مدیریت محصول تو عصر AI شکل هالتر میگیره
هوش مصنوعیخلاصهٔ کاملتر
تو این مقاله ریچ میرونوف از یه تماس ۹۰ دقیقهای با یه بنیانگذار مهندس AI شروع میکنه که نرمافزار جالبی ساخته ولی هیچ خریداری براش پیدا نکرده. به گفتهی نویسنده، مشکل اصلاً تکنولوژی نبوده؛ مخاطب هدف، صورتمسئلهی شفاف و پیام ارزش اقتصادی گم بودن و طرف داشته برداشت خودش از «نیاز مشتری» رو به مشتری میفروخت. حرف کلی مقاله اینه که گلوگاه داره از کد جابهجا میشه به کشف صادقانهی نیاز و توجیه تجاری.
تو مدل کلاسیک مدیریت محصول، بیشتر انرژی صرف ساختهشدن محصول میشد: ۶۰ تا ۱۰۰ درصد وقت روی چرخهی توسعه، حدود ۲۰ درصد روی «سر مبهم» یعنی تصمیمگیری دربارهی اینکه چی ساخته بشه، و فقط ۱۰ تا ۲۰ درصد روی آمادهسازی فروش و بازاریابی. نویسنده میگه سهم کشف عملاً همیشه قربانی میشد، چون هر شرکتی فکر میکنه فقط همین یه بار میتونه از discovery رد شه.
تو سازمانهای AI-first، اگه واقعاً بشه کد آمادهی تولید رو ۱۰ برابر سریعتر تحویل داد، شکل کار شبیه هالتر میشه و وزنهها دو سر میله جمع میشن. نویسنده معتقده باید بیش از ۴۰ درصد وقت بره روی کشف مبتنی بر شواهد برای چندتا شرطبندی بزرگ درآمدی، وگرنه با همون برنامهی محصول کلیشهای و AI-generatedای میمونیم که رقیب هم دقیقاً همونو داره.
به گفتهی نویسنده، AI بخشهایی از discovery رو سریع میکنه — پیدا کردن کاربرهایی با تیکتهای مشابه، تحلیل روزانهی داده، رصد اعلانهای رقبا، پیاده کردن متن مصاحبهها و بیرون کشیدن تمهای مشترک — ولی قضاوت، درک زمینه و تشخیص اون یه ایدهی درخشون بین انبوه ایدههای بیارزش خودکارشدنی نیست. پیشنهادش اینه که discovery رو روی شرطبندیهای بزرگ و برگشتناپذیر متمرکز کنیم، ۸۰ درصد پایین بکلاگ رو دور بریزیم و برای تصمیمهای کوچیک زمان محدود بذاریم.
سر دیگهی هالتر آمادهسازی عرضه به بازاره. نویسنده میگه بهترین اطلاعات فروش از همون تماسهای کشف با کاربر و خریدار درمیاد، نه از تحلیلگرهای صنعت یا هیئتمدیره؛ فقط معمولاً یادمون میره سؤال اقتصادی رو بپرسیم: مزیتش رو چطور توصیف میکنی، خرج کردن براش رو چطور توجیه میکنی، کی خرید رو تأیید میکنه؟ قبلاً ماهها وقت بود برای این کار، حالا شاید فقط چند هفته.
آخر مقاله با ترند «مهندس محصول» مرزبندی میکنه: به نظرش AI کار محصول رو به دو سر و کار مهندسی رو به وسط هل میده، و چیزی که به اسم product engineer دیده بیشتر مهندسهایی بودن که سرسری فکر محصولی کردن تا زودتر کد بزنن. استثناش جاییه که مهندسهای AI دارن ابزار AI برای مهندسهای AI میسازن؛ اونجا خودشون مخاطب خودشونن.
نکات کلیدی:
- گلوگاه از کدنویسی داره جابهجا میشه به کشف نیاز واقعی و توجیه اقتصادی محصول
- تو مدل کلاسیک فقط حدود ۲۰ درصد وقت صرف تصمیمگیری اولیه میشد و همون هم اول از همه قربانی میشد
- تو سازمان AI-first پیشنهاد نویسنده اینه که بیش از ۴۰ درصد وقت بره روی discovery جدی
- AI بخشهایی از کشف رو سریع میکنه ولی قضاوت و تشخیص ایدهی درست رو جایگزین نمیکنه
- بهترین ورودی برای پیام فروش، همون مصاحبههای کشف با کاربر و خریداره
- به نظر نویسنده، AI کار محصول رو به دو سر هل میده، پس ترند «مهندس محصول» خلاف جهته
