Otonom Bir İşletme Kuran Yapay Zekâ Girişimcisi, Proje Teslimi ve Müşteri Desteği İçin Etmen Tabanlı İş Akışlarının Nasıl Oluşturulacağını Anlatıyor

Bu kısıt, proje teslimi için tesadüfi bir laboratuvara dönüştü. Sorunları çözmek için işe alım yapamadığınızda, her proje kararı varoluşsal hâle gelir: Bu, çıktımızı 10 kat artıracak mı, yoksa yalnızca ilerleme hissi veren bir faaliyet mi?

Bu acımasız filtre, eski ve her ne pahasına olursa olsun büyüme anlayışına dayalı olarak kurup ölçeklendirdiğim önceki iki girişimimde sorunların üzerine insan yığma lüksüne sahipken göremediğim kalıpları ortaya çıkardı. Şimdi, 200'den fazla şirketin Swan'ın ürünü aracılığıyla yapay zekâyı hayata geçirmesini izledikten sonra, başarısızlık kalıplarını anında fark edebiliyorum.

You should also read

• Yapay Zekâ Destekli Proje Yöneticisi ve Eğitimci, Projelerin İşleyişini Temelden Değiştiren Basit Bir Yapay Zekâ İş Akışını Paylaşıyor

• Bir Asana Uygulama Ajansında Teslimat Başkanının Kullandığı Gerçek Dünya Yapay Zekâ İş Akışları

Yapay zekâ proje teslimini planlamadan kalıp tanımaya ve karar alma hızına neden kaydırıyor?

En çarpıcı değişim, zamanımı nasıl ayırdığım konusunda yaşanıyor — bu, geleneksel proje yönetimine kıyasla neredeyse tam tersi. Ön planlama, durum toplantıları ve kimsenin okumadığı dokümantasyon gibi eskiden odağımı alan işlere çok az zaman harcıyorum. Buna birazdan daha fazla değineceğim.

Şimdi dikkatimi çekenler şunlar:

• %60 kalıp tanıma ve karar almaya gidiyor: 200'den fazla uygulamamızda gerçek zamanlı olarak neyin işe yaradığını analiz ediyorum. Aylık değerlendirmeler değil — her gün kalıpları belirleme. Hangi uygulamalarda sonuçlar katlanarak artıyor, hangilerinde duraklıyor? Darboğazlar gerçekten nerede ortaya çıkıyor, tahmin ettiğimiz yerde mi? Asıl mesele, neyi durduracağımıza ve neye daha fazla yatırım yapacağımıza hızlıca karar vermek; bunu üç aylık bir iş değerlendirmesinden yapamazsınız. Bunun için müşteri sağlığına yönelik bir Retool panomuz var ve uyarıları Slack'te gösteriyoruz. Ayrıca müşteri başına daha ayrıntılı ürün analizlerinin bulunduğu Metabase'i de kullanıyorum.
• %30 geri bildirim döngüleri tasarlamaya gidiyor: Bir yapay zekâ uygulamasının işe yarayıp yaramadığını 48 saat içinde nasıl anlarız? Hangi sinyaller yön değiştirmemiz, hangileri devam etmemiz gerektiğini söyler? Yapay zekânın senaryodan çıktığını veya bir iş akışının kriz hâline gelmeden önce sonuç vermediğini yakalamanın yolları olan "bozulma tespit sistemleri" kuruyorum. Bunun için küçük ve ölçülmesi kolay adımlarla başlayan net bir plan oluşturmak önemli. Geleneksel proje yöneticileri başarı için plan yapıyordu; ben ise başarısızlıkları anında ortaya çıkaran sistemler tasarlıyorum, böylece sorunlar küçükken düzeltebiliyoruz.
• %10 gerçek "proje lansmanına" gidiyor: Eskiden bu, aylar süren planlamanın doruk noktasıydı. Şimdi ise sıradan bir Salı. Sürekli olarak v1 sürümlerini yayımlıyor ve lansmanı planlamanın sonu değil, öğrenmenin başlangıcı olarak görüyoruz. Lansman artık başarı değil — gerçek geri bildirim almaya başlamak için verilen izin.

Yapay zekâ öncelikli bir dünyada uygulama ucuz ve hızlıdır. Darboğaz, karar alma hızıdır. Benim rolüm "mükemmel planı yapmak"tan "gerçek geri bildirimlere dayanarak hızlı kararlar almak"a kaydı. Bu nedenle zamanımın %90'ını uygulama sistemlerine değil, öğrenme sistemlerine harcıyorum.

Yapay zekâ öncelikli bir dünyada uygulama ucuz ve hızlıdır. Darboğaz, karar alma hızıdır.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Amos Bar Joseph

Swan AI CEO'su

Proje tesliminde koordinasyon maliyeti nasıl ortadan kaldırılır?

Geleneksel proje yönetiminden yalın proje yönetimine geçişimiz bir metodoloji değişikliği değildi; bizi yavaşlatan belirli ritüelleri ortadan kaldırmaktı. İşte sona erenler ve yerlerine gelenler:

Durum toplantıları (takvimin %40'ı) → Eşzamansız güncellemeler (şimdi zamanın %5'i)

• Ortadan kaldırıldı: Slayt desteleriyle yapılan haftalık proje durum toplantıları
• Yerine geldi: Bir programa göre değil, bir şey değiştiğinde yapılan kısa Slack güncellemeleri
• Neden işe yarıyor: Bilgi, takvim öyle söylediği için değil, önemli olduğu anda akıyor
• Sonuç: Kurucu başına haftada 15 saatten fazla zaman geri kazanıldı

Ayrıntılı proje planları (önceden 2-4 hafta) → Sonuç tanımları (2-4 saat)

• Ortadan kaldırıldı: Kapsamlı gereksinim belgeleri, iş akışı haritaları, risk matrisleri
• Şununla değiştirildi: İstediğimiz net sonuç ve çalıştırılacak ilk deney
• Neden işe yarıyor: Planlar hemen geçerliliğini yitirir; sonuçlar geçerliliğini korur
• Sonuç: İlk sürümleri aylar yerine günler içinde yayınlamak

Onay zincirleri → Net karar yetkileri

• Ortadan kaldırıldı: Küçük kararlar için "Bunu yönetime danış" yaklaşımı
• Şununla değiştirildi: Tanımlanmış eşikler — $X tutarının veya Y etkisinin altındaysa doğrudan yayınla
• Neden işe yarıyor: Küçük hataları önlemekten çok hız önemlidir
• Sonuç: Karardan eyleme geçiş süresi günlerden saatlere düştü

Üç aylık değerlendirmeler → Günlük geri bildirim sinyalleri

• Ortadan kaldırıldı: Planlanmış "Bu projenin nasıl gittiğine bakalım" toplantıları
• Şununla değiştirildi: Bir şeyler ters gittiğinde bizi uyaran otomatik metrikler
• Neden işe yarıyor: Sorunları 3. ayda değil, 2. günde yakalamak
• Sonuç: Sorunlar krize dönüşmeden çözüldü

Zamanımızın %60'ını işleri koordine etmeye harcamaktan, %90'ını işi yapmaya harcar hâle geldik. Bunun nedeni daha disiplinli olmamız değil, geleneksel PM'in yarattığı koordinasyon maliyetini ortadan kaldırmamız.

Yapay zekâ, daha zengin bağlam gerektirerek teslimat ritüellerini nasıl değiştiriyor?

Geleneksel düşünce, yapay zekânın insanlar arası iletişimin azalması anlamına geldiğini varsayar. Bizim gerçeğimiz ise bunun tam tersi: Ekipte yapay zekânın bulunması, daha açık bir şekilde iletişim kurduğumuz anlamına geliyor; çünkü yapay zekânın faydalı olabilmesi için bağlama ihtiyacı var.

Bu konu bizim için özellikle önemli; çünkü "bağlam maliyetini" ortadan kaldırmak için kendi ürünümüzü kullanıyoruz — yani ürünümüz, bağlamı toplamak ve geri getirmek için iletişim kanallarımız arasında entegre oluyor. Dinliyor.

Bu durum ritüellerimiz üzerinde büyük bir etki yaratıyor. Müşteri başarı projeleri buna iyi bir örnek. Bir müşteri bir sorun bildirdiğinde veya bir talepte bulunduğunda, kurucularımız birbirleri için gerekenden daha derinlemesine iletişim kuruyor — çünkü yapay zekânın bunları yakaladığını biliyoruz.

Pratikte görünümü şöyle:

Şunun yerine: "Müşteri X, Y özelliğini istiyor; yarın görüşelim"

Şunu yazıyoruz: "Müşteri X, Y özelliğini talep etti. Bağlam: Günde 200 potansiyel müşteri ölçeğinde sorun yaşıyorlar, 3 SDR'dan oluşan ekipleri bunalmış durumda ve bu özellik, işe alım yapmadan günde 500 potansiyel müşteriyi yönetmelerini sağlayacak. Bu, KOBİ ölçeklendirme ICP'mizle uyumlu. Aciliyet: yüksek — bu hafta rakipleri değerlendiriyorlar."

Daha sonra ekipteki herhangi biri — yapay zekâ dâhil — bu müşteriyle etkileşime geçtiğinde, ilgili bağlama erişimimiz oluyor.

Evet, bu her iletişim için fazladan 2-3 dakika alıyor. Ancak şu konularda saatler kazandırıyor:

• Uyum toplantıları — Yapay zekâ herkesin aynı bilgilerle ilerlemesini sağlıyor
• Bağlam toplama — Yapay zekâ durumu zaten biliyor
• Devirler — Yapay zekâ, etkileşimler arasındaki bağlamı koruyor

Yapay zekâyı, gelişmelerden haberdar olması gereken bir ekip üyesi olarak gördüğünüzde iletişim ve dokümantasyon ritüelleriniz kökten değişir — yapay zekâ yalnızca bir özellik olmaktan çıkıp gerçekten faydalı hâle de o zaman gelir.

Amos'un İpucu

Yapay zekâyı, gelişmelerden haberdar olması gereken bir ekip üyesi olarak gördüğünüzde iletişim ve dokümantasyon ritüelleriniz kökten değişir — yapay zekâ yalnızca bir özellik olmaktan çıkıp gerçekten faydalı hâle de o zaman gelir.

Başarılı bir yapay zekâ uygulaması için önce insan rollerini tanımlamak neden vazgeçilmezdir?

Yapay zekâ uygulamalarındaki başarısızlıklar neredeyse hiçbir zaman yapay zekânın yeterince yetkin olmamasından kaynaklanmaz. Başarısız olurlar; çünkü ekipler daha temel bir soruyu hiç yanıtlamamıştır: "Bu iş akışında insanlar aslında neyin sorumluluğunu üstlenmeli?"

200'den fazla uygulamamızda sürekli olarak gördüğüm model şu:

Ekipler haftalarca "Yapay zekâ bu görevi halledebilir mi?" diye sorar. Mevcut süreci haritalandırır, yapay zekânın neleri otomatikleştirebileceğini belirler, sistemi kurar ve kullanıma sunar. Yapay zekâ çalışır. Görevin %70-80'ini güvenilir bir şekilde yapabilir.

Sonra sistem dağılır. Bunun nedeni yapay zekânın bozulması değil, kalan %20-30'luk bölümde insanların ne yapması gerektiğinin kimse tarafından tanımlanmamış olmasıdır. Böylece iki durumdan biri gerçekleşir:

1. İnsanlar her şeyi mikro düzeyde yönetir. Yapay zekâya güvenmezler, bu yüzden her kararı gözden geçirir ve 20 bin dolarlık bir yapay zekâ uygulamasını fiilen pahalı bir öneri aracına dönüştürürler. Ekip, yapay zekânın ödevini kontrol etmekten tükenir.
2. İnsanlar sorumluluğu tamamen bırakır. "Bununla yapay zekâ ilgileniyor" varsayımıyla dikkat etmeyi bırakırlar. Ardından bir şey bozulur veya plan dışına çıkar ve kimse bunu, müşteri krizine dönüşene kadar fark etmez.

Bunun nedeni, yapay zekâ uygulamasına tersten yaklaşmış olmamız. "Neyi otomatikleştirebiliriz?" diye sormak yerine, "İnsan muhakemesi nerede vazgeçilmez ve bu muhakemeyi güçlendiren yapay zekâyı nasıl oluştururuz?" diye sorduk.

Bunun yerine her yapay zekâ projesine önce insan rolünü tanımlayarak başlayın. Hangi kararlar sezgi gerektiriyor? Bağlam nerede kritik? Hangi hata türleri insan gözetimi gerektiriyor? Ardından, diğer her şeyi ele alması ve insan karar verme süreci için doğru sinyalleri doğru zamanda ortaya çıkarması amacıyla yapay zekâyı oluşturun.

Geriye dönüp bakınca bu kulağa çok açık geliyor. Ancak yapay zekânın yetenekleri konusunda heyecanlandığınızda bu adımı atlamak ve insan-yapay zekâ ortaklığını en baştan tasarlamak yerine tamamen yapay zekânın neler yapabileceğine odaklanmak son derece kolaydır.

Yapay zekânın neyi otomatikleştirmesi gerektiğine karar vermek için pratik bir çerçeve

Otomasyon kararlarını iki boyut üzerinden düşünüyorum: Hatanın etkisi ve gereken muhakemenin karmaşıklığı. Bu, birazdan ele alacağım dört net kategori oluşturuyor.

Karmaşıklık veya etki arttıkça yapay zekânın rolü "sorumlu"dan "asistan"a kayar. Ancak yapay zekânın her iş akışında hangi rolü oynayacağını en baştan tanımlamalısınız — insanların yapay zekâ kararlarına güvenip güvenmemeleri veya bu kararları geçersiz kılıp kılmamaları gerektiğini bilmedikleri yayına alma sonrasına bırakmamalısınız.

Bu çerçeve, yapay zekânın teknik olarak yapabileceği şeylerle ilgili değil. Risk profili ve gereken muhakeme göz önüne alındığında yapay zekânın üstlenmesi gereken şeylerle ilgilidir.

Düşük etki + düşük karmaşıklık = tam otomasyon

Örnek 1: Veri zenginleştirme ve araştırma

• Yapay zekâ şirket bilgilerini, teknoloji yığınını ve sosyal profilleri toplar
• Bir şeyi yanlış yaparsa insanlar inceleme sırasında bunu fark eder
• Muhakeme gerekmez — yalnızca veri toplama
• Uygulama: API entegrasyonları, çıktının yapay zekâ tarafından yapılandırılması ve sınırlı insan kontrolü

Örnek 2: İlk müşteri adayı puanlama ve yönlendirme

• Yapay zekâ, tanımlanmış ICP kriterlerine göre puanlama yapar ve uygun iş akışına yönlendirir
• Yanlış yönlendirmeler belirgindir ve kolayca düzeltilir
• Mantık kodlanabilir niteliktedir (şirket büyüklüğü, sektör, davranış sinyalleri)
• Uygulama: Kurallara dayalı + yapay zekâ destekli puanlama; insan, istisnai durumları inceler

Düşük etki + yüksek karmaşıklık = yapay zekâ hazırlığı, insan kararı

Örnek: Müşteri destek yanıtları

• Yapay zekâ, geçmişteki benzer vakalara dayanarak yanıt taslakları oluşturur
• Karmaşıktır; çünkü ton, bağlam ve istisnai durumlar önem taşır
• Ancak göndermeden önce incelersek etkisi düşüktür
• Uygulama: Yapay zekâ taslak oluşturur, insan inceler/düzenler ve yapılan düzenlemelerden öğreniriz

Yüksek etki + düşük karmaşıklık = güvenlik sınırlarıyla otomasyon

Örnek: Giden mesajların gönderilmesi

• Kötü yapıldığında markanıza/pazar konumunuza zarar verebileceği için etkisi yüksektir
• Ancak nispeten düşük karmaşıklıktadır ve kalite ölçülebilir
• Uygulama: Yapay zekâ üretir, sıkı onay iş akışları uygulanır ve performans düşüşlerinde otomatik durdurma mekanizmaları devreye girer

Yüksek etki + yüksek karmaşıklık = insan sorumluluğunda

Örnek: Stratejik proje yön değişiklikleri

• Bir uygulamayı sonlandırmaya mı yoksa yatırımı artırmaya mı karar vermek
• Birden fazla bağlam arasında örüntü tanımayı gerektirir
• Kaynakların boşa harcanması veya fırsatın kaçırılması nedeniyle yanlış karar pahalıya mal olur
• Uygulama: Yapay zekâ sinyalleri ortaya çıkarır (kullanım düşüşleri, geri bildirim örüntüleri), kararı insan verir

Örnek: Karmaşık müşteri görüşmeleri

• Fiyatlandırma görüşmeleri, genişleme konuşmaları ve yenileme riskleri
• İlişki dinamiklerini, politik bağlamı ve ifade edilmemiş endişeleri anlamayı gerektirir
• Yanlış anlaşma, yeniden oluşturulması zor olan güvene zarar verir
• Uygulama: Yapay zekâ araştırma ve hazırlık yapar, görüşmenin sorumluluğunu insan üstlenir

Ajan tabanlı iş akışları 13 saatte kendi kendine öğrenen bir destek sistemini nasıl mümkün kıldı?

Otomatikleştirilmiş bir işletme oluşturma hedefiyle ajan tabanlı iş akışlarını kullanarak üstesinden geldiğimiz karmaşıklığa dair bir örnek aşağıda yer alıyor.

Kısıt: Yalnızca 3 kurucuyla çalışan ve çalışan başına 10 milyon ABD doları ARR hedefine ilerleyen bir yapı kurmak, sorunları çözmek için işe alım yapamayacağımız anlamına geliyordu. Destek talepleri haftada 200'ü aştığında, geleneksel çözüm olan — 2 müşteri başarı yöneticisi işe almak — bizim için mümkün değildi. Her talep, bir kurucunun tüm dikkatini gerektiriyordu: yanıtı araştırmak, yanıtı hazırlamak ve bir yerde belgelemek. Boğuluyorduk.

V1 (1. hafta): Bilinen soruları yanıtlamak

En temel hâliyle başladık: Notion'da daha önce belgelediğimiz yaklaşık 20 soruyu yanıtlayabilen bir Slack yapay zekâ aracısı.

• Araçlar: Swan AI, Slack, Notion
• Kurulum: 6 saat
• Sonuç: Taleplerin %15'i ele alındı
• Yeni sorun: Müşteriler "bilmiyorum" yanıtlarını almaktan rahatsızdı. Taleplerin %85'ini hâlâ manuel olarak yanıtlıyorduk.

V2 (2. hafta): Bilinmeyen soruları üst kademeye aktarmak

Bir üst kademeye aktarma yolu ekledik: Yapay zekâ müşteri görüşmesinde kalıyor, ancak bir şeyi bilmediğinde dahili olarak bize bildirim gönderiyor. Biz yanıtlıyoruz, yapay zekâ da yanıtımızı iletiyor.

• Kurulum: 3 saat
• Sonuç: %35 otonom çözüm
• Yeni sorun: Aynı yeni soruları tekrar tekrar yanıtladığımızı fark ettik. Her aktarım yapay zekâya hiçbir şey öğretmiyordu — yalnızca bir yönlendirme sistemiydi.

V3 (4. hafta): Aktarımlardan öğrenmek

Öğrenme döngüsünü oluşturduk. Artık aktarılan bir soruyu yanıtladığımızda yapay zekâ soru-cevap içeriğini otomatik olarak kaydediyor, yapılandırıyor ve bilgi tabanına ekliyor.

• Kurulum: 4 saat
• Sonuç: 2 hafta içinde %70 otonom çözüm

Bunun işe yaramasının nedeni: Her sürümün oluşturulması 6 saatten az sürdü; çünkü kusursuzluk için plan yapmıyor, belirli geri bildirimlere yanıt veriyorduk. "Kendi kendine öğrenme" özelliği başlangıçtaki planımızda yoktu. Şunu sorduğumuzda doğal olarak ortaya çıktı: "Aynı soruları neden iki kez yanıtlıyoruz?"

Şimdi haftada 200'den fazla talebi yanıtlıyoruz; bunların %70'i otonom olarak çözülüyor ve bilgi tabanımız gerçek müşteri sorularından organik biçimde büyüyor.

İşte tavsiyem: Acil sorunu ele alan en temel çözümü kullanıma sunun. Nerede bozulduğunu gözlemleyin. Bu sorunu düzeltmek için gereken en temel özelliği ekleyin. Tekrarlayın. Başlangıçta bunu hiç planlamadan gelişmiş bir kendi kendine öğrenen sisteme ulaştık.

Aracı tabanlı iş akışlarına uygun diğer alanlar

Aracı tabanlı iş akışlarını şu alanlarda da kullanıyoruz:

• İşe alıştırma: Yeni müşteri → Swan kuruluma konuşmalı bir şekilde rehberlik eder, ideal müşteri profili soruları sorar ve yanıtlara göre iş akışlarını yapılandırır
• Başarı: Kullanım örüntülerini izler → genişleme fırsatlarını veya riskleri işaretler → önerilerle birlikte kurucuların karşısına çıkarır

Geri bildirim döngüleri yapay zekâ aracınızı seçmekten neden daha önemlidir ve bunlar nasıl oluşturulur?

Herkes "Hangi yapay zekâ aracını kullanmalıyız?" diye soruyor. Yanlış soru.

Zamandan tasarruf etmemizi sağlayan en değerli şey bir araç değil — bir şey bozulduğunda 48 saat içinde bunu öğrenmemiz.

Her uygulamaya geri bildirim döngüleri ekliyoruz. Şunları izliyoruz:

• Aktarım örüntüleri: Yapay zekâ işi insanlara aktardığında, yardıma ihtiyaç duyduğunu gösterir
• Geçersiz kılma oranları: İnsanlar yapay zekâ çıktılarında değişiklik yaptığında, muhakemenin zayıf olduğunu gösterir.
• Sonuç ölçütleri: Yalnızca etkinlik değil; planlanan toplantılar, çözülen talepler vb.
• Başarısızlık tetikleyicileri: Performans düştüğünde otomatik uyarılar.

Geri bildirim döngüleri olmadan yapay zekâyı kullanıma sunar ve çalıştığını umarsınız. Çalışmadığını fark ettiğinizde — genellikle şikâyetler veya üç aylık değerlendirmeler aracılığıyla — aylarınızı boşa harcamış olursunuz.

Geri bildirim döngüleriyle sorunları günler içinde yakalar ve küçükken düzeltirsiniz.

Gerçek bir etki gördük:

• Destek yapay zekâsı: Hangi soruların daha iyi yanıtlar gerektirdiğini görerek 2 haftada %35'ten %70 otonom çözüme çıktı
• Nitelendirme yapay zekâsı: İnsanların geçersiz kılma işlemlerini izleyerek 30 günde doğrulukta %40 iyileşme sağladı

Yapay zekâ aracınızı seçmeniz, neyin bozuk olduğunu tespit etme ve hızlıca yineleme becerinizden çok daha az önemlidir. En fazla zaman kazandıran "araç", bir sorunun krize dönüşmeden önce neyin düzeltilmesi gerektiğini size bildiren sistemdir.

Otonom proje teslimatını güçlendiren yapay zekâ odaklı teknoloji yığını

Bununla birlikte, kullandığım bazı temel araçlar var:

• Claude projeleri (yapay zekâ üretkenlik aracı): Projeyle ilgili tüm belgeleri bir Claude Projesi'nde oluşturup üzerinde yinelemeler yapıyorum. Bu şekilde yapay zekânın bağlamı giderek zenginleşiyor ve her konuşmayla daha akıllı hâle geliyor.
• Shortwave (yapay zekâ iletişim araçları): İçinde, gelen kutumdaki tüm karmaşadan doğru bağlamı kolayca bulmama yardımcı olan bir yapay zekâ aracısı bulunan, yapay zekâ odaklı yeni bir e-posta istemcisi. Ayrıca harika e-postalar yazmama ve bağlam değiştirmek ya da önceki yazışmaları ararken boğulmak zorunda kalmadan paydaşları bilgilendirip sürece dâhil etmeme yardımcı oluyor.
• N8N (yapay zekâ iş akışı otomasyon yazılımı): Proje güncellemelerini doğrudan Slack'e alabilmek için Retool ve Metabase'imize bağlanan yapay zekâ aracılarını oluşturmak amacıyla bunu kullanıyorum.

Proje yönetimi neden hız yönetimine dönüşüyor?

Proje yönetiminde yapay zekâ, ayrı ayrı proje tesliminden sürekli uyarlamaya dayalı hız yönetimine evrilecek.

Yapay zekânın bir şeyler oluşturmayı ve değiştirmeyi o kadar hızlandıracağına inanıyorum ki, belirli başlangıç ve bitiş tarihleri olan projeler geçerliliğini yitirecek. Üç aylık bir proje tamamlandığında gereksinimler değişmiş, yapay zekâ yetenekleri gelişmiş ve "tamamlanmış" çözüm zaten güncelliğini yitirmiş olacak.

Bunun yerini, hızlı geri bildirim döngülerine sahip sürekli iyileştirme döngüleri alacak. "Müşteri portalını 3. çeyrekte kullanıma sun" demek yerine, "müşteri etkileşimlerini sürekli geliştir, gerçek geri bildirimlere dayanarak her gün değişiklikleri kullanıma sun" denecek.

"Hız yöneticileri" şunları optimize edecek:

• Geri bildirimden düzeltmeye geçiş hızı — teslim tarihleri değil
• Yineleme sıklığı — projenin tamamlanması değil
• Öğrenme hızı — kapsam yönetimi değil

Başarı, önceden belirlenmiş kilometre taşlarına ulaşmakla değil, sorunları ne kadar hızlı tespit edip çözümleri kullanıma sunduğunuzla tanımlanacak.

Hayatta kalacak proje yöneticileri bu beceriyi şimdiden geliştiriyor: kusurlu ilk sürümleri kullanıma sunuyor, gerçek kullanıma göre yinelemeler yapıyor ve mükemmellik yerine hıza odaklanıyor. Hâlâ Gantt çizelgelerini mükemmelleştirenler, beş yıl içinde bu işi tanıyamayacak.

Yineleme hızı neden planlamayı geride bırakıyor ve liderler yapay zekâyla nasıl daha hızlı teslimat yapabilir?

İşte tavsiyem: Uygulama mükemmelliği için değil, yineleme hızı için geliştirin.

Bırakın: Haftalar süren planlamayı, kusursuz kullanıma sunumları, tüm başarısızlıklardan kaçınmayı.

Başlayın: En az ama faydalı sürümleri birkaç gün içinde kullanıma sunmaya, önce geri bildirim döngüleri oluşturmaya ve hızlı yinelemelerden öğrenmeye.

Ve bunu pratik hâle getirin: Bir sonraki projenizin planlama aşamasını %75 kısaltın. Bu hafta, gerçekte neyin önemli olduğunu size öğretecek kusurlu bir şeyi kullanıma sunun. Başarıyı, "bu bozuldu" noktasından "işte v2" noktasına ne kadar hızlı geçtiğinizle ölçün.

Öğrenme hızı, her seferinde planlamanın derinliğini geride bırakır.

Öğrenme hızı, her seferinde planlamanın derinliğini geride bırakır.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Amos Bar Joseph

Swan AI CEO'su

Takip edin

Amos'un GTM iş akışlarını otomatikleştirme çalışmalarını LinkedIn ve Swan'ın bülteni üzerinden takip edebilirsiniz. Ayrıca Swan'a ve Amos'un dijital klonu olan Autonamos'a göz atabilirsiniz.

The Digital Project Manager'da daha fazla uzman röportajı sizleri bekliyor!