatlık

Liderler AI'ın sahte güvenine karşı neden temkinli olmalı?

Liderler önemli bir riski göz ardı ediyor: AI çıktılarının yarattığı sahte güven.

AI çoğu zaman akıcı ve iyi yapılandırılmış, doğru görünen yanıtlar üretir — bunlar eksik veya hatalı olsa bile. Ekipler, yeterli doğrulama yapmadan çıktılara güvenme eğilimindedir.

Küçük ölçekte bu durum küçük hatalara yol açar. Büyük ölçekte ise ürün kararlarında, müşteri etkileşimlerinde veya operasyonel süreçlerde sistematik hataların iş akışları boyunca yayılmasına neden olabilir.

Suman Paylaşıyor

Liderler önemli bir riski göz ardı ediyor: AI çıktılarının yarattığı sahte güven… Ekipler, yeterli doğrulama yapmadan çıktılara güvenme eğilimindedir.

Claude neden ürün yönetimindeki en değerli araç?

Yalnızca bir AI aracı kullanmam gerekseydi, genel amaçlı bir AI çalışma alanı olan Claude ve Claude Work'ü seçerdim.

Mükemmel olduğu için değil, ürün yaşam döngüsünün her aşamasında — keşif, problem çerçeveleme, PRD taslağı hazırlama, prototipleme girdileri ve hatta teknik araştırma — en çok yönlülüğü sunduğu için.

Değer yalnızca aracın kendisinde değil, yoğun bir kurulum veya entegrasyon gerektirmeden farklı iş akışlarına ne kadar kolay uyum sağladığında da yatar.

Uzmanlaşmış araçlar kullanışlıdır, ancak belirli adımları çözme eğilimindedir. Genel amaçlı bir yapay zekâ çalışma alanı, birden fazla aşamada uygulanabilen bir düşünme ve yürütme katmanı görevi görür.

Ürün liderleri için önemli olanın değerlendirme ve muhakeme olmasının nedeni

Yapay zekâyla çalışmaya başlamadan önce bilseydim dediğim şeyler şunlar:

1. Değerlendirme odaklı geliştirme kritik öneme sahiptir: İlk çıktıların kalitesini ölçmek için net yöntemlere ihtiyacınız vardır. Bu olmadan yapay zekâ sistemlerine güvenmek veya bu sistemleri ölçeklendirmek zordur.
2. Deney yapmak isteğe bağlı değildir: Yapay zekâ sistemleri deterministik değildir. İyi bir sonuca tek seferde ulaşamazsınız; birden fazla sürüm üzerinden yineleme yaparsınız.

İşte benim tavsiyem bu. İşe güçlü değerlendirme çerçeveleriyle başlayın. Bunu yapmış olsaydım, yeniden çalışmaktan ve ilk çıktılara duyulan temelsiz güvenden kaçınabilirdik.

Ayrıca şunu anlayın: Güçlü ürün düşüncesi artık öncelikli olarak derin alan bilgisiyle şekillenmiyor.

Geçmişte PM'ler zaman içinde derin bir uzmanlık geliştirir ve buna dayanırdı. Yapay zekâ artık bu temel bilginin büyük bir bölümünü — pazar bağlamını, rakip içgörülerini ve hatta ilk düzey analizleri — kolayca erişilebilir hâle getiriyor.

Artık daha önemli olan yalnızca ne bildiğiniz değil, nasıl sorguladığınız, sentezlediğiniz ve muhakeme uyguladığınızdır. Derinlik hâlâ önemlidir, ancak artık tek farklılaştırıcı değildir.

Takipte kalın

Suman Chittimuri'nin AI Yetkinliği bültenine LinkedIn üzerinden, ürün bültenine ise Substack üzerinden abone olabilirsiniz. Ayrıca onu LinkedIn üzerinden takip edebilirsiniz.

CPO Club'da daha fazla uzman röportajı sizi bekliyor!