Teknoloji kurucusu ve eski Ürün Başkan Yardımcısı, yapay zekânın ürün ekiplerini daha iyi değil — daha kötü hâle getirdiğini söylüyor

Adam Root, çeşitli teknoloji şirketlerinde Ürün Başkan Yardımcısı görevlerinde bulundu. Şu anda ise iş akışı odaklı SaaS ürünleri geliştirdiği Root Ventures'ın kurucusudur.

Yapay zekânın ürün yaşam döngüsünü nasıl değiştirdiğini ve bu süreçte bazı ekipleri nasıl daha kötü hâle getirdiğini anlamak için Adam'la görüştük. Bize anlattıkları şöyle.

Yapay zekâ ürün ekiplerini daha kötü hâle getiriyor

Yapay zekâ, çoğu ürün ekibini daha iyi değil, daha kötü hâle getiriyor; çünkü ekipleri kötü kararlardan koruyan sürtünmeyi ortadan kaldırıyor.

Son 17 yılı aşkın sürede SaaS platformlarını ölçeklendirdim, yapay zekâ odaklı girişimlere liderlik ettim ve geliri 20 bin dolardan 400 bin dolar Aylık Yinelenen Gelir'e yükseltmek ve kurumsal ölçekte etki sağlamak da dâhil olmak üzere ölçülebilir sonuçlar elde ettim. Kariyerimin ilk dönemlerinde en zor kısmın geliştirme yapmak, özellikleri kullanıma sunmak, ekipleri ölçeklendirmek ve bir yol haritasına göre uygulamaya geçmek olduğuna inanıyordum. Özellikle son birkaç yılda öğrendiğim şey ise asıl zorluğun belirsizliği kesin kanaate dönüştürmek olduğudur. Yapay zekâ bu ayrımı görmezden gelmeyi imkânsız hâle getirdi. 

Bugün herkes yapay zekâ araçlarını kullanarak bir prototip oluşturabilir veya hızlıca kullanıma sunabilir, ancak çoğu ekip bunu gerçek bir ivmeye dönüştürmekte hâlâ zorlanıyor. Güçlü teknik ekiplerin daha hızlı geliştirme yaptığını, ancak net bir ürün tezine sahip olmadığını sürekli görüyorum. Yapay zekâyı, başarıya ulaşmak üzere tasarlanmamış iş akışlarına ekliyorlar. Sonuç daha fazla çıktı oluyor, ancak daha fazla etki değil.

Bu farkındalık, ürün liderliğine yaklaşımımı temelden değiştirdi. Artık her ürünü bir özellikler bütünü yerine bir doğruluk sistemi olarak ele alıyorum. Her şey problemi derinlemesine anlamak, kanıtlarla doğrulamak ve kaldıraç oluşturan bir şekilde kararları sıralamakla başlıyor. Yapay zekâ ancak bundan sonra gerçek bir çarpan hâline geliyor. Bu temel olmadan yalnızca gürültüyü hızlandırıyor.

Bu nedenle bugün odağım araçlardan çok netlik oluşturmak ve ekipleri neyin önemli olduğu, neden önemli olduğu ve sonuçları nasıl yönlendirdiği etrafında hizalamak. Çünkü sistem doğru olduğunda uygulama etkisi katlanarak büyür.

Yapay zekâ temelli bir portföy oluşturmak

Şu anda farklı alanlarda, her biri yalnızca özelliklerin üzerine eklenmek yerine gerçek kullanıcı davranışlarının merkezinde konumlanmak üzere tasarlanmış, yapay zekâ temelli ve iş akışı odaklı küçük bir SaaS ürünleri portföyü oluşturuyorum.

Sotia, Slack ile başlayan ve davranışsal veriler etrafında oluşturulmuş bir zekâ sistemidir; liderliğin uygulama sağlığını gerçek zamanlı olarak anlamasına yardımcı olur. İletişim örüntülerini hizalanma, karar alma hızı ve risk hakkındaki sinyallere dönüştürerek ham etkinlik ile yönetici içgörüsü arasında yeni bir katman oluşturur.

Aynı zamanda, düğün mekânı alanında faaliyet gösteren ve Z Kuşağı alıcılarının karar verme konusundaki güven sorununu çözmeye odaklanan bir pazar yeri platformu olan VowVista'yı geliştiriyorum. Şeffaflığı, yapılandırılmış verileri ve yönlendirmeli iş akışlarını bir araya getirerek parçalı ve duygusal yoğunluğu yüksek bir satın alma sürecini ele alıyor; kullanıcıların keşif aşamasından karar aşamasına geçmesine yardımcı oluyor.

Bunların yanı sıra, inşaat ve saha operasyonları alanlarında yapay zekâ temelli platformlar geliştirmeye devam ediyorum. Bu platformlarda ses, fotoğraf ve video gibi çok modlu girdileri sahadan alıyor ve bunları operasyon sorumluları ile yöneticiler için yapılandırılmış, eyleme geçirilebilir zekâya dönüştürüyoruz.

Tüm bunların ortak noktası, gerçek iş akışları için tasarlanmış, kayıt sistemleri ve zekâ sistemleri olarak çalışan ürünler oluşturmak ve hızlı yinelemeyi üretim düzeyinde güvenilirlikle birleştiren bir sunum modeli kullanmaktır.

Ürün liderleri neden yapay zekâya değil, sisteme odaklanmalı?

Ürün yapay zekânın kendisi değildir. Ürünü oluşturan, etrafındaki sistemdir.

Çoğu ekip işe modele, özelliğe veya yeteneğe odaklanarak başlıyor. Ancak uygulamada model, en az farklılaşan ve çoğu zaman en kolay kısım. Asıl çalışma bunun etrafındaki her şeydir: veriler, iş akışı entegrasyonu, kullanıcı deneyimi, güven modeli ve çıktının gerçek bir kararı ya da eylemi nasıl yönlendirdiği.

Bunu yanlış yaparsanız yapay zekâ, ürününüzü kullanışlı hâle getirmeden etkileyici görünmesini sağlar. Tanıtımlarda iyi görünen ancak benimsenmeyen özellikleri kullanıma sunarsınız; çünkü bu özellikler kullanıcıların gerçekte nasıl çalıştığına veya karar verdiğine entegre edilmemiştir.

Bunu doğru yaptığınızda yapay zekâ bir çarpan hâline gelir. Dağınık girdileri yapılandırılmış içgörülere dönüştürür, gerçek iş akışlarındaki sürtünmeyi azaltır ve sistem genelinde kaldıraç oluşturur.

Bunu daha önce bilseydim, iş akışını doğrulamadan önce “zekâya” aşırı yatırım yapmaktan kaçınırdım. Birkaç durumda teknik olarak çalışan etkileyici yetenekler geliştirdik; ancak bunlar işin gerçekte nasıl yapıldığına entegre edilmediği için kullanıcı davranışını değiştirmedi. Geri dönüp modele göre değil, iş akışına göre yeniden tasarlamak zorunda kaldık.

Kanıtlarla desteklenen sistemler uygulamayı nasıl iyileştirebilir?

Kod yazmadan önce özellikler geliştirmekten, kanıtlarla desteklenen sistemler oluşturmaya geçtim; sürecin erken aşamalarında yapay zekâyı sentezleme ve doğrulama katmanı olarak kullanıyorum.

Geçmişte güçlü ekipler bile keşiften teknik özellik tanımlarına nispeten hızlı bir şekilde geçerdi. Yapay zekâyla güçlendirilmiş bir dünyada bu model geçerliliğini yitiriyor, çünkü geliştirme maliyeti büyük ölçüde düştü. Var olmaları gerekip gerekmediğini doğrulayabileceğinizden daha hızlı çözümler üretebilir ve kullanıma sunabilirsiniz. Bunun sonucunda yeni bir başarısızlık türü ortaya çıkıyor: ekipler yanlış fikirleri inanılmaz bir hızla ölçeklendiriyor.

Keşif artık bir aşama değil, sürekli ve sistem odaklı bir işlev hâline gelmeli. Bu şu anlama geliyor:

• Kullanıcı davranışları, destek verileri, kazanma-kaybetme analizleri ve nitel girdiler dâhil olmak üzere gerçek sinyalleri geniş ölçekte bir araya getirmek
• Yapay zekâyı bu girdiler arasındaki örüntüleri yalnızca özetlemek için değil, sentezlemek için kullanmak
• Sorunları iş akışlarıyla açıkça eşleştirmek ve ürünün bunları gerçekten ele alıp almadığını ölçmek
• Yeni veriler geldikçe varsayımları sürekli olarak yeniden doğrulamak

Örneğin, yinelenen sorunları ortaya çıkarmak, bunları iş akışlarıyla eşleştirmek ve ürünün bunları gerçekten çözüp çözmediğini açıkça test etmek için birden fazla veri kaynağı üzerinde yapılandırılmış komutlar çalıştırıyorum. Bu süreç, ilk fikirleri tasarım veya mühendislik aşamasına ulaşmadan önce çoğu zaman geçersiz kılıyor ya da onları önemli ölçüde yeniden şekillendiriyor.

Sonuç olarak değişen şey, kanaatin niteliği oldu. Daha az şey geliştiriyoruz; ancak geliştirdiklerimiz gerçek sorunlarla çok daha sıkı bir şekilde örtüşüyor. Bu aynı zamanda ekiplerin çalışma biçimini de değiştiriyor. Fikirleri tartışmak yerine sentezlenmiş kanıtlara tepki veriyoruz. Bu nedenle benim için yapay zekâ, uygulamayı hızlandırmaktan çok, uygulamaya geçirmeyi seçtiğimiz şeylerin doğruluğunu artırmakla ilgili.

Yapay zekâ, sinyalden kullanıma sunulan ürüne uzanan iş akışının tamamını nasıl sıkıştırıyor?

Ham kullanıcı sinyalinden kullanıma sunulmuş ve doğrulanmış bir ürün döngüsüne geçmek için kullandığım uçtan uca yapay zekâ destekli iş akışı şöyle.

Her şey sinyal toplamayla başlıyor. Çiftlerle yapılan görüşmeler, Reddit başlıkları, mekân değerlendirmeleri, dönüşüm hunisindeki terk noktaları ve gelen sorular dâhil olmak üzere nitel ve davranışsal verileri bir araya getiriyorum. Bunları tek tek incelemek yerine, tüm kaynaklar arasındaki verileri sentezlemek ve yinelenen sorunları, ne sıklıkta ortaya çıktıklarını ve kullanıcıların karar verme sürecinde nerelerde takıldığını belirlemek için yapay zekâyı kullanıyorum.

Buradan sorunları yapılandırma aşamasına geçiyorum. Yapay zekâ, bu sinyalleri iş akışındaki belirli anlarla bağlantılı, net sorun ifadeleri hâlinde kümelendirmeye yardımcı oluyor. Ardından şu soruyu sorarak bu sorunları zorlu bir testten geçiriyorum: “Bu sorun sık karşılaşılan, can sıkıcı ve ürün tarafından çözülebilir mi?”

Sonraki aşama çözümü şekillendirmek. Sorunu çözmenin yalnızca özelliklere değil, iş akışı değişikliklerine dayanan farklı yollarını hızla keşfetmek için yapay zekâyı kullanıyorum. Buradaki kilit nokta, birden fazla yaklaşımı hızlıca oluşturmak ve ardından kullanıcı davranışına en iyi uyan yaklaşıma göre seçenekleri daraltmak.

Ardından geliştirme ve ölçümleme aşamasına geçiyoruz. Yapay zekâ destekli geliştirme araçlarını kullanarak fikirden çalışan bir sürüme hızlıca geçiyoruz; ancak ölçümlemeyi de en baştan sisteme dâhil ediyoruz. Kullanıcıların yeni iş akışıyla etkileşime girip girmediğini, nerede süreci terk ettiklerini ve bunun karar güvenini ya da ilerlemeyi iyileştirip iyileştirmediğini takip ediyoruz.

Sonrasında bu süreç bir öğrenme döngüsüne dönüşüyor. Yapay zekâ, neyin işe yarayıp neyin yaramadığını belirlemek için kullanım örüntülerini, nitel geri bildirimleri ve uç durumları analiz ediyor. Değişikliğin yalnızca kullanıcıların onunla etkileşime girip girmediğine değil, davranışı gerçekten değiştirip değiştirmediğine bakıyoruz.

Son olarak elde edilen sonuçlar yineleme veya kaldırma sürecine geri besleniyor. İş akışı sonuçları iyileştiriyorsa kapsamını genişletiyoruz. İyileştirmiyorsa hızlıca ya geliştiriyor ya da kaldırıyoruz.

Ürün verilerime ve kullanıcı sinyallerime bağlı olan Claude, bu iş akışının büyük bölümünü yönetiyor.

Yapay zekâ nasıl sahte bir güven oluşturabilir?

Yapay zekânın bende yarattığı en iyi sonuç, netliğe ulaşma hızında büyük bir artış görmem. Yapay zekâ, özellikle keşif, sentez ve ürünün ilk tanımlanması süreçlerinde günler süren çalışmaları saatlere sıkıştırdı. Çok daha fazla girdiyi inceleyebiliyor, örüntüleri daha hızlı fark edebiliyor ve ekip kaynaklarını tahsis etmeden önce fikirleri zorlu bir testten geçirebiliyorum. Nitel açıdan bu, daha iyi bir ilk çerçevelemeye, yol haritası görüşmelerine daha az zayıf fikrin girmesine ve ürün, tasarım ve mühendislik arasındaki uyumun daha keskin hâle gelmesine yol açtı.

Bu durum ürün oluşturma sürecinin kendi içindeki üretim kapasitesini de artırdı. Geçen yıl, yapay zekâ destekli iş akışlarını kullanarak fikirden çalışan ürüne, geleneksel döngülerin izin vereceğinden çok daha hızlı geçtim. Buna sorun çerçevelemeden mimariye, PRD'lere ve kullanılabilir yazılıma geçiş de dâhil. Faydası yalnızca hız değil. Gerçek iş akışlarını daha erken test edebilme imkânı sunması, öğrenme hızını artırıyor.

Ancak her şey olumlu değil. Yapay zekâ yanlış bir güven duygusu yaratabilir. Ekipler, özenle hazırlanmış çıktıyı ürün kalitesiyle karıştırabilir. Bir prototip ikna edici görünür, teknik özellikler belgesi eksiksizmiş gibi durur ve temel iş akışı, güven modeli ya da kullanıcı ihtiyacı hâlâ çözümlenmemiş olsa bile herkes ilerleme kaydedildiğini hisseder. Güçlü bir ürün tezi olmadan kullanıldığında yapay zekânın gürültüyü artırdığını da gördüm. Bir ekibin gerçekçi biçimde değerlendirebileceğinden daha fazla fikir, metin, iş kaydı ve çıktı üretebilir; bu da aslında önceliklendirmeyi daha kötü hâle getirebilir.

Adam Paylaşıyor

Yapay zekânın sağladığını gördüğüm en iyi sonuç, netliğe ulaşma hızında büyük bir artış. Yapay zekâ, özellikle keşif, sentez ve ürün tanımının ilk aşamalarında, eskiden günler süren işleri saatlere sığdırdı.

Yapay zekânın ürün geliştirmede yetersiz kaldığı noktalar

Yapay zekâ, ürün karar verme süreçlerinde ve sürdürülebilir ürün etkisinde sıçrama niteliğinde iyileştirmeler yaratmasını beklediğim alanlarda en belirgin biçimde yetersiz kaldı.

Başlangıçta yapay zekânın, kalıpları görünür hâle getirerek önceliklendirmeyi ve yol haritası kalitesini önemli ölçüde iyileştireceğini düşünüyordum. Kalıpların ortaya çıkarılmasına yardımcı oluyor, ancak gerçekten neyin önemli olduğunu çözüme kavuşturmuyor. Zor olan hâlâ ödünleşimleri yorumlamak, ikinci dereceden etkileri anlamak ve belirsizlik altında bir yön belirleyip ona bağlı kalmak. Yapay zekâ bu süreci bilgilendiriyor, ancak onun yerini almıyor. Kendi başına sürekli olarak daha iyi ürün kararları ürettiğini görmedim.

Ayrıca gerçek benimsenmeyi sağlamada da yetersiz kaldı. Yapay zekâ özellikleri çoğu zaman demolar sırasında son derece etkileyici görünür, ancak gerçek iş akışlarına derinlemesine yerleşmedikleri sürece bu durum tekrarlı kullanıma dönüşmez. Kullanıcıların bir kez deneyip bir daha dönmediği etkileyici yapay zekâ yeteneklerini kullanıma sunan ekipler gördüm; çünkü ürün davranışı değiştirmedi veya işlerin nasıl yürütüldüğünün bir parçası hâline gelmedi.

Bir diğer eksik de karmaşıklığı azaltma konusunda. Yapay zekânın ürünlerin geliştirilme ve işletilme biçimini basitleştirmesini bekliyordum, ancak çoğu durumda istem mantığı, uç durumlar, değerlendirme zorlukları ve güven hususları dâhil olmak üzere yeni katmanlar ekliyor. İşi ortadan kaldırmak yerine, hâlâ güçlü ürün ve mühendislik disiplini gerektiren yeni alanlara taşıyor.

Sorumluluk neden insanlarda kalmalı?

Ölçek ve kalıp tanımanın önemli olduğu her yerde yapay zekâyı yoğun biçimde kullanıyor, sonucun muhakemeye, riske veya estetik anlayışına bağlı olduğu her yerde ise insanları sürece dâhil tutuyorum.

Yapay zekâ tarafında en çok keşif ve sentez süreçlerinde ona güveniyorum. Tekrarlanan sorunları belirlemek, sıklığı ölçmek ve bu sorunları iş akışlarıyla eşleştirmek için görüşme dökümlerini, destek kayıtlarını, kazanma-kaybetme verilerini ve davranışsal sinyalleri ona sağlıyorum. Erken aşamadaki önceliklendirmede de faydalı; karar vermek için değil, ödünleşimleri, ikinci dereceden etkileri ve benim göz önünde bulundurmamış olabileceğim alternatif çerçeveleri göstererek varsayımları sınamak için kullanıyorum. Deneylerde yapay zekâ, özellikle büyük miktarda nitel geri bildirimle çalışırken hipotezler oluşturmaya, farklı sürümler hazırlamaya ve sonuçları hızla analiz etmeye yardımcı oluyor.

İşleri açıkça insanlara bıraktığım alan kararlılık ve bağlılık. Nihai önceliklendirme kararları, yol haritasının sıralanması ve neyi geliştirmemeyi seçtiğimiz hâlâ liderlik ekibinin ve benim sorumluluğumda. Aynı durum, estetik anlayışı, güven ve duygusal bağlam gerektiren kullanıcı deneyimi kararları için de geçerli. Teknik ödünleşimler de insanlar tarafından yönlendiriliyor; çünkü bunlar uzun vadeli sistem düşüncesini, risk toleransını ve yapay zekânın tam olarak içselleştiremeyeceği kurumsal kısıtları içeriyor.

Bunun nedeni basit: Yapay zekâ bilgiyi sıkıştırma ve çözüm alanını genişletme konusunda mükemmel, ancak sonuçların sorumluluğunu üstlenmiyor. Ürün liderliği nihayetinde belirsizlik altında geri döndürülemez veya yüksek maliyetli kararlar vermeye dayanıyor. Bu sorumluluk insanlarda kalmalı.

Ürün liderleri ölçek büyüdükçe sahte güvene neden dikkat etmeli?

Ürün liderleri, büyük ölçekte sahte güven oluşması riskini çoğu zaman hafife alıyor.

Yapay zekâ sistemleri, doğru olmadıkları hâlde doğruymuş gibi görünen çıktılar üretme konusunda oldukça başarılı. Tehlike, bariz bir başarısızlık değil. Asıl tehlike, makul görünen doğruluk. Doğru görünen, kendinden emin bir tonda ifade edilen ve hemen fark edilemeyecek şekillerde yanlış olan bir şey.

Küçük ölçekte bir kullanıcı bunu fark edebilir. Ürün ölçeğinde ise aynı hata binlerce etkileşim boyunca tekrarlanır ve kararları, iş akışlarını ve sonuçları sessizce şekillendirir.

Bunun belge yorumlama, öneriler ve iş akışı otomasyonu gibi alanlarda ortaya çıktığını gördüm. Sistem çoğu zaman kullanıcıların ona güvenmeye başlamasına yetecek kadar iyi performans gösteriyor, ancak asıl risk uç durumlarda ortaya çıkıyor. Üstelik bu uç durumlar çoğu zaman en ciddi sonuçları doğuruyor.

Bunu özellikle tehlikeli kılan şey, geleneksel ürün sezgilerinin bunu yakalayamamasıdır. Kullanıcı kaybı ya da çökme görmezsiniz. Etkileşim görürsünüz. Ürün “çalışır.” Ta ki çalışmayana kadar.

Risk azaltma yalnızca daha iyi modeller kullanmakla ilgili değildir. Güven ve doğrulama için tasarım yapmayı gerektirir:

Adam Paylaşıyor

Ürün liderleri, büyük ölçekte yanlış güvenin riskini çoğu zaman hafife alır…Bunu özellikle tehlikeli kılan şey, geleneksel ürün sezgilerinin bunu yakalayamamasıdır. Kullanıcı kaybı ya da çökme görmezsiniz. Etkileşim görürsünüz. Ürün “çalışır.” Ta ki çalışmayana kadar.

• Yalnızca yanıtları değil, kanıtları da göstermek
• Güven düzeyini ve belirsizliği görünür kılmak
• İnsanın sürece dahil olduğu açık kontrol noktaları oluşturmak
• Sistemin yalnızca ne zaman kullanıldığını değil, ne zaman yanıldığını da ölçümlemek

Risk, doğruluğun kullanımla doğrusal olarak arttığını varsaymaktır. Gerçekte risk, doğruluktan daha hızlı birikerek artar.

AI'ın yargısı nasıl zayıflayabilir?

AI en çok, ürünün yalnızca makul görünen bir yanıt üretmesi değil; insani boyutu, belirsizliği ve hata yapmanın bedelini anlaması gereken durumlarda zorlanıyor.

Buna iyi bir örnek, uyumluluk odaklı veya yüksek güven gerektiren iş akışlarıdır. AI'ın belgelerden bilgi çıkarabildiği, sorunları işaretleyebildiği ve sonraki adımları önerebildiği ürün fikirleri üzerinde çalıştım. Kağıt üzerinde bu, AI için mükemmel bir kullanım alanı gibi görünüyor. Uygulamada ise sorun şu: model, önemli bağlamı gözden kaçırırken, bir maddeyi yanlış yorumlarken veya bir istisnanın neden diğerinden daha önemli olduğunu anlayamazken son derece kendinden emin görünen bir yanıt üretebiliyor.

Bu da hemen bir güven sorunu yaratıyor. Kullanıcı, “Bu çıktı etkileyici miydi?” diye sormuyor. “Bunun sonraki aşamalarda risk yaratmadan güvenebilir miyim?” diye soruyor.

Öğrendiğim şey, AI'ın şu durumlarda yargılama konusunda çoğu zaman zayıf olduğudur:

• Bağlam kısmi olduğunda
• Hatanın sonuçları asimetrik olduğunda
• Kullanıcının yalnızca çıktıya değil, açıklamaya da ihtiyaç duyduğunda

AI ekipleri nasıl yeniden yapılandırıyor?

AI, ürün ekiplerimin yapısını rol temelli yalıtılmış gruplardan daha küçük, daha bütünleşik ve sistem odaklı ekiplere dönüştürdü.

Geçmişte ekipler, net devirler etrafında yapılandırılırdı: ürün tanımlar, tasarım tasarlar, mühendislik geliştirir ve veri analiz ederdi. AI uygulamayı sıkıştırıp sıkı geri bildirim döngüleri gerektiren olasılıksal sistemler ortaya çıkardığında bu model çöker.

Artık sınırlar arasında çalışabilen daha az sayıda kişiyi tercih ediyorum. Ürün yöneticilerinden veri, istem tasarımı ve iş akışı mantığı konularında daha derine inmeleri bekleniyor. Mühendisler yalnızca uygulamaya değil, probleme ve kullanıcı bağlamına da daha yakın çalışıyor. Tasarım ise statik ekranlardan çok etkileşim kalıpları, güven ve sistem belirsiz ya da hatalı olduğunda nasıl davrandığıyla ilgileniyor.

Ayrıca tamamen yeni rollerden çok, yeni sorumlulukların ortaya çıktığını da gördüm. Örneğin:

• Yalnızca sorunsuz akışta değil, uç durumlar genelinde “sistem davranışının” sorumluluğunu üstlenmek
• Güven eşiklerini ve insanın sürece dahil olduğu anları tanımlamak
• Veri kalitesini ve geri bildirim döngülerini temel ürün öncelikleri olarak yönetmek

Ürün liderleri AI'ı nasıl kullanmalı?

Tavsiyem basit: Daha hızlı ilerlemek için AI kullanmayın. Daha fazla şeyi doğru yapmak için kullanın.

Şu anda ekiplerin çoğu hıza, daha fazla özelliğe, daha kısa döngülere ve daha hızlı çıktılara odaklanıyor. Bu, bariz fayda. Ancak netlik olmadan hız, hataları yalnızca büyütür.

Adam'ın Tavsiyesi

Tavsiyem basit: Daha hızlı ilerlemek için AI kullanmayın. Daha fazla şeyi doğru yapmak için kullanın…Asıl değişim şu: Artık geliştirme kısıtlayıcı unsur değil. Kısıtlayıcı olan yargıdır.

Asıl değişim şu: Artık geliştirme kısıtlayıcı unsur değil. Kısıtlayıcı olan yargıdır.

Dolayısıyla bir ürün lideri olarak rolünüz, uygulamayı yönlendirmekten çok şu konularla ilgilenmeye dönüşür:

• Doğru sorunları tanımlamak
• Kararları sıralamak
• Geliştirilen şeyin kullanıcı davranışını gerçekten değiştirmesini sağlamak

Düşüncelerinizi genişletmek, sinyalleri sentezlemek ve fikirleri baskı testine tabi tutmak için yapay zekâyı kullanın. Ancak zor kararları dışarıya devretmeyin. Değer tam da burada yatar.

Ayrıca ekibinizin çalışma biçimini yeniden tasarlayın:

• Keşfi bir aşama olarak değil, sürekli devam eden bir süreç olarak ele alın.
• Yalnızca işlevsellik için değil, güven oluşturmak için tasarlayın.
• Özellikler değil, sistemler geliştirin.

Ve en önemlisi, zor düşünme sürecini atlama isteğine karşı koyun.

Gelişmeleri takip edin

Adam Root, portföyündeki Sotia, VowVista ve diğer SaaS ürünlerini geliştirmeye devam ederken onu LinkedIn üzerinden takip edebilirsiniz.

CPO Kulübü'nde daha fazla uzman röportajı sizleri bekliyor!