Meta Ürün Yöneticisi Yapay Zekânın Teslimatı Nasıl Değiştirdiğini ve Nerelerde Yetersiz Kaldığını Anlatıyor
Meta Ürün Yöneticisi Tom Leung, yapay zekânın prototip oluşturmayı ve teslimatı nasıl hızlandırdığını, nerelerde yetersiz kaldığını ve insan muhakemesi, uyum ile stratejinin ürün yönetiminde neden kritik olmaya devam ettiğini açıklıyor.
Tom Leung
META'da Ürün Yönetimi Ekip Lideri ve The Fireside PM Bülteni'nin Yaratıcısı
Yapay Zekâ Özellikleri: Etkili yapay zekâ özellikleri oluşturmak; başarılı olmak için kapsamlı testler, geri bildirim döngüleri ve sürekli iyileştirme gerektirir.
Proje Yönetiminin Evrimi: Yapay zekâ, daha hızlı prototip oluşturma ve yinelemeli doğrulama süreçlerini mümkün kılarak proje yönetimini dönüştürüyor.
Özerk Ekipler: Başarılı teslimat artık esnek hedef belirlemeye ve net karar alma çerçevelerine sahip, yetkilendirilmiş ekiplere dayanıyor.
Yapay Zekâ Araç Seti: Çeşitli bir yapay zekâ araç seti, belirli görevlere ve iş akışlarına göre uyarlanmış araçlarla ürün yönetimi verimliliğini artırır.
Stratejik Odak: Proje yönetiminin geleceği, yapay zekâ yetkinliğinin yanı sıra stratejik düşünmeyi ve rollerin orkestrasyon ile otomasyon olarak ayrılmasını gerektiriyor.
Tom Leung, Meta'da hem ürün hem de proje başarısından sorumlu bir ürün yönetimi ekibine liderlik ediyor. Ayrıca Fireside PM bülteninin yaratıcısı.
Ürün ve proje tesliminde nelerin değiştiğini anlamak için kendisiyle bir araya geldik. Yapay zekânın oyunun kurallarını nerede değiştirdiğini ve insanların nerede her zamankinden daha önemli olduğunu açıkladı.
Meta'da ürün yönetimi
Yirmi yılı aşkın süredir yazılım ürün yönetimi alanında çalışıyorum.
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
Bugün Meta'da bir ürün yönetimi ekibine liderlik ediyorum. Rolüm çoğunlukla bir projenin neden ve ne olduğuyla ilgili; ancak projelerimizin genel başarısından ve etkisinden ben sorumluyum.
Ayrıca Fireside PM bülteninin yaratıcısıyım.
Başarılı bir yapay zekâ özelliği geliştirmek neden göründüğünden daha zor?
Yakın zamanda, yapay zekâ destekli bir özellik kullanıma sunan halka arz öncesi bir şirket için danışmanlık projesi gerçekleştirdim. İlginç olan, sihrin çoğunun sıfırdan bire geçişte, yani fikirden çalışan demoya ulaşma aşamasında gerçekleşmesiydi.
Ancak ilk demoyu kendimize yüksek güven veren bir ürüne dönüştürmek beklediğimizden çok daha zordu. Belirli kullanım alanımız için hangisinin en iyi performansı gösterdiğini görmek üzere farklı temel modelleri (GPT-4, Claude, Gemini) test ederek ve komut mühendisliği üzerinde kapsamlı deneyler yaparak birden fazla yinelemeden geçtik: farklı talimat biçimlerini test ettik, kullanıcı niyeti hakkında daha fazla bağlam ekledik ve çıktı yapısını iyileştirdik.
En büyük iyileşme, kullanıcı geri bildirim döngülerini ve kişiselleştirme verilerini dahil etmekten geldi; bu, modelin bireysel kullanıcı tercihlerini ve bağlamını anlamasına yardımcı oldu.
En büyük iyileşme, kullanıcı geri bildirim döngülerini ve kişiselleştirme verilerini dahil etmekten geldi; bu, modelin bireysel kullanıcı tercihlerini ve bağlamını anlamasına yardımcı oldu. Her yinelemede doğruluk iyileşmelerini ve kullanıcı memnuniyetini ölçmek için A/B testleri oluşturduk.
Tüm bunlar, çok sayıda deneme ve duraksamayla sonuçlandı. “Etkileyici demo”dan “üretime hazır özellik”e ulaşmak için süreçte yaklaşık üç ay boyunca sürekli iyileştirme yaptık.
Özetle, bir yapay zekâ özelliği geliştirmek oldukça kolay; ancak ürününüzün içine başarılı bir yapay zekâ özelliği yerleştirmek göründüğünden çok daha zor.
Yapay zekânın en büyük riski neden ne kadar harika hissettirdiğidir?
Yapay zekânın tamamen otonom olduğu bir noktaya hâlâ ulaşmadık. Ne kadar etkileyici olsa da akıl yürütmesinde düzenli olarak hatalar buluyor ve her şeyi iki kez kontrol etmem gerekiyor.
İşte başka bir örnek. Birkaç ay önce, kendilerine yığınla arka plan bilgisi ve toplantı notu verdikten sonra Claude ve Gamma'nın işin büyük bölümünü yaptığı bir danışmanlık projesi gerçekleştirdim. İnanılmaz bir iş çıkardılar. Ancak bir müşteri toplantısına hazırlanırken, varsayımları baskı testine tabi tutana kadar doğru görünen birçok hata olduğunu fark ettim. Tüm rakamları hızla gözden geçirip güncellemem gerekti.
Yapay zekâdaki zorluk da bu. Harika ve her geçen gün daha iyi hale geliyor — öyle ki onu daha az kontrol edebileceğinizi hissediyorsunuz. Ancak %99–100 oranında doğru olana kadar onu yakından takip etmeye devam etmeniz gerekiyor; çünkü hata yaptığında veya halüsinasyon ürettiğinde, durum gerçekten de başınıza büyük işler açabilir.
Yapay zekâ harika ve her geçen gün daha da iyiye gidiyor. Ancak %99-100 doğruluğa ulaşana kadar, yine de süreci yakından takip etmeniz gerekiyor; çünkü bir hata yaptığında veya halüsinasyon gördüğünde, bu durum gerçekten başınıza büyük işler açabilir.
Yapay zekâ proje planlamasını, prototip oluşturmayı ve yol haritalarını nasıl değiştiriyor?
Bununla birlikte, çalışma şeklimizi değiştiriyor. Artık bazen prototip oluşturmaya ürün planlamasıyla paralel olarak başladığımızı fark ettim. Eskiden tüm planlama çalışmaları tamamlanmadan bir şeyler geliştirmeyi göze alamazdınız. Ancak artık yeni bir projeyi haftalar, hatta günler içinde geliştirebilirsiniz.
Ayrıca daha kısa planlama döngüleri ve daha yinelemeli bir doğrulama süreci gözlemledim. Ayrıntılı spesifikasyonlar üzerinde aylarca çalışmak yerine, artık yalın brifler hazırlıyor ve hızlı deneyler aracılığıyla varsayımları doğruluyoruz.
Katı yol haritalarından uzaklaşıp daha uyarlanabilir bir planlamaya yöneliyoruz; öğrendiklerimize bağlı olarak öncelikleri üç ayda bir, hatta ayda bir ayarlıyoruz.
Katı yol haritalarından uzaklaşıp daha uyarlanabilir bir planlamaya yöneliyoruz; öğrendiklerimize bağlı olarak öncelikleri üç ayda bir, hatta ayda bir ayarlıyoruz.
Ayrıca resmî durum toplantılarının sayısını azalttık; bunların yerine eşzamansız güncellemeleri ve ilerlemeye ilişkin yapay zekâ tarafından oluşturulan özetleri kullanıyoruz. Bu sayede, zaten belgelenmiş olanları raporlamak yerine daha derin stratejik tartışmalara zaman ayırabiliyoruz.
Risk, sonunda kendinizi bir özellik veya ürün fabrikasına dönüşmüş halde bulmanızdır!
Temel teslimat ritüelleri yapay zekâyla nasıl gelişiyor?
Temel teslimat ritüellerimiz de değişiyor.
Kapsamı tanımlarken artık özellik listeleri yerine sonuç odaklı hedeflerle başlıyoruz. Bu, ekiplerin öğrendikçe daha esnek bir şekilde uyum sağlamasına olanak tanıyor.
Doğrulama konusunda, büyük ve tek seferlik sürümler yerine daha küçük kullanıcı gruplarıyla daha sürekli testler yapıyoruz. Yapay zekâ araçları, geri bildirim modellerini hızlı bir şekilde analiz etmemize yardımcı oluyor.
Uygulamayı yönetme konusunda, merkezi onay süreçleri yerine net karar alma çerçevelerine sahip (örneğin DACI) daha özerk ekiplere yöneldik. Önemli olan, riskleri veya engelleri erkenden görünür kılmak için yapay zekâyı kullanırken ekiplerin doğru kararlar alacağına güvenmektir.
Sonra bir de uyum var. Uyumun her zamankinden daha önemli olduğunu düşünüyorum. Artık çok fazla şey yapabildiğimiz için neyi ve neden geliştireceğimiz konusunda ortak bir bakış açısına sahip olmamız gerekiyor.
Bu ortak bakış açısını oluşturmak için ortak bağlama büyük yatırımlar yapıyoruz: düzenli strateji değerlendirmeleri, "neden"imizin net biçimde belgelenmesi ve herkesin başvurabileceği açık karar alma ilkeleri. Ayrıca önemli kararların tutarlı özetlerini oluşturmak ve bunları geniş çapta dağıtmak için yapay zekâ araçlarını kullanıyorum; böylece herkes aynı bilgilere erişebiliyor. Önceliklerimizi yeniden değerlendirdiğimiz ve herkesin yaptığı işin büyük resimle nasıl bağlantılı olduğunu anladığından emin olduğumuz üç aylık uyum oturumları da düzenliyoruz.
Amaç, ekiplerin genel stratejimizle hâlâ uyumlu olan bağımsız kararlar alabilmesini sağlayacak ortak bir zihinsel model oluşturmaktır.
Bence uyumun her zamankinden daha önemli olduğunu düşünüyorum. Artık çok fazla şey yapabildiğimiz için neyi ve neden inşa edeceğimiz konusunda ortak bir bakış açısına sahip olmamız gerekiyor.
Modern ürün yöneticileri için bir yapay zekâ araç seti nasıl görünüyor?
Mevcut yapay zekâ araç setim şöyle:
- ChatGPT: Genel amaçlı akıl yürütme, beyin fırtınası ve hızlı araştırma
- Claude: Ayrıntılı akıl yürütmeye ihtiyaç duyduğum karmaşık analiz ve yazma görevleri
- Gemini: Çok modlu görevler ve görseller içeren belgeleri analiz etmem gerektiğinde
- Manus: Haftalık ekip güncellemeleri oluşturmak, verileri işlemek ve tekrarlayan proje yönetimi görevlerini yürütmek gibi zahmetli iş akışlarını otomatikleştirme
- NotebookLM: Büyük belge kümelerindeki içgörüleri bir araya getirme ve sesli özetler oluşturma
- NanoBanana: Görsel sunumları ve slayt destelerini hızlıca oluşturma
- FigmaMake: Hızlı prototipleme ve tasarım üzerinde yineleme
Göreve bağlı olarak ChatGPT, Claude ve Gemini arasında geçiş yapıyorum. Her birinin farklı alanlarda güçlü yönleri var.
Claude ürün gereksinimleri konusunda diğer LLM'lerden neden daha iyi performans gösterdi?
Yakın zamanda ürün gereksinimleri belgelerini yazmaya yardımcı olmaları için beş yapay zekâ sohbet robotunu test ettim.
Ürün gereksinimleri belgelerini yazma konusunda Claude öne çıktı. Uzun belgelerde bağlamı koruma, karmaşık talimatları takip etme ve doğal okunan, iyi yapılandırılmış çıktılar üretme konusunda başarılı. Özellikle nüansları anlamakta ve diğer bazı modellerin benimsediği aşırı resmî veya genel tondan kaçınmakta oldukça iyi.
Bununla birlikte, farklı görevler için hâlâ farklı modeller kullanıyorum: Hızlı yinelemeler için ChatGPT, görsel bilgileri işlemem gerektiğinde Gemini ve derin akıl yürütme veya uzun biçimli yazım gerektiren her şey için Claude.
Manus üzerindeki etmen tabanlı iş akışları her hafta nasıl saatler kazandırıyor?
Manus'u etmen tabanlı iş akışları için birincil orkestrasyon platformum olarak kullanıyorum. Haftalık ekip güncellemeleri oluşturmak, toplantı notlarını yapılacak işlere dönüştürmek ve birden fazla kaynaktan gelen araştırmaları sentezlemek gibi çok adımlı görevleri otomatikleştirmede özellikle yararlı.
Manus’u etmen tabanlı iş akışları için birincil orkestrasyon platformum olarak kullanıyorum. Çok adımlı görevleri otomatikleştirmede özellikle yararlı.
Deneyim olumlu oldu — daha önce her hafta saatlerimi alan zahmetli koordinasyon işlerini yürütüyor. Bununla birlikte, yapay zekâ henüz %100 güvenilir olmadığı için çıktıları yine de dikkatle gözden geçirmem gerekiyor.
Ayrıca belirli iş akışları için ChatGPT'nin özel GPT'lerini ve Claude'un Projects özelliğini kullanmayı da denedim. Ancak farklı araçların birlikte çalışmasına ihtiyaç duyduğum karmaşık, çok adımlı orkestrasyonlarda en etkili çözüm Manus oldu.
NotebookLM, ürün yöneticilerinin bağlamı ve kararları sentezleme biçimini neden dönüştürüyor?
Son zamanlarda en çok dikkatimi çeken şey, yapay zekâyı onlarca kaynağı taramak için kullanarak bir müşteri segmentinin, projenin veya önceki bir kararın iç bağlamını anlama becerisinin gerçekten hayret verici olması.
Yapay zekâ öncesinde, yığınla belgeyi okumak ve onlarca bire bir görüşme yapmak için haftalar harcamanız gerekirdi. Ancak artık toplantı notlarını, strateji belgelerini ve müşteri araştırmalarını içeren onlarca belgeyi NotebookLM gibi araçlara aktararak bunlar arasındaki içgörüleri hızla sentezliyorum.
Örneğin, yeni bir ürün yönünü değerlendirirken, belirli bir sorunla ilgili önceki tüm müşteri geri bildirimlerini özetlemesini isteyebilir ve dağınık belgeleri okuyarak günler harcamak yerine saniyeler içinde tutarlı bir yanıt alabilirim. Benzer sentez çalışmaları için ChatGPT ve Claude'u da kullanıyorum; özellikle geçmiş kararların ardındaki bağlamı anlamam veya birden fazla proje arasındaki kalıpları belirlemem gerektiğinde.
Yapay zekâyla hızlanan bir dünyada strateji neden her zamankinden daha önemli olacak?
Beş yıl içinde proje yöneticiliği rolü iki farklı kariyer yoluna ayrılacak.
Yollardan biri stratejik koordinasyona odaklanacak: iş bağlamını anlamak, paydaşları aynı hedefte buluşturmak ve üst düzey ödünleşim kararları almak.
Diğeri ise yürütme, raporlama ve koordinasyonu yöneten otomatik sistemleri tasarlayan ve optimize eden bir "yapay zekâ iş akışı mühendisi" rolüne daha çok benzeyecek.
Proje yöneticiliği işinin taktiksel ve idari tarafı neredeyse tamamen otomatikleşecek.
Ekipler daha hızlı hareket edecek, ancak neyi ve neden geliştireceklerine karar vermek için gereken insani muhakeme daha da kritik hâle gelecek. Kazananlar, stratejik düşünebilen ve aynı zamanda yapay zekâ sistemlerinden etkili şekilde nasıl yararlanılacağı konusunda yetkin olan proje yöneticileri olacak.
Takip edin
Tom Leung'un yapay zekâ alanını dönüştürmeye devam edişini LinkedIn üzerinden takip edebilirsiniz. Ayrıca elbette tomleungcoaching.com adresine de göz atın!
The Digital Project Manager'da daha fazla uzman röportajı sizlerle olacak! Makalelere ve içgörülere sınırsız erişim için ücretsiz topluluğumuza katılın.
