Kierownik produktu w Meta opowiada, jak AI zmienia realizację projektów i gdzie zawodzi
Tom Leung, kierownik produktu w Meta, wyjaśnia, jak AI przyspiesza prototypowanie i realizację projektów, gdzie nie spełnia oczekiwań oraz dlaczego ludzka ocena, zgodność działań i strategia pozostają kluczowe w zarządzaniu produktem.
Tom Leung
Lider zespołu zarządzania produktem w META i twórca biuletynu The Fireside PM
Funkcje AI: Tworzenie skutecznych funkcji AI wymaga szeroko zakrojonych testów, pętli sprzężenia zwrotnego i ciągłego udoskonalania, aby osiągnąć sukces.
Ewolucja zarządzania projektami: AI zmienia zarządzanie projektami, umożliwiając szybsze prototypowanie i iteracyjne procesy walidacji.
Autonomiczne zespoły: Skuteczna realizacja projektów opiera się obecnie na elastycznym wyznaczaniu celów oraz zespołach, którym zapewniono autonomię i jasne ramy podejmowania decyzji.
Zestaw narzędzi AI: Zróżnicowany zestaw narzędzi AI zwiększa efektywność zarządzania produktem, oferując narzędzia dostosowane do konkretnych zadań i przepływów pracy.
Skupienie strategiczne: Przyszłość zarządzania projektami wymaga myślenia strategicznego połączonego z biegłością w AI, a role będą dzielić się na koordynowanie i automatyzację.
Tom Leung kieruje zespołem zarządzania produktem w firmie Meta, gdzie odpowiada zarówno za sukces produktu, jak i projektu. Jest także twórcą biuletynu Fireside PM.
Spotkaliśmy się z nim, aby dowiedzieć się, co zmienia się w dostarczaniu produktów i realizacji projektów. Wyjaśnił, w jaki sposób AI zmieniła zasady gry — i w jakich obszarach ludzie są ważniejsi niż kiedykolwiek.
Zarządzanie produktem w firmie Meta
Od ponad dwóch dekad zajmuję się zarządzaniem produktami programistycznymi.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Obecnie kieruję zespołem zarządzania produktem w firmie Meta. Moja rola dotyczy głównie powodów realizacji projektu i jego zakresu, ale odpowiadam za ogólny sukces i wpływ naszych projektów.
Jestem także twórcą biuletynu Fireside PM.
Dlaczego stworzenie przełomowej funkcji AI jest trudniejsze, niż się wydaje
Niedawno realizowałem projekt konsultingowy dla firmy przed debiutem giełdowym, która wprowadzała funkcję opartą na AI. Interesujące było to, że magia polegała głównie na przejściu od zera do jedynki — od koncepcji do działającego demonstratora.
Jednak udoskonalenie początkowego demonstratora do poziomu, co do którego mieliśmy wysoką pewność, okazało się znacznie trudniejsze, niż oczekiwaliśmy. Przeszliśmy przez wiele iteracji, testując różne modele bazowe (GPT-4, Claude, Gemini), aby sprawdzić, który najlepiej sprawdza się w naszym konkretnym przypadku użycia, oraz intensywnie eksperymentując z projektowaniem poleceń: testowaliśmy różne formaty instrukcji, dodawaliśmy więcej kontekstu dotyczącego intencji użytkownika i udoskonalaliśmy strukturę wyników.
Największa poprawa wynikała z uwzględnienia pętli informacji zwrotnych od użytkowników i danych dotyczących personalizacji, co pomogło modelowi zrozumieć indywidualne preferencje i kontekst użytkowników.
Największa poprawa wynikała z uwzględnienia pętli informacji zwrotnych od użytkowników i danych dotyczących personalizacji, co pomogło modelowi zrozumieć indywidualne preferencje i kontekst użytkowników. Przy każdej iteracji przeprowadzaliśmy testy A/B, aby mierzyć poprawę dokładności i zadowolenie użytkowników.
Wszystko to wiązało się z wieloma próbami i niepowodzeniami. Proces trwał około trzech miesięcy ciągłego udoskonalania, aby przejść od „imponującego demonstratora” do „funkcji gotowej do użycia w środowisku produkcyjnym”.
W skrócie: stworzenie funkcji AI jest dość łatwe, ale wbudowanie w produkt przełomowej funkcji AI jest znacznie trudniejsze, niż się wydaje.
Dlaczego największym ryzykiem związanym z AI jest to, jak niesamowite daje wrażenie
Nadal nie jesteśmy na etapie, na którym AI jest w pełni autonomiczna. Choć jest niesamowita, wciąż regularnie znajduję błędy w jej rozumowaniu i muszę wszystko dokładnie sprawdzać.
Oto kolejny przykład. Kilka miesięcy temu realizowałem projekt konsultingowy, w którym Claude i Gamma wykonały dużą część pracy po tym, jak przekazałem im mnóstwo informacji ogólnych i notatek ze spotkań. Spisały się niesamowicie. Jednak gdy przygotowywałem się do spotkania z klientem, zdałem sobie sprawę, że było tam wiele błędów, które wyglądały poprawnie, dopóki nie poddaliśmy założeń szczegółowej weryfikacji. Musiałem w pośpiechu zaktualizować wszystkie dane liczbowe.
Na tym właśnie polega wyzwanie związane z AI. Jest niesamowita i każdego dnia staje się coraz lepsza — do tego stopnia, że ma się wrażenie, iż można ją rzadziej sprawdzać. Jednak dopóki nie osiągnie dokładności na poziomie 99–100%, nadal trzeba mieć ją pod kontrolą, ponieważ gdy popełni błąd lub wygeneruje halucynację, konsekwencje mogą być naprawdę poważne.
Sztuczna inteligencja jest niesamowita i każdego dnia staje się coraz lepsza. Ale dopóki nie osiągnie dokładności na poziomie 99–100%, nadal musisz mieć ją pod kontrolą, ponieważ gdy popełni błąd lub zacznie halucynować, może się to naprawdę źle dla ciebie skończyć.
Jak sztuczna inteligencja zmienia planowanie projektów, prototypowanie i harmonogramy działań
Mimo to zmienia ona sposób, w jaki pracujemy. Zauważyłem, że czasami zaczynamy prototypowanie równolegle z planowaniem produktu. Dawniej nie mogliśmy sobie pozwolić na budowanie czegokolwiek przed zakończeniem całego procesu planowania. Teraz jednak możemy stworzyć nowy projekt w kilka tygodni — a nawet dni.
Zauważyłem również krótsze cykle planowania i bardziej iteracyjną walidację. Zamiast spędzać miesiące na tworzeniu szczegółowych specyfikacji, przygotowujemy teraz krótkie opisy i weryfikujemy założenia za pomocą szybkich eksperymentów.
Odchodzimy od sztywnych harmonogramów działań na rzecz bardziej elastycznego planowania — dostosowując priorytety co kwartał, a nawet co miesiąc, na podstawie zdobywanych informacji.
Odchodzimy od sztywnych harmonogramów działań na rzecz bardziej elastycznego planowania — dostosowując priorytety co kwartał, a nawet co miesiąc, na podstawie zdobywanych informacji.
Ograniczyliśmy również liczbę formalnych spotkań dotyczących statusu, zastępując je aktualizacjami asynchronicznymi i generowanymi przez sztuczną inteligencję podsumowaniami postępów. Dzięki temu zyskujemy czas na pogłębione dyskusje strategiczne, zamiast jedynie raportować to, co zostało już udokumentowane.
Ryzyko polega na tym, że możesz ostatecznie stać się fabryką funkcji lub produktów!
Jak podstawowe praktyki realizacji projektów ewoluują dzięki sztucznej inteligencji
Zmieniają się również nasze podstawowe praktyki realizacji projektów.
Jeśli chodzi o definiowanie zakresu, zaczynamy teraz od celów opartych na rezultatach, a nie od list funkcji. Daje to zespołom większą elastyczność w dostosowywaniu się do zdobywanej wiedzy.
W zakresie walidacji częściej prowadzimy ciągłe testy z mniejszymi grupami użytkowników, zamiast organizować duże, jednorazowe wdrożenia. Narzędzia sztucznej inteligencji pomagają nam szybko analizować wzorce w informacjach zwrotnych.
W zarządzaniu realizacją przeszliśmy w kierunku bardziej autonomicznych zespołów z jasno określonymi ramami podejmowania decyzji (np. DACI), zamiast scentralizowanych procesów zatwierdzania. Kluczowe jest zaufanie do zespołów i umożliwienie im podejmowania trafnych decyzji przy jednoczesnym wykorzystaniu sztucznej inteligencji do wczesnego wykrywania zagrożeń lub przeszkód.
Pozostaje jeszcze kwestia spójności. Uważam, że jest ona ważniejsza niż kiedykolwiek. Skoro możemy teraz robić tak wiele rzeczy, musimy mieć wspólne stanowisko dotyczące tego, co budować i dlaczego.
Aby wypracować wspólne stanowisko, intensywnie inwestujemy we wspólny kontekst: regularne przeglądy strategii, przejrzyste dokumentowanie naszego „dlaczego” oraz jasno określone zasady podejmowania decyzji, do których każdy może się odwołać. Korzystam również z narzędzi sztucznej inteligencji do tworzenia spójnych podsumowań kluczowych decyzji i szerokiego ich rozpowszechniania, aby każdy miał dostęp do tych samych informacji. Organizujemy także kwartalne sesje mające zapewnić spójność, podczas których ponownie analizujemy nasze priorytety i upewniamy się, że każdy rozumie, jak jego praca łączy się z szerszym obrazem.
Celem jest stworzenie wspólnego modelu mentalnego, dzięki któremu zespoły mogą podejmować niezależne decyzje, które nadal wspierają naszą ogólną strategię.
Uważam, że zgodność jest ważniejsza niż kiedykolwiek. Skoro możemy teraz robić tak wiele rzeczy, musimy mieć wspólny punkt widzenia na temat tego, co budować i dlaczego.
Jak wygląda zestaw narzędzi AI dla współczesnych menedżerów produktu
Oto mój obecny zestaw narzędzi AI:
- ChatGPT: Rozumowanie ogólnego przeznaczenia, burze mózgów i szybkie wyszukiwanie informacji
- Claude: Złożone analizy i zadania związane z pisaniem, gdy potrzebuję niuansowanego rozumowania
- Gemini: Zadania multimodalne oraz sytuacje, w których muszę analizować dokumenty zawierające obrazy
- Manus: Automatyzowanie żmudnych procesów, takich jak przygotowywanie cotygodniowych aktualizacji dla zespołu, przetwarzanie danych i obsługa powtarzalnych zadań związanych z zarządzaniem projektami
- NotebookLM: Syntezowanie spostrzeżeń z dużych zbiorów dokumentów i tworzenie podsumowań audio
- NanoBanana: Szybkie tworzenie prezentacji wizualnych i zestawów slajdów
- FigmaMake: Szybkie prototypowanie i iteracyjne projektowanie
W zależności od zadania przełączam się między ChatGPT, Claude i Gemini. Każde z tych narzędzi ma mocne strony w innych obszarach.
Dlaczego Claude przewyższył inne LLM-y w zakresie wymagań dotyczących produktu
Niedawno przetestowałem pięć chatbotów AI, aby pomóc w pisaniu dokumentów wymagań dotyczących produktu.
Claude okazał się najlepszy w pisaniu dokumentów wymagań dotyczących produktu. Doskonale radzi sobie z zachowywaniem kontekstu w długich dokumentach, stosowaniem się do złożonych instrukcji i tworzeniem dobrze uporządkowanych treści, które brzmią naturalnie. Szczególnie dobrze rozumie niuanse i unika zbyt formalnego lub ogólnikowego tonu, w który popadają niektóre inne modele.
Mimo to nadal używam różnych modeli do różnych zadań: ChatGPT do szybkich iteracji, Gemini, gdy muszę przetwarzać informacje wizualne, a Claude do wszystkiego, co wymaga głębokiego rozumowania lub pisania dłuższych tekstów.
Jak procesy agentowe w Manus oszczędzają wiele godzin każdego tygodnia
Używam Manus jako głównej platformy orkiestracji procesów agentowych. Jest szczególnie przydatny do automatyzowania wieloetapowych zadań, takich jak przygotowywanie cotygodniowych aktualizacji dla zespołu, przekształcanie notatek ze spotkań w listy działań oraz syntezowanie wyników badań z wielu źródeł.
Używam Manus jako głównej platformy orkiestracji procesów agentowych. Jest szczególnie przydatny do automatyzowania wieloetapowych zadań.
To doświadczenie było pozytywne — narzędzie zajmuje się żmudną pracą koordynacyjną, która wcześniej pochłaniała wiele godzin każdego tygodnia. Mimo to nadal muszę dokładnie sprawdzać wyniki, ponieważ AI nie jest jeszcze w pełni niezawodna.
Eksperymentowałem również z używaniem niestandardowych GPT ChatGPT oraz projektów Claude do konkretnych procesów. Jednak Manus okazał się najskuteczniejszy w przypadku złożonej, wieloetapowej orkiestracji, gdy potrzebuję, aby różne narzędzia współpracowały ze sobą.
Dlaczego NotebookLM zmienia sposób, w jaki menedżerowie produktu syntetyzują kontekst i podejmują decyzje
Ostatnio najbardziej uderza mnie to, że możliwość zrozumienia wewnętrznego kontekstu segmentu klientów, projektu lub wcześniejszej decyzji dzięki wykorzystaniu AI do analizy dziesiątek źródeł jest naprawdę zdumiewająca.
Przed erą AI trzeba było poświęcić tygodnie na czytanie stosów dokumentów i odbywanie dziesiątek spotkań 1:1. Teraz jednak używam narzędzi takich jak NotebookLM, aby wczytywać dziesiątki dokumentów — notatki ze spotkań, dokumenty strategiczne, badania klientów — i szybko syntetyzować zawarte w nich spostrzeżenia.
Na przykład, oceniając nowy kierunek rozwoju produktu, mogę poprosić je o podsumowanie wszystkich wcześniejszych opinii klientów na temat konkretnego problemu i otrzymać spójną odpowiedź w ciągu kilku sekund, zamiast spędzać całe dni na przeglądaniu rozproszonych dokumentów. Korzystam również z ChatGPT i Claude do podobnych prac związanych z syntezą informacji, zwłaszcza gdy muszę zrozumieć kontekst wcześniejszych decyzji lub zidentyfikować wzorce w wielu projektach.
Dlaczego strategia będzie ważniejsza niż kiedykolwiek w świecie przyspieszanym przez AI
W ciągu pięciu lat rola kierownika projektu podzieli się na dwie odrębne ścieżki.
Jedna z nich będzie koncentrować się na strategicznym zarządzaniu współpracą: rozumieniu kontekstu biznesowego, uzgadnianiu działań interesariuszy i podejmowaniu decyzji dotyczących kompromisów na wysokim poziomie.
Druga będzie bardziej przypominać rolę „inżyniera przepływów pracy AI”, który projektuje i optymalizuje zautomatyzowane systemy zajmujące się realizacją, raportowaniem i koordynacją.
Taktyczna, administracyjna strona pracy PM zostanie niemal całkowicie zautomatyzowana.
Zespoły będą działać szybciej, ale ludzka ocena potrzebna do zdecydowania, co budować i dlaczego, stanie się jeszcze bardziej istotna. Zwycięzcami będą kierownicy projektów, którzy potrafią myśleć strategicznie, a jednocześnie biegle posługują się wiedzą o tym, jak skutecznie wykorzystywać systemy AI.
Bądź na bieżąco
Możesz śledzić, jak Tom Leung nieustannie zmienia zasady gry w dziedzinie AI, na platformie LinkedIn. Oczywiście zajrzyj też na stronę tomleungcoaching.com!
Już wkrótce kolejne wywiady z ekspertami na stronie The Digital Project Manager! Dołącz do naszej bezpłatnej społeczności, aby uzyskać nieograniczony dostęp do artykułów i najnowszych informacji.
