Come l’IA sta spingendo i product manager oltre il loro ruolo

Il percorso verso il product management

Sono product manager da oltre 15 anni ormai. All’inizio della mia carriera, ho fatto di tutto, inclusi design, vendite, consulenza, marketing e persino coding ai tempi di PHP — bleah.

Mi sono avvicinato al product management perché mi piaceva davvero saltare tra vari argomenti e interfacciarmi con utenti, sviluppatori, dirigenti, ecc. Avevo anche un buon occhio per il design e un buon senso per il prodotto. Dopo molte ricerche, ho scoperto che esisteva un ruolo che si adattava molto bene a tutto questo: il product management. Così, ho fatto domanda per il mio primo ruolo da PM ed è così che sono arrivato fin qui.

Ho lavorato in ogni tipo di settore: B2B, B2B2C, retail e software consumer. Ho iniziato a insegnare product management alla General Assembly più di dieci anni fa e, successivamente, ho lanciato i miei corsi online in autonomia con Udemy e, in seguito, LinkedIn Learning. Oggi ho più di 1,6 milioni di studenti combinati tra entrambe le piattaforme. Ho anche parlato in molte conferenze su product e project management, compresa una collaborazione con Google per insegnare un corso sul prodotto a Kyiv, in Ucraina.

Attualmente lavoro con Probably.dev, un’app di agenti dati deterministici finanziata da a16z. Siamo un team piccolo, quindi non sono solo un PM, ma anche ingegnere, commerciale, designer, ecc.

La nostra app è un’app desktop nativa che realizza data science deterministica a livello di dottorato con visualizzazioni a supporto per rispondere direttamente a qualsiasi query in linguaggio naturale senza che i dati sensibili escano dalla tua macchina. Puoi considerarlo come un "copilota dei dati". Lavoriamo direttamente sui database dei data warehouse (es. BigQuery, Snowflake, Clickhouse, ecc.), così come con file locali come CSV, JSON e Parquet. Tutte le risposte fornite dal nostro agente sono tracciabili e riproducibili da una persona, quindi le tipiche allucinazioni degli LLM non sono un problema. Non è solo un altro agente generatore di SQL e siamo in grado di gestire miliardi di righe/colonne e schemi complessi con decine di migliaia di tabelle.

You should also read

• Gestione dei Progetti Aziendali: Come Pianificare e Implementare

• Che cos’è un software di gestione dei progetti? Caratteristiche ed esempi

• Che cos’è un Progetto Digitale? 4 Dimensioni, Tipologie ed Esempi

Come l'intelligenza artificiale aiuta i team a ottenere di più per persona

L’AI ha avuto un grande impatto sul mio lavoro. Prima ero “solo un PM”. Può sembrare strano perché i PM fanno tantissimo, ma ora sono in grado di contribuire anche in altri ambiti, come ingegneria e vendite. E questo aiuta a velocizzare il team. Con l’AI che trasforma il project management, i confini tradizionali dei ruoli stanno diventando sempre più fluidi.

Attività che richiedevano molto tempo come ricerca e analisi ora sono molto più rapide, e il tempo risparmiato permette più interazione diretta e comunicazione con gli stakeholder. Permette anche decisioni più rapide.

Gran parte del lavoro di un PM è assicurarsi che tutti gli altri possano svolgere efficacemente il proprio lavoro, quindi se io stesso riesco a fare ancora di più, riusciamo a ottenere risultati molto maggiori per persona. Questo approccio ibrido umano-AI sta diventando essenziale per i moderni team di delivery.

Perché una profonda comprensione dell’AI permette ai product manager di fare quasi tutto

Più mi ci addentro, più mi rendo conto di quanto sia impegnativa la curva di apprendimento per un uso efficace ed efficiente di AI/LLM, oltre alla sottile abilità di adattare queste soluzioni ai flussi di lavoro che le persone o i team preferiscono. Questo rafforza ulteriormente la mia convinzione che ogni persona in azienda debba familiarizzare intimamente non solo con gli LLM in generale e con i modelli disponibili, ma anche con la moltitudine di strumenti dell’ecosistema che li circondano come MCP, modalità come CLI, GUI, e soprattutto l’architettura transformer. Per chi desidera approfondire la comprensione, esplorare libri su project management con AI può offrire preziosi spunti su come implementare queste tecnologie in modo efficace.

Lavorare bene con l'intelligenza artificiale nell’immensa quantità di soluzioni AI odierne, che si tratti di contenuti o strumenti, è una competenza da affinare e che si può acquisire solo con l'esperienza. Bisogna essere in grado di comprendere come funzionano gli LLM e cosa possano o non possano fare bene per sfruttarli al meglio e ottenere prestazioni ottimali.

Molti prodotti e strumenti SaaS “rivoluzionari” oggi sembrano buone soluzioni — come la creazione di PRD, ad esempio — ma ho scoperto che il 99% di ciò che serve può essere fatto da sé, in modo più economico, veloce, personalizzato e infinitamente migliore. Purché però si abbia dimestichezza con i concetti sopra descritti e le competenze per usare efficacemente gli LLM.

È come in quegli infomercial dove c'è una persona che fa qualcosa di semplice, poi mostrano quanto sia “difficile” e provano a venderti un intero dispositivo per risolvere quel piccolissimo problema? Tipo, invece di tagliare una banana a fette con un coltello come una persona normale, vogliono venderti un affettabanane che la taglia tutta insieme in un colpo solo...

Il coltello è un LLM e l'affetta-banane è un'app di nicchia inutile. Impara a usare il dannato coltello. Comprane uno di buona qualità, usalo, imparalo e smetti di comprare sciocchezze solo perché la tech Twitter ti dice che qualche SaaS ha appena "reso i designer obsoleti" o "ucciso la programmazione".

Praticamente non c’è nulla che tu non possa fare con un LLM da linea di comando, browser web, e di tanto in tanto uno strumento di automazione generico e orientato ai task come n8n.

Risparmia i tuoi soldi e impara a costruire cose che riflettano la saggezza delle tue esperienze acquisite, invece di accettare il risultato di uno strumento SaaS nato dalla sera alla mattina.

L’unica volta che questo non si applicherebbe è per strumenti a scopo singolo che si concentrano specificamente sulla soluzione di problemi per cui l’architettura transformer LLM nei modelli frontier vanilla (cioè non ottimizzati) è intrinsecamente difettosa. Ad esempio, data science su larga scala o matematica.

Come iniziare a imparare con l'IA come product manager

La parte migliore dei LLM è che puoi chiedere a loro come imparare a conoscerli. Se sei un tipo che apprende visivamente come me, YouTube è la ciliegina sulla torta; lì ci sono moltissime ottime risorse su IA e LLM.

Se dovessi ricominciare da capo, approccerei l’apprendimento così: Dì a un LLM che vuoi imparare tutto sul mondo dell’IA/LLM adattando il percorso al tuo livello di conoscenze tecniche. Puoi anche istruirlo a farti domande progressivamente più tecniche per capire il tuo grado di competenza sull’IA/LLM, partendo dalle basi. E quando arrivi a un punto in cui non te la senti più, puoi chiedergli di consigliarti gli argomenti da studiare, dai fondamenti dell’architettura transformer fino a come funziona un'applicazione come ChatGPT.

L’idea è ottenere una lista di argomenti da imparare, per poi cercare ognuno di questi su YouTube e trovare un video per comprendere ogni tema.

Ecco un esempio di prompt:

Agisci come valutatore del mio "punto di partenza" con l’IA/LLM.

Fammi fino a 12 domande (miste tra facili e tecniche) per valutare:

• la mia dimestichezza tecnica generale (programmazione, dati, API)
• la mia comprensione di come funzionano i LLM (modalità del modello come CLI, GUI, oltre a token, contesto, allucinazioni, ecc.)
• la mia familiarità con i modelli di app LLM moderni (RAG/embedding, agenti/uso di strumenti)
• la mia capacità di valutare la qualità (valutazioni, verifica)
• la mia consapevolezza dei rischi (privacy, prompt injection, ecc.)
• la mia consapevolezza dei limiti dell’IA (buoni vs cattivi casi d’uso per LLM, accuratezza, natura incontrollabile degli output LLM, ecc.)

Dopo che rispondo, restituisci SOLO:

• 5–10 punti elenco dei topic YouTube a maggiore impatto che dovrei imparare dopo, in ordine di priorità. Ogni punto deve essere una frase di ricerca YouTube (non una frase) + una spiegazione di 5–10 parole “perché è importante”.

Inizia ora con le tue domande.

Quali competenze di IA dovrebbero imparare prima i product manager

Secondo me, è fondamentale capire dove e come puoi usare i LLM. Con questo intendo comprendere che possono essere in un’app, sulla console del tuo computer o in un codice che opera in un’automazione tramite MCP o API.

In secondo luogo, devi capire che sono:

1. Non deterministici, incontrollabili e soggetti a errori
2. Mai da affidarsi per informazioni accurate, specialmente per decisioni critiche
3. Possibili da automatizzare in modo creativo per ridurre gli effetti dei due punti precedenti, in base al tuo caso d’uso

L’esempio classico che faccio è: non usare mai un LLM per scrivere un saggio interamente al posto tuo, ma va benissimo chiedergli di elencare idee su possibili direzioni se ti blocchi nello scrivere. In altre parole, i LLM sono ottimi integratori della mente umana, ma è una strada pericolosa pretendere che svolgano tutto il pensiero al posto della mente umana.

L’ultima cosa che segnalo qui è che, mentre impari i concetti di cui sopra, devi provarli in prima persona. Se ad esempio stai imparando come funziona il prompt engineering, dovresti provare a porre a un LLM la stessa domanda in due modi diversi, per vedere come cambia la risposta. Mai imparare senza praticare ciò che stai apprendendo contemporaneamente.

Perché non dovresti automatizzare con l’IA le interazioni ad alto valore con i clienti

Una volta che hai imparato ciò che devi sapere, puoi fare praticamente qualsiasi cosa. Ma questo non significa che tu debba farlo.

Per un’azienda in fase iniziale con un prodotto premium, le interazioni con i clienti e le vendite "sembrano" le aree più pronte per l’IA e l’automazione. Tuttavia, secondo la mia esperienza, il contatto umano è assolutamente necessario. Personalmente, trovo che il rapporto con gli utenti (o potenziali clienti) sia un valore aggiunto molto rilevante da entrambe le parti, e non voglio nemmeno provare ad automatizzarlo.

Come PM, ti faresti un torto a distaccarti dal parlare con gli utenti anche solo in parte. Più interagisci personalmente con loro usando la tua voce, più informazioni ottieni e più fiducia generi.

Perché è difficile — ma possibile — che i product manager contribuiscano al codice

Quindi, sono prudente riguardo a come uso l'IA, ma la uso molto.

Ad esempio, proprio prima di un rilascio in produzione, c'è sempre una frenesia di correzioni bug. Tipicamente, in una grande azienda, questi ritocchi finali vengono gestiti da ingegneri e dal team QA. Ovviamente, la figura senior di prodotto sarebbe coinvolta, ma si occuperebbe anche di pianificare i prossimi passi e le strategie per monitorare quel rilascio, raccogliere feedback degli utenti, preparare diversi cicli futuri o collezionare metriche una volta che la funzionalità o il prodotto sono online.

Poiché ora sono in una realtà più piccola, la svolta per me è stata la possibilità di aiutare a risolvere i bug insieme agli ingegneri, e sono riuscito a farlo solo grazie all'uso di AI/LLM.

Mi sono sempre occupato di QA su prodotti e funzionalità nella mia carriera, ma raramente ho avuto la possibilità di "scendere in trincea" e correggere un bug che richiede modifiche al codice in tutto lo stack.

I veterani della tecnologia capiranno che gli ingegneri sono molto attenti alle loro basi di codice e agli standard di programmazione. Quindi, anche se tecnicamente sai come risolvere un determinato bug, serve anche la conoscenza del contesto degli standard del codice e delle personalità nel team di ingegneria, oltre a capire chi ha lavorato su ciascuna parte del codice. Quindi, risolvere alcuni bug non è affatto semplice anche se sai come fare, e la maggior parte degli ingegneri riderebbe della tua pull request per la correzione.

Grazie all'IA, però, sono riuscito non solo a contribuire al codice facendo un push diretto su main, ma anche a risolvere i fattori culturali secondari coinvolti.

Come costruire un agente AI che possa contribuire in sicurezza alla tua base di codice

Il mio approccio iniziale è stato creare un documento Markdown sugli standard di codifica facendo analizzare a uno sciame di agenti in Claude Code l'intero repository degli ultimi sei mesi per assorbire lo stile di programmazione, il file repo Claude.md e, soprattutto, tutti i commenti sui diff di GitHub, risoluzioni di conflitti, commit e modifiche fatte alle PR.

A partire da lì, ho ottenuto un documento sugli standard di codifica abbastanza solido che ho poi migliorato trasformandolo in una serie di skill e comandi su Claude Code che prendono qualsiasi codice generato da me per risolvere bug e lo adeguano agli standard di programmazione già applicati nel codice. Poi, ho creato un altro sotto-agente che utilizza hook con GitHub e che posso anche attivare manualmente per controllare il codice scritto e i commenti o le correzioni, assimilando tutti questi elementi in un aggiornamento del documento sugli standard di codifica.

Dopo poche PR, il codice che avrei generato per una determinata correzione poteva essere facilmente tradotto nel tipo di codice che vogliamo vedere nella codebase tramite un semplice documento Markdown che di fatto è una guida nello stile di programmazione in costante evoluzione e autoapprendimento, attivata da diversi cron job e automazioni con Claude Code.

L'agente ora è così efficace che posso effettuare merge direttamente su main.

Come i piccoli team di prodotto possono aumentare l'agilità

Questo è un buon esempio di come sto andando oltre il ruolo tradizionale di PM. Ma andare oltre i ruoli classici richiede buoni processi.

Abbiamo un backlog ben curato e taggato su Linear, e facciamo meeting obbligatori la mattina di lunedì, mercoledì e venerdì. Nei giorni senza meeting di allineamento, ci aggiorniamo con uno standup su Slack. Tutta l'altra prioritizzazione e discussione avviene in tempo reale tramite Slack.

Forse non è la soluzione migliore per realtà più grandi, ma ti stupirebbe vedere quanto bene funziona in questo caso e quanto ci mantiene agili. Una volta usavo Google Drive, fogli di calcolo, documenti, presentazioni e un'infinità di altre app. Ora, come team ridotto, possiamo cavarcela con GSuite, Slack, Linear e GitHub.

Metodi leggeri di PM sono indispensabili in questo panorama AI/LLM in continua evoluzione. Può succedere qualcosa in qualsiasi momento con il feedback degli utenti o il rilascio di un potenziale concorrente che dovremo monitorare ed eventualmente riprioritizzare rapidamente.

Come l'IA sta costringendo i team di prodotto a ripensare i rituali

Per quanto riguarda i rituali, la più grande trasformazione è che ora è veramente un ciclo circolare, infinito, piuttosto che qualcosa che si traduce in documenti stagnanti da creare e consultare di continuo.

Lo scope parte da un ticket Linear stretto con vari gradi di dettaglio, poi uso l'IA per "stressare" il ticket per ambiguità, casi limite e opzioni di sequenza, stringendo finché non si può rilasciare la fetta più piccola.

Per noi che lavoriamo da remoto in un team piccolo, l'allineamento è perlopiù asincrono: un breve thread su Slack che si conclude con una decisione chiara e le prossime azioni, con standup veloci gestiti da Geekbot. Tuttavia, c'è ancora molto valore nell'avere tre o quattro riunioni settimanali per confrontarci e rafforzare la motivazione.

La validazione è dove sono diventato più rigoroso, non meno. Gli LLM in genere generano spazzatura convincente se non sai come usarli, quindi ogni feature o modifica viene valutata con un piccolo "evaluation harness" — input realistici, output attesi, casi avversari — che l'IA può aiutare a generare ma che io revisiono e testo personalmente.

L'execution si riduce quindi a Linear + Claude Code + analytics Posthog self-hosted. Rilascia, osserva, adatta e mantieni il ciclo veloce perché il mercato tecnologico cambia oggi a una velocità che sembra oraria.

Perché uno stack di strumenti minimalista e AI-first è il migliore

Ecco il mio stack base da project manager:

• GSuite
• Slack
• Il bot Geekbot per Slack (per i daily standup)
• Linear
• VSCode
• LLM basato su CLI (nel nostro caso Claude Code)

Perché Linear? Offre l'essenziale. È abbastanza potente da soddisfare quasi ogni esigenza di un team di progetto, ma abbastanza semplice da risultare intuitivo. È l'anti-JIRA. E soprattutto, permette una facile integrazione con GitHub e Slack, ovvero dove lavorano già gli sviluppatori. È semplice, leggero e aggiunge poco attrito agli ingegneri nell'organizzare o aggiornare i task. Inoltre, è estremamente estensibile e permette cose interessanti, come far provare al tuo LLM sulla CLI a correggere automaticamente un bug non appena viene segnalato in una draft PR, ancor prima che venga visto da un umano.

Non serve altro. Ogni altro tipo di lavoro necessario al di fuori di questo può essere svolto con strumenti open-source direttamente nel terminale.

Lo strumento AI preferito di Cole per la produttività personale

A livello personale, al di fuori del team, sono assolutamente ossessionato da Raycast per la produttività. È l’app definitiva per l’accesso rapido, completamente personalizzabile e ultra-leggera, che sostituisce la terribile app "Spotlight" su Mac o il tasto "Windows" su Windows. Ridurrai l’uso del mouse del 75% nella maggior parte delle attività. Puoi integrare praticamente qualsiasi app tramite le integrazioni già presenti o crearne di nuove personalizzate — chiedi semplicemente a Claude Code di creare un’estensione per te!

Se voglio ottenere il testo di un’immagine che vedo sul mio clipboard, premo i tasti di scelta rapida di Raycast, scrivo “OCR” e premo invio. Questo attiva lo strumento di screenshot OCR di CleanShotX e ho il testo di qualsiasi immagine in meno di cinque secondi. Allo stesso modo, posso premere la scorciatoia, digitare "Ask spotify" e poi scrivere una frase come "dammi della buona musica energica per programmare" — che verrà interpretata da un LLM, cercherà i tag musicali e le proprietà nell’API di Spotify, poi farà partire subito una playlist su Spotify col tipo di musica che ho richiesto.

I casi d’uso sono infiniti. Scaricalo, attiva l’AI usando le tue API key o il loro abbonamento e dai un’occhiata alle migliori estensioni presenti sul sito per trovare ciò che può esserti utile. Un vero cambio di paradigma.

Perché la gestione prodotto e l’ingegneria stanno iniziando a sovrapporsi

Presto, la maggior parte degli sviluppatori di nuove funzionalità dovrà iniziare a pensare e a prendere decisioni come i product manager, e i product manager dovranno apprendere abbastanza su machine learning, reti neurali, LLM e vari tipi di architetture per avvicinarsi il più possibile ad essere veri e propri sviluppatori che usano LLM — senza esserlo davvero. Questa trasformazione riflette approcci audaci all'integrazione dell'intelligenza artificiale che stanno rimodellando i ruoli tradizionali.

Ovviamente, ci sono molte eccezioni e aree dove ciò non si applicherà, ma in generale, il diagramma di Venn di tutti i ruoli precedenti in azienda, dalle vendite al marketing, dal prodotto all’ingegneria, tenderà inevitabilmente a convergere, e poche competenze resteranno esclusive di un solo ruolo.

Come evitare l’inevitabile crisi esistenziale mentre l’AI trasforma il lavoro sul prodotto

Ecco il mio consiglio: cerca di evitare l’inevitabile crisi esistenziale in cui rischi di cadere mentre questa era tecnologica continua ad evolversi.

Al contrario, punta sulle capacità mentali che hai sviluppato attraverso l’esperienza. Gli LLM possono generare contenuti, ma sono davvero pessimi nell’avere buon gusto.

Le risposte, ormai, sono a portata di mano per tutti: quindi porre domande uniche, specifiche per la propria esperienza, è diventata una nuova abilità. Inoltre, il vero lavoro intellettuale è proprio scoprire dentro di sé la domanda giusta da porre.

Segui l’autore

Puoi seguire Cole su X e sul suo sito personale, mentre continua a sfidare i limiti di ciò che è possibile per i PM. E dai un’occhiata a Probably.dev!

Altri approfondimenti e interviste in arrivo su The Digital Project Manager!