Lider ds. dostarczania w Google wyjaśnia, jak przepływy pracy agentowej zmieniają modele zarządzania produktem
Anshumani Ruddra wyjaśnia, jak przepływy pracy agentowej pomagają zespołom ds. dostarczania pracować szybciej, jednocześnie sprawiając, że ludzki osąd, walidacja i podejmowanie decyzji stają się jeszcze ważniejsze.
Anshumani Ruddra
Lider produktu w Google
Zmiana na agentowość: Przepływy pracy agentowej zastępują liniowe przekazywanie zadań równoległym, międzyfunkcyjnym dostarczaniem, opartym na wspólnym kodzie i dokumentacji.
Ludzki osąd: AI zajmuje się koordynacją i tworzeniem wersji roboczych, podczas gdy liderzy nadal odpowiadają za jakość, kreatywność, ustalanie priorytetów i zaufanie.
Zacznij od audytu: Zespoły powinny co tydzień analizować czynności pochłaniające czas przed wyborem narzędzi, unikając ogólnego wdrażania oraz efektownych, lecz nieskutecznych zestawów narzędzi.
Rytuały mają znaczenie: Szybsze dostarczanie dzięki AI nadal wymaga jasno określonego zakresu, uzgodnienia stanowisk interesariuszy, rygorystycznej walidacji i konsekwentnego stosowania list kontrolnych, aby utrzymać jakość produktu.
Model przywództwa: Skuteczne wdrażanie AI łączy zmianę sposobu pracy przez liderów z eksperymentowaniem zespołów i dzieleniem się usprawnieniami w całej organizacji.
Anshumani Ruddra jest liderem produktu w Google, gdzie zajmuje się dostarczaniem produktów płatniczych. Jest także edukatorem, który pełnił funkcje kierownicze na poziomie C związane z dostarczaniem produktów.
Spotkaliśmy się z Anshumani, aby dowiedzieć się, jak AI zmienia proces dostarczania produktów w firmach takich jak Google. Oto, co powiedział.
Tworzenie produktów w Google
Nazywam się Anshumani Ruddra. Od ponad 22 lat tworzę produkty konsumenckie na styku technologii, opowiadania historii, popkultury i ludzkich zachowań — zaczynałem jako autor książek dla dzieci, następnie pracowałem jako projektant gier przy globalnych hitach społecznościowych, takich jak Mafia Wars i Café World, a później skalowałem Hotstar, przekształcając go w jedną z największych platform streamingowych na świecie w czasach IPL.
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
Przez ostatnie pięć lat w Google kierowałem zarządzaniem produktem niezwykle popularnej aplikacji GPay w Indiach, odpowiadałem za całą ofertę produktów płatniczych Google w regionie APAC oraz tworzyłem produkty AI skierowane do konsumentów. Obecnie kieruję kompleksowym procesem rozwoju produktu AI, którego celem jest stworzenie zupełnie nowego produktu.
Dodatkowo uczę liderów produktu i kadrę kierowniczą, jak tworzyć rozwiązania z wykorzystaniem AI, w ramach mojego kursu Maven Level Up to Product Super IC. Jednocześnie pełnię dwie role — praktyka i nauczyciela — i obie kształtują moje podejście do dostarczania produktów: mniej koordynacji i zatwierdzeń, a więcej przechodzenia od spostrzeżenia do działającego prototypu bez czekania na pozwolenie.
Jak AI pozwala ludziom robić więcej tego, w czym są najlepsi
Staram się nie myśleć o AI jako o kolejnym, po prostu lepszym narzędziu. Takie ujęcie ogranicza myślenie do kwestii efektywności. AI jest mnożnikiem — być może takim, który pojawia się raz na stulecie.
Dzięki niemu spędzam znacznie mniej czasu na elementach spajających proces dostarczania: podsumowywaniu spotkań, tworzeniu pierwszych wersji PRD, przygotowywaniu aktualizacji dla interesariuszy i wstępnym researchu. Dużą część tych zadań przeniosłem do osobistego „agentowego systemu operacyjnego”, który w dużej mierze działa samodzielnie.
Teraz poświęcam czas na te 10%, które są trudne i wymagają ludzkiego wkładu, zamiast na 90% koordynacji, która wcześniej pochłaniała cały tydzień. Bardziej koncentruję się na samym rzemiośle: myśleniu, podejmowaniu decyzji i prototypowaniu.
Skoro mowa o prototypowaniu, to samo w sobie stanowi ogromną zmianę. Mogę teraz zweryfikować wizję, samodzielnie tworząc funkcjonalny prototyp, zanim przydzielę do tego kogokolwiek. Bariera wejścia w tworzenie zniknęła. Jeśli coś przyjdzie mi do głowy, mogę przygotować działającą pierwszą wersję.
Kiedy korzystać z AI, a kiedy potrzebny jest człowiek
Najłatwiej automatyzować syntezę informacji i warstwę administracyjną:
- Przekształcanie surowych nagrań ze spotkań w decyzje i zadania do wykonania
- Tworzenie pierwszych wersji PRD i materiałów badawczych
- Wstępna selekcja napływających sygnałów
- Obsługa aktualizacji dla interesariuszy
Wdraża się to za pomocą osobistych agentów, którzy obserwują dane wejściowe, wskazują kwestie wymagające decyzji i przygotowują projekty pozostałych materiałów.
Wiedza o klientach jest tutaj również zdecydowanie niewykorzystywana: istnieją już narzędzia, które informują, jakie funkcje należy zbudować, i szacują ich wpływ na ARR, a mimo to większość zespołów nadal ręcznie agreguje opinie ze Slacka i zgłoszeń do pomocy technicznej.
To jednak ludzie muszą nadal określać, co oznacza „dobrze”. Jako lider odpowiadasz za definiowanie jakości, dlatego uważam, że ewaluacje są tak ważne.
Ludzie muszą także zajmować się wyczuciem i oceną produktu, autentycznie kreatywnymi skokami od zera do jedynki oraz wymagającą dużego zaufania ludzką pracą polegającą na wspieraniu zespołów, poruszaniu się wśród zależności politycznych i podejmowaniu trudnych decyzji dotyczących priorytetów.
AI daje więcej prób trafienia w tarczę; człowiek nadal musi zdecydować, gdzie znajduje się tarcza.
Dlaczego stos technologiczny powinien zaczynać się od audytu
Narzędzia AI są dokładnie jak świetna gra wideo — łatwo zacząć w nie grać, ale niezwykle trudno osiągnąć mistrzostwo. To kuszące pierwsze doświadczenie sprawia, że ludzie zakładają, iż wszystko pójdzie gładko, dlatego są zaskoczeni, gdy pojawia się złożoność. Wielu się poddaje. Prawdziwa umiejętność nie polega na tworzeniu promptów, lecz na gotowości do wytrwałości i nauki we własnym tempie — szybszym, niż wydaje się komfortowe.
W pracy mój stos opiera się przede wszystkim na najnowszych modelach Gemini, a Antigravity pełni funkcję centrum agentów. Menedżer agentów Antigravity jest niedoceniany. To naprawdę innowacyjne rozwiązanie. Jeśli chodzi o zarządzanie projektami, Google korzysta z własnych niestandardowych narzędzi, będących odpowiednikami Jiry i GitHuba w świecie zewnętrznym.
W przypadku moich osobistych projektów i działalności dydaktycznej mój podstawowy zestaw narzędzi obejmuje:
- Claude Code do programowania. To zdecydowanie wyróżniające się narzędzie. Uruchamiam wiele agentów równolegle. Jest najbliższe prawdziwemu asystentowi, a nie tylko funkcji autouzupełniania.
- Replit do prototypowania. Podejście oparte najpierw na planowaniu oraz równoległe agenty wyróżniają go na tle innych narzędzi.
- NotebookLM wraz z Obsidianem do pracy badawczej i pisania.
- Codex i Claude Cowork obsługują wiele zaplanowanych zadań i automatyzacji, integrując pocztę e-mail, kalendarz, dyski w chmurze oraz notatki ze spotkań.
- Granola i Wispr Flow uzupełniają ten zestaw. Zdecydowanie opowiadam się za zamianą mowy na tekst i wykorzystywaniem głosu jako sposobu wprowadzania danych.
W ciągu ostatnich 6–12 miesięcy ten zestaw narzędzi ewoluował od „wykorzystywania AI do szybszego tworzenia wersji roboczych” do prawdziwego osobistego agentowego systemu operacyjnego — mniej chodzi w nim o jednorazowe polecenia, a bardziej o działające stale agenty, które kompleksowo obsługują powtarzalne procesy od początku do końca.
Moja rada dotycząca budowania zestawu narzędzi: nie zaczynaj od najbardziej efektownego narzędzia. Przeanalizuj, jak spędzasz tydzień, znajdź największe pochłaniacze czasu i wybierz konkretne narzędzie, które je eliminuje. Ogólne strategie wdrażania nie działają.
Jak agentowe procesy usprawniają realizację projektów
Celowo skupiliśmy się najpierw na wspólnym fundamencie, który umożliwia te procesy, ponieważ wszystko albo się na nim spaja, albo rozpada.
Obecnie niemal wszystkie nasze procesy działają jako agentowe procesy — w obszarze projektowania, zarządzania produktem i realizacji prac inżynieryjnych. Agentowe procesy zarządzają strategią i myśleniem stojącymi za tym, co należy zbudować, projektowaniem komponentów, ekranów i układów, a także sposobem, w jaki współdziałają kod backendu i frontendu. Nie jest to odosobniony eksperyment w jednym zakątku zespołu; tak właśnie wygląda praca od początku do końca.
Celowo skupiliśmy się najpierw na wspólnym fundamencie, który umożliwia te procesy, ponieważ wszystko albo się na nim spaja, albo rozpada. W praktyce oznacza to budowanie wspólnej infrastruktury dla całego zespołu, wspólnego zestawu umiejętności agentów oraz wspólnego środowiska, za pośrednictwem którego wszyscy pracują. Najważniejszym elementem jest dokumentacja, która jest gotowa nie tylko dla ludzi, lecz także dla agentów. Jeśli dokumentacja ma sens wyłącznie dla ludzi, agenty zaczną działać niespójnie, dlatego dużą wagę przykładamy do pisania jednocześnie dla obu odbiorców.
Konkretnie wygląda to jak wyraźnie oznaczone pliki wiedzy, dokumenty PRD i dokumenty projektowe dotyczące inżynierii. Zwykle przechowujemy je w formacie Markdown, dbamy o ich zwięzłość i piszemy je tak, aby miały sens zarówno dla ludzi, jak i agentów. Co najważniejsze, ludzie zatwierdzają wszystkie te pliki, zanim zaczniemy cokolwiek budować. Weryfikowanie danych wejściowych przez ludzi pozwala zachować porządek w agentowym procesie, ponieważ agenty są tak dobre, jak dokumenty i umiejętności, do których je kierujesz.
Utrzymujemy również bardzo przejrzyste listy kontrolne i dbamy o to, aby agenty z nich korzystały. Agent oznacza krok jako ukończony dopiero wtedy, gdy jego lista kontrolna jest rzeczywiście spełniona; dopiero wtedy przechodzimy do następnego kroku. Ta dyscyplina — przejrzysta dokumentacja, dane wejściowe zweryfikowane przez ludzi, wspólne umiejętności i listy kontrolne realizowane krok po kroku — zmienia pracę agentową z nowinki w coś niezawodnego.
Korzyści są rzeczywiste, gdy fundament jest już gotowy. Najtrudniejsza jest początkowa inwestycja we wspólną infrastrukturę i dokumentację gotową dla agentów. Zespoły, które pomijają ten etap, otrzymują efektowne demo, a następnie obserwują jego rozpad wraz ze wzrostem złożoności. Zespoły, które wykonują tę pracę, uzyskują naprawdę szybką, równoległą realizację zadań w obszarze projektowania, produktu i inżynierii.
Jak AI zmienia tradycyjne modele zarządzania projektami
Tradycyjny model kaskadowy po prostu już nie działa. Tradycyjne zarządzanie projektami było bezwzględnie linearne: pierwszy krok prowadził do drugiego, a następnie do trzeciego, z rygorystycznym przekazywaniem zadań między specjalizacjami. Zespół produktu pisał specyfikację, zespół projektowy tworzył makiety, zespół inżynieryjny je budował, a następnie zespół projektowy sprawdzał dopracowanie — każdy etap czekał na zakończenie poprzedniego.
Ten linearny łańcuch się rozpadł, co jest wspaniałą rzeczą. Poszczególne kroki można teraz wykonywać w różnej kolejności, a granice między projektowaniem, inżynierią i produktem się zatarły. Na przykład projektanci zbudowali już system projektowy bezpośrednio w bazie kodu — odpowiednie komponenty, układy i konkretne tokeny kolorów. Następnie zespół inżynieryjny może zbudować cały przebieg funkcji, a zespół projektowy poprawia wszystkie problemy interfejsu bezpośrednio w kodzie, aby dopracować produkt. Nikt nie czeka na przekazanie projektu z Figmy. Projektowanie odbywa się w tym samym środowisku co prace inżynieryjne.
To samo zacieranie granic zachodzi na wcześniejszych etapach. Zespół produktowy może równolegle tworzyć znacznie więcej dokumentów PRD, odblokowując pracę zespołu inżynieryjnego. Zespół inżynieryjny może generować obszerne, szczegółowe dokumenty projektowe bez konieczności zatwierdzania każdego kroku przez zespół produktowy, ponieważ AI pozwala każdej dziedzinie tworzyć materiały, które wcześniej wymagały udziału specjalisty.
Poszczególni członkowie zespołu mogą teraz wykonywać różne części pracy. Zamiast liniowego wyścigu sztafetowego, w którym pałeczka wypada przy każdym przekazaniu, powstaje mały zespół o dużej sprawczości, w którym każdy może wejść na sąsiedni obszar i odblokować pracę.
W praktyce oznacza to lekkie systemy zamiast rozbudowanych procesów: mniej spotkań statusowych i etapów zatwierdzania, więcej działających prototypów. Dokumenty PRD i dokumenty projektowe zespołu inżynieryjnego są szybko generowane i traktowane jako żywe artefakty, a nie niezmienne specyfikacje. Wspólna baza kodu — z wbudowanym systemem projektowym — służy jako jedno źródło prawdy, w którym spotykają się zespoły produktowy, projektowy i inżynieryjny.
Rezultatem jest tempo — zespoły weryfikują wizję, tworząc, a nie koordynując pracę, i dostarczają dopracowane produkty w ułamku czasu, który wcześniej wymagał kilku cykli przekazywania pracy.
Dlaczego AI nie może wyeliminować potrzeby stosowania rytuałów projektowych
Wszystkie zwyczajowe rytuały nadal istnieją, a kilka z nich staje się dzięki AI jeszcze ważniejszych, a nie mniej istotnych. Ludzie błędnie zakładają, że szybsze tworzenie oznacza mniejszą dyscyplinę. Jest odwrotnie.
Zdefiniowanie zakresu jest równie ważne jak zawsze. Zespół nadal potrzebuje krystalicznie jasnej definicji tego, co próbuje zbudować. Zmieniło się natomiast to, co staje się możliwe w ramach tego zakresu. Jeśli zespół efektywnie buduje z pomocą AI, wiele rzeczy, które wcześniej miały niski priorytet lub na zawsze utknęły w backlogu, można teraz nadać priorytet i dostarczyć. Dzięki temu można stworzyć bardziej wartościowy i kompletny produkt niż wcześniej. Ambicja zakresu może wzrosnąć, ale potrzeba jego jasnego zdefiniowania pozostaje.
Zespoły nadal potrzebują pełnego dostosowania. Interesariusze nadal potrzebują dostosowania. Podczas pracy z wieloma zespołami nadal trzeba świadomie zadbać o dostosowanie zarówno we własnym zespole, jak i pomiędzy tymi zespołami. AI nie dostosuje ludzi za Ciebie.
Weryfikowanie pracy ma jeszcze większe znaczenie. Podczas budowania w dużej firmie produkty trafiają do milionów, a nie tylko do dziesiątek czy setek użytkowników. Produkty nadal muszą być doskonałe, działać bardzo dobrze i sprawdzać się w takiej skali. To, że AI pomaga budować szybciej, nie obniża tej poprzeczki. Dlatego weryfikacja pozostaje niepodlegająca negocjacjom.
Zmieniło się to, że proces nie jest już tak trudny i powolny. Same rytuały — jasny zakres, rzeczywiste dostosowanie i rygorystyczna weryfikacja — nadal obowiązują, a ich znaczenie nawet rośnie. Musimy przemyśleć procesy, które tradycyjnie utrudniają szybszą realizację. AI pozwala ograniczyć formalności i tarcia związane z tymi rytuałami, jednocześnie chroniąc ich istotę.
Dlaczego ocena sytuacji stanie się jeszcze ważniejsza w organizacjach stawiających na AI
W najbliższym czasie więcej firm technologicznych będzie wdrażać AI w kompleksowym tworzeniu i dostarczaniu produktów. Odważniejsza prognoza dotyczy jednak tego, gdzie AI rozprzestrzeni się później. Nie pozostanie ono wyłącznie w branży technologicznej. Rozprzestrzeni się na duże przedsiębiorstwa, następnie na firmy nietechnologiczne, a ostatecznie na tradycyjne przedsiębiorstwa.
Gdy te korzyści przeniosą się od pojedynczych osób do małych zespołów, a następnie do całych organizacji, efekt dynamo radykalnie przekształci zespoły i przepływy pracy. Sposób tworzenia zespołów odpowiedzialnych za dostarczanie produktów oraz przepływ pracy w ich ramach będą wyglądać zupełnie inaczej niż dziś.
Znaczenie podejmowania dobrych decyzji jednak nie zniknie; przeciwnie, stanie się jeszcze większe, ponieważ decyzje będą podejmowane znacznie częściej. Gdy całościowe dostarczanie produktów przebiegało powoli, podejmowano tylko kilka kluczowych decyzji, być może raz na kilka tygodni lub miesięcy. Teraz trzeba podejmować wysokiej jakości decyzje wiele razy dziennie, a czasami wiele razy w ciągu godziny.
Rozwój oparty na AI musi być wdrażany zarówno odgórnie, jak i oddolnie.
Dlatego należy skupić się na podejmowaniu decyzji przez ludzi. Każda dziedzina wiedzy będzie musiała zdefiniować jasny zestaw perspektyw, przez które należy analizować każdą decyzję, co umożliwi podejmowanie bardziej precyzyjnych i szybszych decyzji. Równie ważne jest rejestrowanie tych decyzji, aby agenci mogli je rozumieć i odwoływać się do nich w przyszłości.
Zwycięskie zespoły będą traktować wysokiej jakości, dobrze udokumentowane ludzkie osądy jako ograniczony zasób, ponieważ AI sprawia, że występują one zarówno częściej, jak i mają większą wartość.
Dlaczego liderzy realizacji muszą wdrażać AI i zachęcać do eksperymentowania
Najważniejszy wniosek dotyczący całej sytuacji jest taki, że rozwój oparty na AI musi być wdrażany zarówno odgórnie, jak i oddolnie. Nie może być tylko jednym albo drugim.
Odgórna część wymaga poparcia ze strony kierownictwa. Jeśli wyższe kierownictwo nie poprze tej inicjatywy, nie będzie eksperymentować ani próbować zmieniać własnych przepływów pracy i systemów realizacji, organizacji będzie bardzo trudno wdrożyć AI w znaczący sposób. Nie można nakazywać transformacji, której samemu się nie przechodzi. Liderzy, którzy delegują AI zespołowi zadaniowemu, pozostawiając jednocześnie własne sposoby pracy bez zmian, wysyłają jasny sygnał, że jest to opcjonalne, a organizacja właściwie go odczytuje. Dlatego moja pierwsza rada dla innych liderów realizacji brzmi: najpierw zmieńcie własne przepływy pracy, zanim poprosicie kogokolwiek o zmianę jego przepływów.
Oddolna część jest równie ważna. Młodsi pracownicy i poszczególne zespoły muszą mieć swobodę eksperymentowania, kwestionowania przyjętych zasad i podważania istniejących przepływów pracy. Potrzebują przestrzeni, aby próbować nowych rzeczy, zastanawiać się, dlaczego realizacja zawsze przebiegała w określony sposób, a następnie zwracać uwagę kierownictwa na to, czego się nauczyli. Jeśli taki kanał nie istnieje, jeśli ludzie nie mają tej swobody, a ich wnioski nigdy nie trafiają wyżej, całość rozpada się równie nieuchronnie jak wtedy, gdy brakuje zaangażowania kierownictwa.
Najbardziej użyteczną rzeczą, jaką lider realizacji może teraz zrobić, jest jednoczesne zadbanie o oba te poziomy. Prowadź z przodu, wyraźnie przemyślając na nowo własne systemy realizacji, a jednocześnie twórz warunki, w których zespoły mogą swobodnie eksperymentować i przekazywać Ci to, co działa. Potrzebne są oba kierunki: odgórny i oddolny.
Gdy angażuje się tylko jeden z tych poziomów, wdrażanie zmian zatrzymuje się. Gdy angażują się oba, zmiana się przyjmuje.
Śledź dalsze działania
Możesz śledzić pracę Anshumani Ruddry na platformie LinkedIn. Możesz również odwiedzić jego blog i zapoznać się z jego kursami.
Na The Digital Project Manager pojawią się kolejne wywiady z ekspertami!
