Yapay Zekâ Destekli Ürün Yöneticisi: Dr. Nancy Li Yapay Zekâ Ürünlerini Haftalar İçinde Nasıl Piyasaya Sürüyor
Dr. Nancy Li’nin yapay zekâ odaklı ürün geliştirme çerçevesini öğrenin; ürün yöneticiliği çalışmalarını nasıl otomatikleştireceğinizi, fikirleri hızla nasıl doğrulayacağınızı ve ölçülebilir değer sunan yapay zekâ ürünlerini haftalar içinde nasıl piyasaya süreceğinizi keşfedin.
Nancy Li
Ürün Direktörü, YouTube İçerik Üreticisi ve LinkedIn En Çok Okunan Sesi
Sektör Liderliği: Dr. Nancy Li, tanınmış bir ürün direktörü, YouTube içerik üreticisi ve yapay zekâ ürün yönetimi alanında LinkedIn En Çok Okunan Sesi’dir.
Yapay Zekâ Proje Yönetimi: Yapay zekâ, yalnızca belgelemeye değil, karar alma süreçlerine daha fazla odaklanarak proje teslimini dönüştürüyor.
Görevleri Otomatikleştirme: Temel ürün yönetimi görevlerinin otomatikleştirilmesi, önemli ölçüde zaman kazandırarak verimliliği ve üretkenliği artırır.
Yapay Zekâ Ürün Yaşam Döngüsü: Yapılandırılmış bir yapay zekâ ürün çerçevesi, yapay zekâ uygulamalarının gerçek değer sunmasını sağlarken piyasaya çıkışı hızlandırır.
Rollerin Geleceği: Yapay zekâ bazı rollerin yerini alabilir; ancak yetkin, yapay zekâ destekli ürün yöneticilerine duyulan ihtiyacı vurgular.
Dr. Nancy Li, ödüllü bir Ürün Direktörü, YouTube içerik üreticisi ve LinkedIn'in Öne Çıkan Sesi'dir. Ürün Yöneticisi Hızlandırma Programı'nı, iki yapay zekâ ürününü ve Yapay Zekâ Ürün Yönetimi Yoğun Eğitim Programı'nı kurmuştur; sonuncusu, 40'tan fazla gerçek dünya yapay zekâ ürününün piyasaya sürülmesinden sorumludur.
Bunu nasıl yaptığını anlamak için kendisiyle görüştük. Bize hızlı ve etkili proje teslimi için kullandığı çerçeveyi anlattı.
Ürün yöneticilerini eğitmek
Ürün Yöneticisi Hızlandırma Programı'nı kurdum; bu program, 1.500'den fazla ürün yöneticisinin FAANG şirketlerinde ve tek boynuzlu girişimlerde hayallerindeki PM işlerine girmesine ve ürün liderleri olarak terfi etmesine yardımcı oldu. Ayrıca 40 gerçek dünya yapay zekâ ürününün piyasaya sürülmesine yardımcı olan Yapay Zekâ Ürün Yönetimi Yoğun Eğitim Programı'nı da kurdum.
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
En son öğrencilerimiz için iki yapay zekâ ürünü geliştirdik: Yapay Zekâ Çalışma Arkadaşı ve Yapay Zekâ Mülakat Asistanı. Bu ürünler şu anda Ürün Yöneticisi Hızlandırma Programı öğrencileri tarafından kullanılıyor ve ürünü 2026'da harici kullanıcılara sunacağız.
Ayrıca BU'dan mühendislik alanında doktora yapan en genç kişilerden biriydim ve MIT Sloan School of Business mezunuyum. Ödüllü bir Ürün Direktörü ve YouTube içerik üreticisiyim. Forbes'ta yer aldım ve LinkedIn'in Öne Çıkan Sesi'yim.
Yapay zekâ, proje teslimini çıktılardan kararlara nasıl dönüştürüyor?
Yapay zekâ nedeniyle proje teslimi, çıktılar üretmekten kararlar almaya doğru değişiyor. Belgelendirme ve koordinasyona daha az, doğru problemleri çerçevelemeye, varsayımları doğrulamaya ve yapay zekâ destekli iş akışları tasarlamaya daha fazla zaman ayırıyoruz.
Yapay zekâ nedeniyle proje teslimi, çıktılar üretmekten kararlar almaya doğru değişiyor.
Daha hızlı, daha yinelemeli ve giderek daha fazla insanlarla yapay zekânın birlikte koordine edilmesiyle ilgili; devir süreçlerini yönetmekle değil.
CEO ve CPO olarak yapay zekânın gücünden yararlanarak ekibimi yarıya indirebildim ve çıktımı iki katına çıkarabildim.
Hangi temel PM görevleri otomatikleştirilebilir?
İşimi otomatikleştirerek ürün yönetimi görevlerinde haftada en az sekiz saat tasarruf ediyorum. Aşağıdaki görevler otomatikleştirilmelidir:
- Gereksinim oluşturma
- Prototip oluşturma
- Pazar araştırması
- Hata ayıklama
- Müşteri görüşmeleri — toplantı notlarını özetlemek ve bunları gereksinimlere dönüştürmek için Dovetail kullanıyoruz.
- Yeni projelere uyum sağlama
- Sektör haberleri gibi herhangi bir konu hakkında hızla bilgi edinme
- Mevcut teknoloji yığınlarını özetleme
- Mevcut kod tabanına dayalı sistem mimarisi diyagramları oluşturma
Ancak prototipten üretim seviyesindeki ürünlere geçmek ve sizi gerçekten öne çıkaran bir ürün stratejisi oluşturmak gibi bazı alanlarda hâlâ insan dokunuşunun gerekli olduğunu belirtmek önemlidir.
Prototipten üretim seviyesindeki ürünlere geçmek ve sizi gerçekten öne çıkaran bir ürün stratejisi oluşturmak gibi bazı alanlarda hâlâ insan dokunuşu gereklidir.
Yapay zekâ, ürün ekipleri için temel teslim ritüellerini nasıl değiştiriyor?
Tüm bunlar teslim ritüellerini etkiliyor.
Yapay zekâ, proje kapsamını tanımlama süresini %50 azaltıyor. Günümüzde müşteri geri bildirimleri toplamak ve pazar araştırması yapmak çok kolay.
Ayrıca, ekipleri uyumlu hâle getirmek hâlâ insan dokunuşu gerektirse de yapay zekâ, ekip toplantılarını özetlemeye ve bu yolla zaman kazanmaya yardımcı olabilir.
Yapay zekâ ürünleri oluşturma çerçevesi
Dediğim gibi, eğitim kampım 40'tan fazla yapay zekâ ürününün kullanıma sunulmasına yardımcı oldu. Bunu gerçekleştirmek için bir yapay zekâ hipotezi çerçevesi oluşturduk. Bu, yapay zekâ fikirlerini geliştirmeden önce doğrulamak için kullandığımız basit ve tekrarlanabilir bir sistemdir.
Bu süreç, kullanıcı hedefini, sorunlu noktayı, kısıtları ve oluşturmak istediğimiz etkiyi netleştirdiğimiz GUCCI (Hedefler ve Misyon, Karşılanmamış İhtiyaçlar, Müşteri Segmentasyonu, Rekabet ve Entegre Ekosistem) çerçevesini kullanan Problem Tanımı ile başlar.
Buradan hareketle bir Yapay Zekâ Hipotezi oluştururuz: yapay zekânın hangi girdilere ihtiyaç duyduğunu, hangi çıktıları üretmesi gerektiğini ve iş akışını nasıl iyileştireceğini açıkça ifade eden bir önerme. Bu, Veri Stratejimizi ve teknik uygulanabilirliği test etmek için hızlı bir Yapay Zekâ Kavram Kanıtı çalışmasını yönlendirir.
Daha sonra, özelliğin gerçekten gerçek bir sorunu çözüp çözmediğini doğrulamak için yapay zekâ girdilerini ve çıktılarını doğrudan müşterilerle doğrularız. Yalnızca doğrulanmış fikirler, yapay zekâ destekli kullanıcı yolculuğunun tamamını tasarladığımız Ürün MVP'sine taşınır.
MVP kullanıma sunulduğunda, Yapay Zekâ Ürün-Pazar Uyumuna ulaşıp ulaşmadığımızı ölçeriz. Ulaştıysak, genelleme stratejisi aracılığıyla ölçeklenir, kullanım alanlarını genişletir ve veri ve ürün avantajımızı güçlendirmek için gerçek kullanıcı verilerinden yararlanırız.
Bu yaşam döngüsü — GUCCI → Yapay Zekâ Hipotezi → PoC → MVP → PMF → Ölçeklendirme — yapay zekânın yalnızca gerçekten ölçülebilir değer oluşturduğu yerlerde kullanılmasını sağlarken, yapay zekâ ürünlerini yaklaşık üç ay içinde tutarlı biçimde kullanıma sunmamıza olanak tanır. Süreç hakkında daha fazla bilgiye buradan ulaşabilirsiniz.
Özellik odaklı ürün yönetimi yapay zekâ ürünü teslimatını nasıl hızlandırır?
Bunun bir diğer önemli kısmı, geleneksel proje yönetimi yöntemlerinden uzaklaşmış olmamızdır: gereksinimleri yazmak, tasarımcıların taslaklar oluşturmasını beklemek ve mühendislerin ilk prototipi oluşturmasını beklemek. Artık gereksinimleri yazmak ve prototipleri hızlıca oluşturmak için yapay zekâ araçlarını kullandığımız "özellik odaklı" bir ürün yönetimi süreci kullanıyoruz.
Artık gereksinimleri yazmak ve prototipleri hızlıca oluşturmak için yapay zekâ araçlarını kullandığımız “özellik odaklı” bir ürün yönetimi süreci kullanıyoruz.
Ürün gereksinimlerini tek satır kod yazmadan bir saat içinde prototiplere dönüştürebiliyor ve fikirleri hızla deneyebiliyoruz. Tasarımcılara ve geliştiricilere olan bağımlılıkları ortadan kaldırmak, zaman çizelgelerini kısaltıyor ve PM'lere her hafta kolayca saatler kazandırıyor.
İşte bunu nasıl yapacağınız:
- Fikirleriniz için ürün gereksinimlerine yardımcı olması amacıyla ChatGPT'ye istem gönderin
- Ürün fikirlerimizi girin
- ChatGPT daha sonra açıklayıcı sorular soracak ve ayrıntılı kullanıcı yolculuğu haritasını tasarlayacaktır
- ChatGPT'den gereksinimleri oluşturmasını isteyin.
- Bu gereksinimleri prototipi oluşturması için Google AI Studio'ya aktarın.
Senaryo öncelikli bir felsefe neden ölçülebilir değer oluşturur?
Ajanlara büyük önem veriyoruz. Aslında temel ürün yönümüz, hem işimizde hem de ürünlerimizde büyük ölçüde ajan tabanlı iş akışlarına dayanıyor. Bu, yapay zekâya yalnızca istemleri değil, sonuçların sorumluluğunu da vermek anlamına geliyor.
Dâhilde ajanlar, karmaşık iş akışlarını ölçeklenebilir, yüksek kaliteli ve tekrarlanabilir süreçlere dönüştürmemize yardımcı oluyor. Uçtan uca değerlendirme döngümüzle birlikte ajan tabanlı sistemler, teslimat kalitemizin arkasında güvenilir bir motor hâline geldi.
Örneğin müşteri verilerini alan, içgörüler oluşturan, PRD taslakları hazırlayan, tasarım varyasyonları üreten ve tasarımların prototipini oluşturan ajanlar kullanıyoruz. Ayrıca benimle genç bir ürün yöneticisi gibi fikir beyin fırtınası yapabilen bir "yapay zekâ ikinci beyni" oluşturduk.
Ürünlerimizde öğrenme topluluğumuza gerçek değer sağlayan iş akışlarına odaklanıyoruz: öğrenme asistanları, belge zekâsı ve çok adımlı akıl yürütme.
Felsefemiz basit: Yapay zekâ senaryoya hizmet etmeli ve senaryo ölçülebilir değer oluşturmalıdır.
Bize göre yapay zekâ, en yeni modelin peşinden koşmakla ilgili değildir — disiplinli mühendislik, senaryo odaklı tasarım ve her bileşeni kullanıcıya gerçekten hizmet edene kadar geliştirme ustalığıyla ilgilidir.
Bize göre yapay zekâ, en yeni modelin peşinden koşmakla ilgili değildir — mesele disiplinli mühendislik, senaryo odaklı tasarım ve her bileşeni kullanıcıya gerçekten hizmet edene kadar geliştirme ustalığıdır.
LangGraph ile aracılar nasıl daha gelişmiş hâle getirilebilir?
Bir aracı iş akışına göz atalım. Bu özel kullanım alanı genelleştirilemeyebilir, ancak bunu nasıl uyguladığımıza dair ayrıntıların gelişmiş PM tabanlı iş akışlarına yardımcı olabileceğini düşünüyorum.
Yapay Zekâ Görüşmeci Yardımcısı'nın ilk aşamalarında sistemimiz, LangChain üzerine kurulmuş, öncelikle RAG merkezli bir asistandı. Hızlı yineleme için iyi hizmet verdi ve belge işleme ile erişim kalitesi konusunda güçlü temeller oluşturmamıza yardımcı oldu; ancak asistanın işlevselliği ve karmaşıklığı arttıkça — çok adımlı akıl yürütme, yeni görev türleri, kişiselleştirme ve farklı akıl yürütme modülleri arasındaki iş birliğini desteklemeye başladıkça — salt RAG işlem hattı artık yeterli olmamaya başladı.
İlk zorluk yalnızca karmaşıklık değildi; içerik kaynakları heterojen ve sürekli değişirken güvenilir, tekrarlanabilir ve yüksek kaliteli teslimatı nasıl güvence altına alacağımız da önemliydi. Birden çok uzmanlaşmış aracının kontrollü ve yorumlanabilir bir şekilde birlikte çalıştığı aracı tabanlı RAG'i destekleyebilecek bir çerçeveye ihtiyacımız vardı.
Bu durum LangGraph'ı benimsememize yol açtı. LangGraph; akıl yürütme adımlarının denetlenebilir, açıklanabilir ve tekrarlanabilir olması gereken bir sohbet asistanı oluştururken kritik önem taşıyan belirlenimlilik, şeffaflık ve açık durum yönetimi sağlar. LangGraph'a geçiş, uzun vadeli yönümüzle de iyi örtüşüyordu: tek turlu bir soru-cevap sistemi yerine akıllı bir asistan oluşturmak.
Bu nedenle teslimat iş akışını modern yapay zekâ orkestrasyonunu kullanarak yeniden oluşturduk:
- Belirlenimci çok aracılı durum geçişleri için LangGraph
- RAG Aracısını istikrarlı hâle getirmek için gömme + erişim değerlendirme döngüleri
- Anlamsal kaymayı önlemek için meta verileri koruyan belge işleme
Artık sistemimiz bir RAG Aracısı, bir Özgeçmiş İnceleme Aracısı ve bir Bağlam Orkestrasyon Aracısından oluşan çok aracılı bir sistemdir. Bileşen düzeyinde doğruluğu (parçalama, gömme, erişim) ve sistem düzeyinde doğruluğu (nihai yanıtın uygunluğu, halüsinasyon oranı) kapsayan uçtan uca tam bir değerlendirme çerçevesi uyguladık.
Ayrıca her bileşeni sürekli olarak ayarlayıp otomatik gerileme testlerini entegre ederek sistemin her büyük sürümden önce %90'ın üzerinde doğruluk elde etmesini sağladık.
Sonuç olarak modern bir yapay zekâ sisteminin tek bir modelle tanımlanmadığına inanıyoruz. Böyle bir sistem; belge zekâsı, erişim kararlılığı, çok aracılı iş birliği, bellek yapıları ve sürekli değerlendirmeden oluşan iyi orkestre edilmiş bir bileşen ekosistemiyle tanımlanır.
Modern bir yapay zekâ sisteminin tek bir modelle tanımlanmadığına inanıyoruz. Böyle bir sistem; belge zekâsı, erişim kararlılığı, çok aracılı iş birliği, bellek yapıları ve sürekli değerlendirmeden oluşan iyi orkestre edilmiş bir bileşen ekosistemiyle tanımlanır.
Yapay zekâ destekli hata ayıklama teslimatı nasıl hızlandırır?
Yapay zekâ destekli hata ayıklama, bu başarılı uygulamanın önemli bir parçasıydı — bundan yoğun şekilde yararlandık.
Claude Code ve Cursor gibi araçlar, entegrasyon sorunlarını hızla teşhis etmemize, birim testleri oluşturmamıza ve istem davranışındaki zorlu uç durumlar üzerinde akıl yürütmemize yardımcı oluyor. Bu, özellikle mantık hatalarını veya beklenmeyen model çıktılarını düzeltirken geliştirme hızımızı önemli ölçüde artırdı.
Yapay zekâ öncelikli ürün yönetimi araç seti uygulamada nasıl görünür?
PM teknoloji araç setimiz şöyle:
- Prototip oluşturmak için Google AI Studio
- Sorunları belirlemek, uç durumlar üzerinde akıl yürütmek ve hedefli birim testleri oluşturmak için Claude Code
- Hata ayıklamak için Cursor
- PRD için ChatGPT
- Ürün yönetimi için ChatPRD
- Müşteri içgörülerinden gereksinimleri elde etmek için Dovetail
- İş birliği için Miro
Favorim Claude Code olabilir. Geleneksel hata ayıklamaya kıyasla entegrasyon sorunlarını veya mantıksal boşlukları çok daha erken fark etmemize sürekli olarak yardımcı oluyor. Ayrıca Lovable'dan önemli ölçüde daha iyi. Lovable hakkında çok fazla heyecan olsa da üretim düzeyinde, gelişmiş yapay zekâ mühendisliği için uygun değil.
Yapay zekâ proje yöneticilerinin ve ürün rollerinin yerini alacak mı?
Sonuç olarak yapay zekânın proje yöneticilerinin yerini alacağını düşünüyorum. Artık süreçleri yönetmeleri için proje yöneticilerine ihtiyacımız yok! Aslında giriş seviyesindeki birçok işin yerini yapay zekâ alacak — buna yazılım mühendisleri, tasarımcılar ve veri analistleri de dahil.
Ancak yapay zekâdan yararlanarak kararlar alabilen, ürün vizyonlarını hayata geçirmek ve etkili paydaş yönetimi sağlamak üzere işlevler arası ekipleri yönlendirebilen ve sonuçları hızlı bir şekilde elde edebilen daha fazla yapay zekâ destekli ürün yöneticisine ihtiyacımız var.
Tavsiyem mi? Mevcut yapay zekâ araçlarından nasıl yararlanacağınızı hızla öğrenmeli ve ürün teslim süreçlerini yeniden tasarlamalısınız. Ayrıca özellikle yapay zekâ ürünlerine odaklanmayı değerlendirin. Benim bakış açıma göre ya yapay zekâ ürünleri oluşturup yenilikçiliğe öncülük edersiniz ya da yeriniz alınır.
Takip edin
Dr. Nancy Li'nin yapay zekâ ürünlerini hayata geçirirken ve başkalarına da aynısını yapmayı öğretirken gerçekleştirdiği çalışmaları YouTube, LinkedIn, X, podcast'i ve PM Accelerator web sitesi üzerinden takip edebilirsiniz. Ayrıca yeni Yapay Zekâ Ürün Yönetimi Yoğun Eğitim Programı'na da göz atabilirsiniz.
The Digital Project Manager'da daha fazla uzman röportajı sizi bekliyor!
