У світі штучного інтелекту роль продуктових менеджерів (PM), інженерів і науковців зазнає кардинальних змін. Старший продуктовий менеджер Microsoft Copilot, Стефані Віссер, поділилася своїм досвідом трансформації підходів до створення AI-функцій у масштабах Microsoft. Від фокусу на користувацькому інтерфейсі до орієнтації на якість вихідних даних, від планування на квартал до швидких експериментів — про це та багато іншого в ексклюзивному інтерв’ю.
Від UX до якості виходу: нові критерії успішного AI-продукту
До появи Copilot Стефані працювала над традиційними офісними продуктами Microsoft, де головним завданням PM було створення бездоганного користувацького досвіду (UX) та дотримання технічних специфікацій. Вона згадує, як раніше важливо було передбачити всі крайні випадки та забезпечити детермінований результат.
«Раніше хороший продукт — це був чудовий користувацький потік і продукт, що чітко відповідає специфікації» — каже Стефані Віссер.
З появою AI все змінилося: тепер головне — якість вихідних даних, релевантність і точність результатів. Користувацький інтерфейс не може компенсувати низьку якість відповідей моделі.
«Ми рухаємось від пікселів до токенів. Відтепер продукт — це не просто UX, а точність і релевантність виходу» — пояснює Стефані.
У зв’язку з цим роль PM суттєво трансформувалася: тепер потрібно постійно тестувати промпти, експериментувати з моделями і аналізувати їхню поведінку на різних типах документів.
Експериментальна культура та «бар не соромитися» при релізі
Через непередбачуваність AI-систем команда Microsoft Copilot перейшла до швидких ітерацій і експериментів. Замість того, щоб чекати ідеального продукту, реліз відбувається, коли система досягає «бару не соромитися» — рівня, при якому продукт не викликає сорому у внутрішніх користувачів.
«Ми прагнемо випускати нові функції якомога швидше, щоб побачити, як вони працюють у реальному світі» — ділиться Стефані.
Спочатку функції тестуються на внутрішніх користувачах (dogfood), потім поширюються на всю компанію, а вже потім — на зовнішніх користувачів. Такий підхід дозволяє швидко виявляти крайні випадки і недоліки.
Стефані підкреслює, що цей перехід був непростим, адже внутрішні користувачі звикли до стабільних продуктів і часто висловлювали занепокоєння через недопрацьованість AI-функцій.
Зміна ролі інженерів і спільна відповідальність за продукт
У новому підході PM не є єдиним авторитетом, який визначає продукт. Вони працюють у тісній співпраці з командами інженерів, дизайнерів і науковців, формуючи «dry trios» — відповідальних за кожну дисципліну.
«Продукт — це спільна робота PM, інженерів, дизайнерів і науковців. Я не можу приймати всі рішення сама» — пояснює Стефані.
Інженери тепер очікуються не лише як виконавці, а як активні учасники експериментів і генератори ідей, які розуміють користувача і продукт.
Стефані також наголошує на важливості гнучкості в плануванні: традиційні тримісячні цикли замінюються щомісячними пріоритетами, які можуть швидко змінюватися залежно від появи нових моделей і трендів.
Виклики усунення упереджень і баланс між даними та інтуїцією
У розробці AI-продуктів особливо важливо уникати упереджень, які можуть виникати через особисті думки або вплив лідерів думок. Стефані розповідає, що у Microsoft для цього використовують експерименти з чіткими метриками, які допомагають приймати рішення на основі даних.
«Єдиний спосіб позбутися упереджень — це дані. Ми постійно тестуємо гіпотези і комунікуємо результати» — говорить вона.
Водночас, у AI-продуктах важко покладатися лише на кількісні метрики, адже користувачі часто не знають, чого хочуть, а якість виходу моделі може бути непередбачуваною. Тому важливо поєднувати кількісний та якісний аналіз, спостерігати за користувачами і глибоко розуміти їхні потреби.
Побудова довіри та культури у розподілених командах
Стефані працює з командою, розкиданою по різних країнах і культурах, і вважає, що ключ до успіху — це глибоке розуміння кожного члена команди як особистості. Вона підтримує регулярний діалог, допомагає інженерам розвивати продуктовий мислення та ставить за мету створення атмосфери, де кожен може реалізувати свої амбіції.
«Я бачу своїх інженерів як клієнтів, яких потрібно розуміти і підтримувати» — ділиться вона.
За її словами, щасливі і натхненні інженери створюють кращі продукти, тому вона робить усе, щоб команда почувалася залученою і цінною.
Інструменти AI, що підвищують продуктивність PM
Серед інструментів, які допомагають Стефані в роботі, — Scary Research для швидкого створення прототипів, ChatGPT для консолідації інтерв’ю та досліджень, а також моделі від Anthropic. Вона підкреслює, що завдяки цим інструментам можна швидко візуалізувати ідеї та отримувати зворотній зв’язок без тривалих циклів залучення дизайнерів чи інженерів.
Розширення ролі PM: баланс між глибиною і делегуванням
Зі зростанням складності AI-продуктів продуктовий менеджер повинен володіти знаннями в області інженерії, дизайну і науки про дані. Водночас Стефані навчається делегувати дрібні рішення команді, щоб зосередитися на стратегічних аспектах і експериментах.
Вона вважає, що успіх у цій ролі залежить від уміння делегувати, будувати довіру і підтримувати культуру відкритості та експериментів.
Інтерв’ю зі Стефані Віссер демонструє, як великі технологічні компанії адаптують свої процеси під виклики AI-епохи, формуючи нові стандарти співпраці, швидкості та якості продуктів.
Джерело: Youtube: Beyond-Coding