Yapay zekâ, ürün liderlerini yalnızca ürünü değil, organizasyonu da yeniden tasarlamaya neden zorluyor

Lukas Egger, SAP Signavio'da Ürün Stratejisi ve İnovasyondan Sorumlu VP'dir. Aynı zamanda Process Transformers podcast'inin yaratıcısıdır.

Lukas ile, yapay zekânın ürün organizasyonunu yönetme biçimini ve ürünün kendisini nasıl değiştirdiğini öğrenmek için görüştük. İşte paylaştıkları.

Kalıcı değeri gürültüden ayırmak

Ben, SAP Signavio'da Ürün Stratejisi ve İnovasyondan Sorumlu VP olan Lukas Egger'ım. Çalışmalarım ürün stratejisi, iş dönüşümü ve yapay zekânın kesişiminde yer alıyor; özellikle de büyük kuruluşların yeni ortaya çıkan teknolojileri nasıl kullanışlı, güvenilir ve ekonomik açıdan anlamlı ürünlere dönüştürebileceğiyle ilgileniyorum.

Bu noktaya gelmem, tek bir “yapay zekâ aydınlanmasından” ziyade kuruluşların karmaşıklığı nasıl anlamlandırdığına duyduğum uzun süreli ilgiden kaynaklanıyor. Kariyerimin başlarında veri, analitik, ürün ve strateji alanlarında çalıştım ve teknolojik olanaklarla kurumsal gerçeklik arasındaki farkla giderek daha fazla ilgilenmeye başladım. Pek çok fikir bir demo ya da prototipte ikna edici görünüyor; ancak asıl sınav, bu fikirlerin teşvikler, yönetişim, müşteri iş akışları, teknik kısıtlar ve gerçek kullanıcı benimsemesi karşısında ayakta kalıp kalamadığıdır.

Ürün liderliğinde yapay zekâyı da bu şekilde düşünüyorum. Heyecan verici olan yalnızca modellerin metin, kod, görsel veya analiz üretmesi değil. Daha derin değişim, yapay zekânın şirketler içindeki bilişsel faaliyetlerin maliyet yapısını değiştirmesi. Yapay zekâ; iş oluşturma, karşılaştırma, özetleme, simülasyon ve koordinasyon maliyetlerini düşürüyor. Bunun ürün ekipleri açısından derin sonuçları var; çünkü yalnızca neler geliştirebileceğimizi değil, fikirleri ne kadar hızlı test edebileceğimizi, müşterileri nasıl anlayacağımızı, iş akışlarını nasıl tasarlayacağımızı ve değeri nasıl tanımlayacağımızı da değiştiriyor.

SAP Signavio'da, yapay zekânın ciddi bir kurumsal bağlamda iş dönüşümünü nasıl destekleyebileceğini değerlendirmeye önemli ölçüde zaman ayırıyorum. Bu, genel üretkenlik iddialarının ötesine geçmek ve daha keskin ürün soruları sormak anlamına geliyor: Hangi yeni müşteri sorunları çözülebilir hâle geliyor? Hangi iş akışları somut biçimde iyileşiyor? Yapay zekâ nerede ölçülebilir iş değeri yaratıyor? Nerede yeni riskler oluşturuyor? Ve arzu edilirlik, uygulanabilirlik, yaşama geçirilebilirlik ve kuruluş tarafından kabul edilebilirlik açısından inovasyon riskini nasıl azaltabiliriz?

Ürün liderleri için bu nadir rastlanan bir dönem. Yapay zekâ yalnızca başka bir özellik katmanı değil. Kullanıcı deneyimi, farklılaşma, teslimat hızı, veri, güven ve yazılımın kendisinin rolü hakkındaki varsayımlarımızı yeniden ele almaya zorluyor. Bu nedenle ürün liderliğinin görevi, en yüksek sesle dile getirilen yapay zekâ kullanım alanının peşinden koşmak değil; ekiplerin kalıcı değeri gürültüden ayırmasına yardımcı olacak muhakemeyi, sistemleri ve çalışma modellerini oluşturmaktır.

Değişimi kolaylaştırmak

Bağlam sağlamak gerekirse ekibim, müşterilere yönelik önemli bir inovasyon ortamı olan LabSpace'i destekliyor. LabSpace'in temel fikri, kurumsal müşterilerin inovasyonla erken, güvenli ve çok az sürtüşmeyle etkileşime geçmesini sağlamak. Geleneksel B2B yazılımlarında, özellikle ERP ve iş dönüşümü alanlarında, değişim çoğu zaman pahalı, yavaş ve operasyonel açıdan risklidir. LabSpace bu engeli azaltıyor. Müşterilerden başlangıçta zor bir değişiklik yapmalarını istemek yerine, benimsemeye, uygulamaya veya ölçeklendirmeye karar vermeden önce daha iyi bir gelecekteki iş akışının nasıl görünebileceğini keşfedebilecekleri bir alan oluşturuyoruz.

Kuruluşumuzun iki tür kullanıcısı var. Dışarıda müşteriler, yeni yeteneklerin işletmeleri açısından ne anlama gelebileceğini anlamak için LabSpace'i kullanıyor. İçeride ise ürün, mühendislik ve inovasyon ekipleri, her deneyi zamanından önce tam kapsamlı bir ürün taahhüdüne dönüştürmeden, ilk fikirleri gerçek müşteri geri bildirimlerine sunmak için LabSpace'i kullanıyor.

Bu anlamda LabSpace hem bir vitrin hem de bir öğrenme sistemi. Arzu edilirliği, uygulanabilirliği, yaşama geçirilebilirliği ve kurumsal uyumu çok daha somut bir şekilde test etmemize yardımcı oluyor. Kapsamı geniş: SAP Signavio müşteri tabanının tamamında inovasyonu erişilebilir kılmayı ve aynı zamanda iç ekiplerimize umut vadeden fikirlerden doğrulanmış ürün yönüne ilerlemek için tekrarlanabilir bir yol sunmayı amaçlıyoruz.

Teslimat modeli kasıtlı olarak yalın tasarlandı. Müşterileri yalnızca inovasyonu deneyimleyebilmeleri için ağır uygulama döngülerine zorlamıyoruz. Yeni yeteneklerle etkileşim kurmak, geri bildirim toplamak ve gerçek değerin nerede bulunduğunu öğrenmek için yapılandırılmış, düşük riskli yollar oluşturuyoruz. Daha derinlerdeki ürün felsefesi şu: Kurumsal yazılımlar şirketlerin yalnızca değişmesine yardımcı olmamalı; değişim eyleminin kendisini de kolaylaştırmalı.

Ürün modeli yapay zekâyla kendini nasıl yeniden şekillendiriyor?

Yakın zamanda, erken aşamadaki ürün inovasyonu için gereken asgari ekibi yeniden düşünmeye başladık.

Tarihsel olarak kurumsal yazılımlarda güvenilir bir ilk konsepte ulaşmak bile genellikle küçük, işlevler arası bir grup gerektiriyordu: ürün, tasarım, mühendislik, alan uzmanlığı ve bazen veri veya mimari desteği. Her rolün sıkıştırılması zor, uzmanlık gerektiren görevler içermesi nedeniyle bu yaklaşım anlamlıydı. Ancak yapay zekâ bu rolleri, otomasyon düzeyleri birbirinden çok farklı görevlere ayırmaya başladı.

Geçtiğimiz yıl, fikirden müşteri tarafından doğrulanabilir ilk konsepte kadar geçen sürenin çarpıcı biçimde kısaldığını gördük. Ürün yöneticileri ve mühendisler artık erken inovasyon alanının çok daha büyük bir bölümünü kendi başlarına kapsayabiliyor: müşteri sinyallerini sentezlemek, alternatif konseptler oluşturmak, prototipler hazırlamak, uç durumları keşfetmek, anlatılar taslağı hazırlamak ve daha tutarlı müşteri görüşmeleri planlamak. Bu durum uzmanlık, muhakeme veya işlevler arası iş birliği ihtiyacını ortadan kaldırmıyor; ancak bu kişilerin ne zaman ve hangi amaçla sürece dahil edilmesi gerektiğini değiştiriyor.

Sonuç yalnızca hız veya maliyet azaltımı değil. Daha ilginç olan değişim sahiplikte yaşanıyor. Daha küçük gruplar ve bazı durumlarda bireyler, daha büyük bir ekip kurmadan önce anlamlı öğrenmeler elde etmeye yetecek kadar ilerletebiliyor. Bu, roller arasındaki geçişlerdeki engelleri azaltıyor ve güçlü fikirlere sahip kişilere etki yaratma konusunda daha fazla özgürlük tanıyor.

Bana göre bu, yapay zekânın ürün çalışmalarına getirdiği en heyecan verici değişimlerden biri. Eski modelde yalnızca daha fazla çıktı üretmiyoruz. Bunun yerine modelin yapısı da değişiyor: daha az devir, daha hızlı öğrenme döngüleri ve fırsata en yakın kişilere daha fazla hareket alanı.

Yapay zekâ, karar alanını genişletirken insanlar nasıl karar verir?

Giderek daha az “hangi ürün faaliyeti yapay zekâ kullanıyor?” ve daha çok “ne tür bir karar veriyoruz?” diye düşünüyorum.

Yapay zekâ; bilgiye dayalı, üretken, karşılaştırmalı veya geri döndürülebilir faaliyetlerde giderek daha etkili hâle geliyor. Yapay zekâ artık pazar araştırmasını, masa başı araştırmasını, müşteri sinyallerinin sentezlenmesini, rekabet taramalarını, ilk taslak anlatıları, konsept keşfini, alternatif çerçevelemeyi ve hatta erken prototip fikirlerini yoğun biçimde destekliyor. Bu alanların çoğunda yapay zekâ yalnızca işi hızlandırmıyor; aynı zamanda bir ürün liderinin veya ekibin karar vermeden önce ne kadar bağlamı işlemesi gerektiğine ilişkin temel beklentiyi de değiştiriyor.

Gerçek belirsizlik altında muhakeme gerektiren kararlar konusunda çok daha dikkatliyim. Yapay zekâ bu kararları bilgilendirebilir, ancak bu kararların sahibi olmamalıdır. Önceliklendirme, yol haritası yönü, stratejik ödünleşimler, müşteri taahhütleri, fiyatlandırma mantığı, kurumsal taahhütler ve teknik tercihler hâlâ insanların sorumluluk üstlenmesini gerektiriyor. Bunlar yalnızca optimizasyon problemleri değildir. Eksik bilgiler, birbiriyle yarışan değerler, siyasi kısıtlar, müşteri güveni, zamanlama ve başlangıçta tam olarak modelleyemeyeceğimiz sonuçları içerir.

Basitçe söylemek gerekirse: Yapay zekâ, karar alanını genişletme konusunda mükemmeldir. Bir ekibin kendi başına üretebileceğinden daha fazla seçenek, kanıt, karşı argüman, risk ve örüntü gösterebilir. Ancak insanlar hâlâ neyin önemli olduğuna, neye yatırım yapmaya değer olduğuna ve kuruluşun hangi riski üstlenmeye hazır olduğuna karar vermelidir.

İçerik ucuzladıkça bu ayrım daha da önem kazanıyor. Her ekip nitelikli araştırmalar, makul stratejiler ve ikna edici anlatılar üretebiliyorsa kıt kaynak artık içerik değildir. Kıt kaynak güvendir. Bu nedenle ürün liderliği, daha fazla çıktı üretmekten çok, hangi çıktıların eyleme dönüştürülmeyi hak ettiğini anlayacak muhakemeyi, yönetişimi ve güvenilirliği oluşturmaya dayanır.

Yapay zekâ, ürün liderlerinin ekiplerle iletişimlerini geliştirmelerine nasıl yardımcı olabilir?

Neredeyse her gün kullandığım yapay zekâ destekli iş akışlarından biri klasik bir ürün iş akışı değil; ancak beni daha iyi bir ürün lideri hâline getirdi: filtresiz düşünceleri başkalarının anlayabileceği bir iletişime dönüştürmek.

Ürün liderliği belirsizlik, gerilim ve geri bildirim içerir. Bazen bir şeye karşı güçlü bir tepki veriyorum: bir stratejiye, öneriye, toplantıya, karara veya ortaya çıktığını gördüğüm bir örüntüye. Geçmişte bu tepkiyi hemen cilalı ve diplomatik bir biçime dönüştürürdüm. Bu yararlı olabilir, ancak ilk sinyali kaybetmenize de yol açabilir.

Şimdi yapay zekâyı çoğu zaman bir çeviri katmanı olarak kullanıyorum. Önce ham düşüncelerimi dürüstçe kaydediyorum: beni neyin hayal kırıklığına uğrattığını, neyin yanlış olduğunu, asıl sorunun ne olduğunu ve hangi ödünleşimden kaçındığımızı. Bu hâlini kimseye göndermiyorum. Bu, özel ve filtresiz analizdir.

Ardından yapay zekâdan bunu hedef kitle için faydalı bir şeye dönüştürmeme yardımcı olmasını istiyorum: bir e-postaya, Slack mesajına, toplantı geri bildirimine, karar notuna veya soru dizisine. İş akışı şu şekilde: ham düşünce → yapılandırılmış analiz → hedef kitleye uygun iletişim → insan incelemesi → son mesaj.

Yapay zekâ benim muhakememin yerini almıyor; bunun yerine gereksiz sertliği ortadan kaldırırken geri bildirimin gerçeğini korumama yardımcı oluyor. Önce kendime karşı daha dürüst olmamı, ardından başkalarıyla daha etkili iletişim kurmamı sağlıyor.

Ürün liderleri için bu önemlidir; çünkü iş yalnızca doğru analize sahip olmakla ilgili değildir. Aynı zamanda başkalarının bunu savunmaya geçmeden duymasını, değerlendirmesini ve buna göre hareket etmesini sağlamaktır. Yapay zekâ, samimi tepki ile yapıcı iletişim arasında bir köprü olarak kullanışlı hâle gelmiştir.

Yapay zekâ ürün çalışmaları neden organizasyonel değişim gerektirir?

Yapay zekâ ürün çalışmaları yalnızca bir ürün veya teknoloji sorunu değildir. Aynı zamanda bir organizasyonel değişim sorunudur.

Yapay zekâ konusunda heyecanlı küçük bir grup insan bulmak zor değildir. İlk prototipleri oluşturmak da en zor kısım değildir. Yapay zekâ hızındaki yenilikleri, farklı bir yazılım çağında tasarlanmış teşvik yapıları, yönetişim modelleri, onay süreçleri ve teslimat süreçleri üzerinden yürütmek çok daha zordur.

Bu yapıların birçoğu haklı nedenlerle vardır. Kaliteyi, güvenliği, tutarlılığı, markayı, uyumluluğu ve müşteri güvenini korurlar. Ancak yapay zekâ hızı, kapsamı ve fırsatları büyük ölçüde değiştirdiğinden, kuruluşlar bunları yeniden değerlendirmezse bu yapıların bazıları darboğaza dönüşebilir.

Bu nedenle yalnızca araç satın almak için değil, insanları eğitmek veya yapay zekâ özellikleri geliştirmek için de bir yetkiye ihtiyacınız vardır. Ayrıca işlerin kuruluş içinde nasıl ilerlediğini değiştirmek için de bir yetkiye ihtiyacınız vardır: Kimler deney yapabilir, kararlar ve riskler nasıl değerlendirilir, geri bildirim nasıl sürece dâhil edilir ve bir fikir keşif aşamasından müşteri öğrenimine ne kadar hızlı ilerleyebilir?

Bunu daha önce daha net anlamış olsaydım, “kahramanlık gerektirmeyen” temellere daha da fazla zaman ayırırdım: teşvikler, izinler, inceleme modelleri, öğrenme döngüleri ve organizasyonel güven. Bu çalışma her zaman gösterişli bir lansman anı yaratmaz. Ancak bu çalışma olmadan, yapay zekânın hızına göre tasarlanmamış süreçler yapay zekâ inovasyonunu kolayca hapsedebilir.

Ayrıca insanlardan yapay zekâ ile yenilik yapmalarını isterken onları hâlâ yapay zekâ öncesi çalışma kısıtlarından geçmeye zorlamaktan kaynaklanan bazı sürtüşmelerden de kaçınabilirdik.

Ürün liderleri değer akışının nasıl gerçekleştiğini neden yeniden tasarlamalıdır?

Ürün liderlerinin zor sorular sorması gerekir: Değer nereden akar? Etmenler kullanıcı hâline geldiğinde ürünün hangi bölümleri değerli kalır? Hangi iş akışları metalaşır? Hangi darboğazlar oluşturmadan doğrulamaya, güvene, entegrasyona ve benimsemeye taşınır? Wardley haritalama ve değer akışı analizi gibi yöntemler, ürünün ve kuruluşun yalnızca yapay zekânın nereye eklenebileceğini değil, nerede değişmesi gerekebileceğini görmenizi sağladıkları için giderek daha önemli hâle gelir.

İnovasyonun müşterilere ulaşma biçimini yeniden tasarlıyoruz. Geçmişte inovasyon, neredeyse kuruluşun geri kalanı için fikirlerin riskini azaltan butik bir mağaza gibi, uzmanlaşmış bir ekipte kolayca yoğunlaşabiliyordu. Bu, küçük ölçekte işe yarayabilir; ancak yapay zekâ fırsatın boyutunu değiştiriyor. Küçük bir inovasyon ekibi ilginç yapay zekâ çalışmaları yaparken herkesin izlemesi doğru değildir. Amaç, inovasyonu daha geniş bir organizasyonel yetkinlik hâline getirmektir.

Bu, daha fazla insanın yeni fikirlerle ilgilenebileceği, fikirleri müşterilerle test edebileceği, geri bildirimlerden öğrenebileceği ve ürünün yönüne katkıda bulunabileceği sistemler oluşturmak anlamına gelir. Uygulamada bu, “ekip olarak inovasyon” yaklaşımından “tekrarlanabilir bir çalışma modeli olarak inovasyon” yaklaşımına geçmek demektir.

Lukas States

Sonuç, tek başına hızdan daha önemlidir. Daha fazla insan fikirlerin daha erken aşamada geliştirilmesine ve doğrulanmasına katılabilir; bu da kuruluşun gerçek değeri etkileyici demolarından daha etkili bir şekilde ayırt etmesini sağlar.

Sonuç, tek başına hızdan daha önemlidir. Daha fazla insan fikirlerin daha erken aşamada geliştirilmesine ve doğrulanmasına katılabilir; bu da kuruluşun gerçek değeri etkileyici demolarından daha etkili bir şekilde ayırt etmesini sağlar. Yapay zekâ ile güçlendirilmiş bir gelecek için bu, en önemli yeniden tasarımlardan biri olabilir: başka bir özellik değil, tüm kuruluşun daha hızlı öğrenmesine yardımcı olan bir ürün sistemi.

Yapay zekâdan en iyi şekilde yararlanmak için ürün kuruluşları neden yeni davranışları ödüllendirmelidir?

En büyük boşluk teşvik tasarımı olmuştur.

Kuruluşun ödüllendirdiği şeyleri değiştirmek daha zordur. Yapay zekâ araçlarına erişmek kolaydır ve heyecanlı insanları bulmak da kolaydır. İnsanlar hâlâ dar rol sınırlarını korumaya, deney yapmaktan kaçınmaya, yavaş onay süreçlerini takip etmeye ve öngörülebilir teslimata göre optimizasyon yapmaya teşvik ediliyorsa, yapay zekâ benimsemesi yüzeysel kalacaktır.

Yapay zekâ, insanlar sınırlar arasında hareket edebildiğinde, hızlıca test yapabildiğinde ve uçtan uca daha fazla sorumluluk alabildiğinde değer yaratır. Bu, yeni çalışma biçimiyle örtüşen izin, güven ve teşvikler gerektirir.

Dolayısıyla soru yalnızca insanların yapay zekâyı kullanıp kullanmadığı değildir. Daha iyi soru, kuruluşun yapay zekâyı faydalı kılan davranışları ödüllendirip ödüllendirmediğidir.

Bağlam eksikliği yatırım getirisini nasıl darboğaza sokabilir?

Kurumsal değerin büyük bir bölümü örtük bilgiye bağlıdır: süreçlerin nasıl yürüdüğü, istisnaların nerede ortaya çıktığı, hangi devir teslimlerin önemli olduğu, hangi kuralların resmî, hangilerinin gayriresmî olduğu ve kurumsal teşviklerin davranışları sessizce nerede şekillendirdiği. Sistemler, belgeler veya veriler çoğu zaman bu bilgiyi temiz ve eksiksiz bir şekilde yakalayamaz. Bu nedenle şirketler yapay zekâ eklediğinde, yapay zekâ arayüz düzeyinde etkileyici görünebilir; ancak işlerin nasıl yürütüldüğünün özüne mutlaka ulaşamaz.

Yatırım getirisinin birçok kişinin beklediğinden daha zor elde edilmesinin nedenlerinden biri budur. Fırsat gerçektir ve model maliyetleri düşmeye devam edecektir; ancak darboğaz çoğu zaman modelin kendisi değildir. Darboğaz bağlamdır. Kuruluş süreçleri, kararları, verileri ve hesap verebilirliği anlaşılır hâle getirmediyse yapay zekânın kaldıraç etkisi sınırlı kalır.

Dolayısıyla hayal kırıklığım yapay zekânın zayıf olması değil. Yapay zekânın, şirketlerin kurumsal bilgilerin ne kadarını en başta hiçbir zaman düzgün yapılandırmadığını ortaya çıkarması.

Lukas States

Kuruluş süreçleri, kararları, verileri ve hesap verebilirliği anlaşılır hâle getirmediyse yapay zekânın kaldıraç etkisi sınırlı kalır. Dolayısıyla hayal kırıklığım yapay zekânın zayıf olması değil. Yapay zekânın, şirketlerin kurumsal bilgilerin ne kadarını en başta hiçbir zaman düzgün yapılandırmadığını ortaya çıkarması.

Yapay zekâyı bir ürüne neden sonradan eklememelisiniz?

Kötü sonuçlar genellikle yapay zekâyı sonradan eklenen bir özellik olarak ele almaktan kaynaklanır. Bunun en belirgin örneğinde, yalnızca yapay zekânın mevcut olduğunu göstermek için mevcut bir iş akışına sohbet veya komut arayüzü eklenir. Bu, yanlış bir vaat oluşturabilir. Bir komut arayüzü sınırsız yetenek izlenimi verir; ancak kurumsal yazılımlar genellikle sınırları belirlenmiş, yönetilen, iş akışına özgü zekâya ihtiyaç duyar. Yapay zekâ yüzeyi gerçek kapasitesini aştığında güven hızla aşınır.

Yapay zekâyı basitçe bir ürüne ekleyebileceğiniz bir Lego parçası olarak görmüyorum. Onu daha çok bir takım sporunda oyuncu değiştirmeye benzetiyorum. Bir oyuncu değiştiğinde strateji, etkileşimler, bağımlılıklar ve hata biçimlerinin tümü değişir. Çevredeki sistemi yeniden tasarlamazsanız etkileyici bir tanıtım elde edebilirsiniz; ancak çoğu zaman daha sonra daha fazla karmaşıklık yaratırsınız.

En iyi entegrasyonlar genellikle en sessiz olanlardır. Yapay zekâ, kullanıcıların daha hızlı ilerlemesine, bağlamı anlamasına, daha iyi kararlar almasına veya gereksiz işlerden kaçınmasına yardımcı olur — kullanıcıların yapay zekâyı ayrı bir unsur olarak yönetmesini gerektirmeden.

Ürünler neden artık yalnızca insanlar için geliştirilmiyor?

Ürünler artık yalnızca insan kullanıcılar için geliştirilmiyor. Yapay zekâ, ürünlerle insanlardan farklı şekillerde etkileşime giren yeni bir kullanıcı türü ortaya çıkarıyor: aracılar, otomasyonlar ve makine aktörleri.

On yıllar boyunca ürün ekipleri işe insan müşteriden başladı: hedefleri, sorunları, iş akışları, dikkatleri, sabırları ve beklentileri. Bu hâlâ temel önem taşır. Ancak artık birçok kurumsal bağlamda, insanların ve aracıların ürün yeteneklerini birlikte tükettiği, yorumladığı ve bunlarla eyleme geçtiği karma bir ortam için tasarım yapıyoruz.

Bu durum, ince ama önemli varsayımları değiştirir. Aramayı ele alalım. Bir insana anlık gelen yanıt süresi, daha geniş bir iş akışının içinde çalışan bir aracı için fazla yavaş olabilir. Bir kişinin bağlamı anlamasına yardımcı olan bir kullanıcı arayüzü ögesi bir aracı için önemsiz olabilirken yapılandırılmış üst veriler, API tutarlılığı, yetkilendirme, izlenebilirlik ve makine tarafından okunabilir anlambilim daha önemli hâle gelir.

Dolayısıyla vazgeçtiğim varsayım “insanlar için geliştir” değil. “Anlamlı tek kullanıcılar insanlardır” varsayımı. Yapay zekâ; hız, güvenilirlik, birleştirilebilirlik, gözlemlenebilirlik ve bağlama erişim gibi farklı kısıtları olan yeni bir kullanıcı türü ekler.

Yapay zekâyı uygulayan ürün liderleri için üç tavsiye

Ürün liderlerine tavsiyem şu:

1. Yapay zekâyı bir tedarik çalışması olarak görmeyin. Araç satın almak, yardımcı araçlar eklemek veya aracıları devreye almak dönüşüm değildir. Dönüşüm; yapay zekânın işin parçalara ayrılma biçimini, roller arasındaki sınırları, iş akışındaki devirleri ve müşteriler için değerin yaratılma şeklini nasıl değiştirdiğini anlamaktır.
2. Verimlilikten önce etkililiği optimize edin. Yapay zekâ yalnızca harcanan çabayı azaltmamalı; ürün ekiplerinin daha önce ele alınması çok yavaş, çok pahalı veya çok karmaşık olan sorunları çözmesine yardımcı olmalıdır. Soru yalnızca “Bunu daha ucuza yapabilir miyiz?” olmamalı. Asıl soru, “Artık daha önce erişemediğimiz daha iyi bir sonuç yaratabilir miyiz?” olmalıdır.
3. Yapay zekâ faaliyetlerini değil, güvenilir sonuçları ölçün. İstemleri, belirteçleri, yardımcı araçları, aracıları veya prototipleri saymak kolayca bir üretkenlik gösterisine dönüşebilir. Bunun yerine ürün liderleri şunları sormalıdır: Müşteri değere daha hızlı ulaştı mı? İş akışı iyileşti mi? Döngü süresi, kalite, risk, uyumluluk veya müşteri deneyimi doğru yönde ilerledi mi? Daha iyi bir karar mı verdik, yoksa yalnızca daha fazla çıktı mı ürettik?

Kısacası: Yapay zekâ, ürün liderlerini yalnızca daha verimli olmaya değil, daha iddialı hedefler belirlemeye yöneltmelidir. Fırsat, mevcut sisteme zekâ eklemek değildir. Fırsat, zekânın hesap verebilir, ölçülebilir ve kalıcı değer yaratabilmesi için sistemi yeniden tasarlamaktır.

Takip edin

Lukas Egger'ın çalışmalarını LinkedIn ve X üzerinden takip edebilirsiniz. Ayrıca Process Transformers adlı podcast'ine de göz atabilirsiniz.

CPO Kulübü'nde daha fazla uzman röportajı sizleri bekliyor!