Il PM di Meta spiega come l’IA sta cambiando la delivery e dove mostra delle carenze
Il PM di Meta Tom Leung spiega come l’IA accelera la prototipazione e la delivery, dove invece è carente e perché giudizio umano, allineamento e strategia rimangono critici nel product management.
Tom Leung
Responsabile del team di Product Management in META e creatore della newsletter The Fireside PM
Funzionalità IA: Creare funzionalità IA efficaci richiede test approfonditi, cicli di feedback e un perfezionamento continuo per avere successo.
Evoluzione del Project Management: L’IA sta trasformando il project management consentendo una prototipazione più rapida e processi di validazione iterativi.
Team Autonomi: La delivery di successo ora si basa su obiettivi flessibili e team responsabilizzati con quadri decisionali chiari.
Stack di Strumenti IA: Un variegato stack di strumenti IA aumenta l’efficienza del product management, con tool specifici per attività e flussi di lavoro.
Focus Strategico: Il futuro del project management richiederà pensiero strategico insieme alla padronanza dell’IA, dividendo i ruoli fra orchestrazione e automazione.
Tom Leung guida un team di product management presso Meta, dove è responsabile sia del successo dei prodotti che dei progetti. È anche il creatore della newsletter Fireside PM.
Abbiamo fatto quattro chiacchiere con lui per capire cosa sta cambiando nella consegna di prodotti e progetti. Ci ha spiegato dove l'IA ha cambiato le regole del gioco — e dove gli esseri umani sono più importanti che mai.
Product management in Meta
Lavoro nel product management di software da oltre vent'anni.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Oggi guido un team di product management in Meta. Il mio ruolo riguarda soprattutto il perché e il cosa di un progetto, ma sono responsabile del successo complessivo e dell'impatto dei nostri progetti.
Sono anche il creatore della newsletter Fireside PM.
Perché costruire una funzionalità di IA vincente è più difficile di quanto sembri
Di recente ho svolto una consulenza per un'azienda pre-IPO che stava lanciando una funzionalità basata sull'IA. Ciò che mi ha colpito è stato come la "magia" si sia realizzata soprattutto nello zero a uno — dal concetto alla demo funzionante.
Tuttavia, migliorare la demo iniziale fino a raggiungere un livello di fiducia elevato è stato molto più difficile del previsto. Abbiamo effettuato molte iterazioni, testando diversi modelli di base (GPT-4, Claude, Gemini) per vedere quale funzionava meglio per il nostro caso d'uso specifico, ed effettuando molte sperimentazioni con il prompt engineering: testando vari formati di istruzione, aggiungendo maggior contesto sulle intenzioni dell'utente e affinando la struttura dell'output.
Il maggiore miglioramento è arrivato dall’integrazione di cicli di feedback degli utenti e dati di personalizzazione, che hanno aiutato il modello a comprendere le preferenze individuali degli utenti e il contesto.
Il maggiore miglioramento è arrivato dall'integrazione di cicli di feedback degli utenti e dati di personalizzazione, che hanno aiutato il modello a comprendere le preferenze individuali e il contesto di ciascun utente. Abbiamo impostato test A/B per misurare i miglioramenti in accuratezza e soddisfazione utente ad ogni iterazione.
Tutto ciò ha comportato molte fasi di arresto e ripartenza. Il processo ha richiesto circa tre mesi di costante perfezionamento per passare da una "demo impressionante" a una "funzionalità pronta per la produzione".
Il succo è che costruire una funzionalità di IA è abbastanza semplice, ma integrare una funzionalità vincente di IA nel proprio prodotto è molto più difficile di quanto sembri.
Perché il rischio maggiore dell'IA è quanto possa sembrare straordinaria
Non siamo ancora al punto in cui l'IA sia completamente autonoma. Per quanto sia straordinaria, trovo ancora regolarmente errori di ragionamento e devo sempre ricontrollare tutto.
Un altro esempio. Qualche mese fa ho fatto una consulenza in cui Claude e Gamma hanno svolto gran parte del lavoro dopo che avevo fornito loro moltissime informazioni di background e note riunioni. Il risultato era incredibile. Ma poi, mentre mi preparavo per un incontro con i clienti, mi sono accorto di numerosi errori che sembravano a posto finché non testavi davvero le ipotesi. Ho dovuto correre ai ripari e aggiornare tutte le cifre.
Ed è questa la sfida dell'IA. È straordinaria e migliora ogni giorno — tanto che pensi di poterla controllare meno. Ma finché non sarà precisa al 99–100%, serve comunque monitorarla attentamente, perché quando commette un errore o "allucina", può davvero ritorcersi contro di te.
L’IA è straordinaria e migliora ogni giorno. Ma finché non sarà accurata al 99-100%, devi comunque tenerla sotto controllo perché quando commette un errore o ha un’allucinazione, può davvero ritorcersi contro di te.
Come l’IA sta cambiando la pianificazione dei progetti, la prototipazione e le roadmap
Detto ciò, sta cambiando il nostro modo di lavorare. Ho notato che a volte iniziamo a prototipare in parallelo con la pianificazione del prodotto ora. Una volta non potevi permetterti di costruire cose prima che tutto il lavoro di pianificazione fosse concluso. Ma oggi puoi realizzare un nuovo progetto in poche settimane — o addirittura giorni.
Ho anche notato cicli di pianificazione più brevi e una validazione più iterativa. Invece di passare mesi su specifiche dettagliate, ora creiamo brief leggeri e validiamo le ipotesi tramite sperimentazioni rapide.
Ci stiamo allontanando da roadmap rigide, verso una pianificazione più adattiva — modificando le priorità trimestralmente, o anche ogni mese, in base a ciò che impariamo.
Ci stiamo allontanando da roadmap rigide, verso una pianificazione più adattiva — modificando le priorità trimestralmente, o anche ogni mese, in base a ciò che impariamo.
E abbiamo ridotto il numero di riunioni formali di aggiornamento in favore di aggiornamenti asincroni e riepiloghi dei progressi generati dall’IA. Questo libera tempo per discussioni strategiche più profonde invece che limitarsi a riferire ciò che è già documentato.
Il rischio è che si finisca per diventare una fabbrica di funzionalità o prodotti!
Come i riti fondamentali della delivery stanno evolvendo con l’IA
Anche i nostri riti fondamentali di delivery stanno cambiando.
Per la definizione dell’ambito, ora partiamo da obiettivi basati sui risultati invece che da elenchi di funzionalità. Questo offre ai team maggiore flessibilità di adattarsi mentre apprendono.
Per la validazione, eseguiamo test più continui con gruppi di utenti più piccoli invece che rilasci massivi. Gli strumenti di IA ci aiutano ad analizzare rapidamente i pattern dei feedback.
Per la gestione dell’esecuzione, siamo passati a team più autonomi con chiari framework decisionali (ad es. DACI), invece di processi di approvazione centralizzati. La chiave è fidarsi dei team nel prendere buone decisioni, usando però l’IA per individuare rapidamente rischi o blocchi.
E poi c’è l’allineamento. Penso che l’allineamento sia più importante che mai. Dal momento che ora possiamo fare tantissime cose, dobbiamo avere un punto di vista condiviso su cosa costruire e perché.
Per ottenere quel punto di vista comune, investiamo molto nel contesto condiviso: revisioni strategiche periodiche, chiara documentazione del nostro “perché” e principi decisionali espliciti a cui tutti possano fare riferimento. Uso anche strumenti di IA per creare riepiloghi coerenti delle decisioni chiave e distribuirli ampiamente così che tutti abbiano accesso alle stesse informazioni. E organizziamo sessioni trimestrali di allineamento in cui rivediamo le nostre priorità e ci assicuriamo che tutti capiscano come il proprio lavoro si collega al quadro generale.
L’obiettivo è creare un modello mentale condiviso affinché i team possano prendere decisioni in autonomia che comunque siano in linea con la nostra strategia complessiva.
Penso che l’allineamento sia più importante che mai. Dal momento che ora possiamo fare tante cose, dobbiamo avere un punto di vista unificato su cosa costruire e perché.
Com'è una stack di strumenti AI per i product manager moderni
Ecco la mia attuale stack di strumenti AI:
- ChatGPT: Ragionamento generale, brainstorming e ricerca rapida
- Claude: Analisi complesse e compiti di scrittura in cui serve un ragionamento sfumato
- Gemini: Compiti multimodali e quando serve analizzare documenti con immagini
- Manus: Automazione di flussi di lavoro noiosi come la generazione di aggiornamenti settimanali per il team, l'elaborazione dei dati e la gestione di compiti di project management ripetitivi
- NotebookLM: Sintesi di insight da grandi insieme di documenti e creazione di riepiloghi audio
- NanoBanana: Creazione rapida di presentazioni visive e slide
- FigmaMake: Prototipazione rapida e iterazione sul design
Alterno tra ChatGPT, Claude e Gemini a seconda del compito. Ognuno ha punti di forza in diversi ambiti.
Perché Claude ha superato gli altri LLM nella gestione dei requisiti di prodotto
Recentemente ho testato cinque chatbot AI per aiutare nella scrittura dei documenti sui requisiti di prodotto.
Claude si è distinto nella redazione dei documenti sui requisiti di prodotto. È eccezionale nel mantenere il contesto su documenti lunghi, nel seguire istruzioni complesse e nel produrre output ben strutturati che risultano naturali. È particolarmente bravo a cogliere le sfumature ed evitare toni troppo formali o generici in cui alcuni altri modelli cadono.
Detto ciò, continuo a usare modelli diversi a seconda dei compiti: ChatGPT per iterazioni rapide, Gemini quando devo elaborare informazioni visive e Claude per tutto ciò che richiede ragionamento profondo o scrittura di testi lunghi.
Come i workflow agentici su Manus fanno risparmiare ore ogni settimana
Uso Manus come principale piattaforma di orchestrazione per i workflow agentici. È particolarmente utile per automatizzare compiti a più fasi come la generazione degli aggiornamenti settimanali del team, la trasformazione delle note delle riunioni in azioni da intraprendere e la sintesi di ricerche da più fonti.
Uso Manus come principale piattaforma di orchestrazione per i workflow agentici. È particolarmente utile per automatizzare compiti a più fasi.
L'esperienza è stata positiva — si occupa del lavoro di coordinamento noioso che prima occupava ore ogni settimana. Detto ciò, devo comunque rivedere con attenzione i risultati dato che l'AI non è ancora affidabile al 100%.
Ho anche sperimentato ChatGPT con GPT personalizzati e i Project di Claude per workflow specifici. Ma Manus si è rivelato il più efficace per orchestrazioni complesse e multi-step dove serve che strumenti diversi lavorino insieme.
Perché NotebookLM trasforma il modo in cui i PM sintetizzano contesto e decisioni
Quello che ho notato ultimamente è che la capacità di comprendere il contesto interno di un segmento di clienti, di un progetto o di una decisione passata usando l'AI per analizzare decine di fonti è davvero sorprendente.
Prima dell’AI, avresti dovuto passare settimane a leggere pile di documenti e fare decine di incontri 1:1. Ma ora, uso strumenti come NotebookLM per caricare decine di documenti — note di riunioni, documenti di strategia, ricerche sui clienti — e sintetizzare rapidamente le intuizioni tra tutti questi materiale.
Ad esempio, quando valuto una nuova direzione di prodotto, posso chiedere di riassumere tutti i feedback precedenti dei clienti su un determinato punto dolente e ottenere una risposta coerente in pochi secondi invece di passare giorni a leggere documenti sparsi. Utilizzo anche ChatGPT e Claude per lavori simili di sintesi, soprattutto quando devo comprendere il contesto dietro decisioni passate o individuare schemi ricorrenti tra vari progetti.
Perché la strategia conterà più che mai in un mondo accelerato dall’IA
Entro cinque anni, il ruolo del project manager si dividerà in due percorsi distinti.
Un percorso si concentrerà sull’orchestrazione strategica: comprendere il contesto aziendale, allineare gli stakeholder e prendere decisioni ad alto livello.
L’altro sarà più simile a un “ingegnere di workflow IA”, impegnato a progettare e ottimizzare i sistemi automatizzati che gestiscono esecuzione, reportistica e coordinamento.
Il lato tattico e amministrativo del lavoro di project management sarà quasi completamente automatizzato.
I team si muoveranno più velocemente, ma il giudizio umano necessario per decidere cosa costruire e perché diventerà ancora più cruciale. I vincitori saranno i PM in grado di pensare strategicamente e, allo stesso tempo, capaci di sfruttare efficacemente i sistemi di intelligenza artificiale.
Seguici
Puoi seguire Tom Leung mentre continua a rivoluzionare il settore dell’IA su LinkedIn. E, ovviamente, dai un’occhiata anche a tomleungcoaching.com!
Presto arriveranno altre interviste con esperti su The Digital Project Manager! Unisciti alla nostra community gratuita per accesso illimitato ad articoli e approfondimenti.
