Google’da teslimat lideri, ajan tabanlı iş akışlarının ürün yöneticiliği modellerini nasıl değiştirdiğini anlatıyor
Anshumani Ruddra, ajan tabanlı iş akışlarının teslimat ekiplerinin daha hızlı geliştirme yapmasına nasıl yardımcı olduğunu ve insan muhakemesi, doğrulama ve karar alma süreçlerini neden daha da önemli hâle getirdiğini açıklıyor.
Anshumani Ruddra
Google'da Ürün Lideri
Ajan Tabanlı Dönüşüm: Ajan tabanlı iş akışları, doğrusal devir teslimlerini ortak kod ve dokümantasyon etrafında şekillenen paralel, işlevler arası teslimatla değiştiriyor.
İnsan Muhakemesi: Yapay zekâ koordinasyonu ve taslak hazırlamayı üstlenirken liderler kalite, yaratıcılık, önceliklendirme ve güven sorumluluğunu koruyor.
Denetimle Başlayın: Ekipler, araçları seçmeden önce haftalık zaman kayıplarını denetlemeli; genel geçer benimsemelerden ve gösterişli ancak etkisiz teknoloji yığınlarından kaçınmalıdır.
Ritüeller Önemlidir: Daha hızlı yapay zekâ destekli teslimat; ürün kalitesini korumak için hâlâ net kapsam, paydaş uyumu, titiz doğrulama ve disiplinli kontrol listeleri gerektiriyor.
Liderlik Modeli: Başarılı yapay zekâ benimsemesi, liderlerin iş akışlarını değiştirmesiyle ekiplerin denemeler yapıp iyileştirmeleri kuruluş genelinde paylaşmasını bir araya getirir.
Anshumani Ruddra, Google'da ürün lideri olarak çalışıyor ve şirketin ödeme ürünleri kapsamındaki teslimat süreçlerine odaklanıyor. Aynı zamanda C-seviyesi teslimat rollerinde görev almış bir eğitimci.
Yapay zekânın Google gibi şirketlerde ürün teslimatını nasıl değiştirdiğini öğrenmek için Anshumani ile bir araya geldik. İşte söyledikleri.
Google'da ürünler oluşturmak
Ben Anshumani Ruddra. Teknoloji, hikâye anlatıcılığı, popüler kültür ve insan davranışının kesişiminde tüketici ürünleri geliştirmekle geçen 22 yılı aşkın bir deneyimim var — çocuk kitabı yazarı olarak başladım; ardından Mafia Wars ve Café World gibi küresel çapta ilgi gören sosyal oyunlarda oyun tasarımcısı olarak çalıştım ve IPL yıllarında Hotstar'ı dünyanın en büyük yayın platformlarından biri hâline getirecek şekilde ölçeklendirdim.
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
Google'da geçirdiğim son beş yılda Hindistan'da büyük başarı elde eden GPay uygulamasının ürün yönetimine liderlik ettim, Google'ın APAC bölgesindeki tüm ödeme ürünleri teklifini yönettim ve tüketicilere yönelik yapay zekâ ürünleri geliştirdim. Şu anda tamamen yeni bir ürün oluşturmak üzere uçtan uca bir yapay zekâ ürünü geliştirme çalışmasına liderlik ediyorum.
Ayrıca Maven kursum Level Up to Product Super IC aracılığıyla ürün liderlerine ve yöneticilere yapay zekâ ile nasıl ürün geliştirileceğini öğretiyorum. Aynı anda iki rol üstleniyorum — uygulayıcı ve öğretmen — ve her ikisi de ürün teslimatına yaklaşımımı şekillendiriyor: koordinasyon ve onaylardan çok, izin beklemeden içgörüden çalışan prototipe geçmek.
Yapay zekâ insanların en iyi yaptıkları şeyleri daha fazla yapmasını nasıl sağlar
Yapay zekâyı yalnızca başka ve daha iyi bir araç olarak düşünmemeye çalışıyorum. Bu çerçeveleme, konunun yalnızca verimlilikle ilgili olduğunu düşünmenize yol açar. Yapay zekâ bir çarpandır — muhtemelen yüzyılda bir görülen türden.
Teslimatın bağlantı dokusuna ayırdığım zamanı büyük ölçüde azaltmamı sağlıyor: toplantıların özetlenmesi, PRD taslaklarının hazırlanması, durum ve paydaş güncellemeleri ve ilk aşama araştırmalar. Bunların büyük bir kısmını kişisel bir "etmen tabanlı işletim sistemi" içine taşıdım ve büyük ölçüde kendi kendine çalışmasını sağladım.
Artık zamanımı haftayı tüketen %90'lık koordinasyona değil, zor ve insani olan %10'luk kısma ayırıyorum. Asıl zanaata daha fazla odaklanıyorum. Düşünmeye, muhakeme gerektiren kararlara ve prototip oluşturmaya.
Prototip oluşturmaktan söz etmişken, bu başlı başına büyük bir değişim. Artık herhangi birini görevlendirmeden önce işlevsel bir prototip oluşturarak bir vizyonu kendim doğrulayabiliyorum. Üretim yapmanın önündeki engel ortadan kalktı. Aklıma gelebiliyorsa ilk taslağını çalışır hâle getirebilirim.
Yapay zekâ ne zaman kullanılmalı, ne zaman insan gerekir
En kolay otomatikleştirilebilen işler sentez ve idari katmandadır:
- Ham toplantı ses kayıtlarını kararlara ve eylem maddelerine dönüştürmek
- İlk taslak PRD'ler ve araştırmalar oluşturmak
- Gelen sinyalleri önceliklendirmek
- Paydaş güncellemelerini yönetmek
Bunu, girdilerinizi izleyen, karar verilmesi gereken konuları öne çıkaran ve geri kalanını taslak hâline getiren kişisel etmenlerle uygulayabilirsiniz.
Müşteri içgörülerinden burada da büyük ölçüde yeterince yararlanılmıyor: Artık hangi özellikleri geliştirmeniz gerektiğini söyleyen ve ARR etkisini tahmin eden araçlar mevcut; yine de çoğu ekip geri bildirimleri Slack'ten ve destek taleplerinden elle bir araya getirmeye devam ediyor.
Ancak insanlar hâlâ “iyi”nin ne anlama geldiğini tanımlamalı. Bir lider olarak kaliteyi tanımlamak sizin görevinizdir; bu nedenle değerlendirmelerin çok önemli olduğunu düşünüyorum.
İnsanlar ayrıca zevk ve ürün muhakemesi, gerçekten yaratıcı sıfırdan bire sıçramalar ve ekipleri geliştirme, kurum içi politikaları yönetme ve zor önceliklendirme kararları alma gibi yüksek güven gerektiren insani işlerle de ilgilenmelidir.
Yapay zekâ size dart tahtasına daha fazla atış yapma fırsatı verir; ancak tahtanın nerede olduğuna yine bir insan karar vermelidir.
Teknoloji yığınları neden denetimle başlamalı
Yapay zekâ araçları harika bir video oyunu gibidir — oynaması kolay, ustalaşması son derece zordur. Baştaki baştan çıkarıcı deneyim, insanların her şeyin sorunsuz ilerleyeceğini düşünmesine neden olur; bu yüzden karmaşıklık ortaya çıktığında şaşırırlar. Birçoğu vazgeçer. Asıl beceri komut yazmak değil; ısrar etmeye ve kendi hızınızda, rahat hissettirdiğinden daha hızlı öğrenmeye istekli olmaktır.
İş yerinde teknoloji yığınım ağırlıklı olarak en yeni Gemini modellerinden oluşuyor ve etmen merkezi olarak Antigravity'yi kullanıyorum. Antigravity'nin etmen yöneticisi yeterince takdir edilmiyor. Gerçekten yenilikçi. Proje yönetimi açısından Google, dış dünyadaki Jira ve GitHub'a denk olan kendi özel araçlarını kullanıyor.
Kişisel projelerim ve öğretim faaliyetlerim için temel teknoloji yığınım şu şekilde:
- Kodlama için Claude Code. Öne çıkan araç bu. Birden fazla aracıyı paralel olarak çalıştırıyorum. Yalnızca otomatik tamamlama değil, gerçek bir asistana en yakın şey.
- Prototip oluşturmak için Replit. Önce planlama yaklaşımı ve paralel aracıları onu farklı kılıyor.
- Araştırma ve yazım için NotebookLM ile Obsidian.
- Codex ve Claude Cowork, e-posta, takvim, bulut sürücüleri ve toplantı notlarıyla entegre olarak planlanmış birçok görevi ve otomasyonu yürütüyor.
- Granola ve Wispr Flow, teknoloji yığınını tamamlıyor. Konuşmayı metne dönüştürmeyi ve girdiler için ses kullanmayı güçlü bir şekilde savunuyorum.
Son 6–12 ay içinde bu teknoloji yığını, "işleri daha hızlı taslak hâline getirmek için yapay zekâ kullanma" yaklaşımından gerçek bir kişisel aracı işletim sistemine dönüştü — mesele artık tek seferlik istemlerden çok, yinelenen iş akışlarının uçtan uca sorumluluğunu üstlenen sürekli çalışan aracılar.
Teknoloji yığını oluşturma konusundaki tavsiyem şu: En gösterişli araçla başlamayın. Haftanızı nasıl geçirdiğinizi analiz edin, en büyük zaman kayıplarınızı bulun ve bunları ortadan kaldıran belirli aracı seçin. Genel geçer benimseme stratejileri işe yaramaz.
Aracı iş akışları proje teslimini nasıl kolaylaştırır?
Bu iş akışlarını mümkün kılan ortak temele özellikle önce odaklandık; çünkü her şey orada ya bir arada durur ya da dağılır.
Artık neredeyse tüm süreçlerimiz tasarım, ürün yönetimi ve mühendislik uygulaması genelinde aracı iş akışları olarak çalışıyor. Aracı iş akışları, neyin oluşturulması gerektiğinin arkasındaki stratejiyi ve düşünme sürecini, bileşenlerin, ekranların ve yerleşimlerin tasarımını ve hem arka uç hem de ön uç kodunun nasıl bir araya geleceğini yönetiyor. Bu, ekibin tek bir köşesinde yürütülen izole bir deney değil; işin uçtan uca gerçekleştirilme biçimi bu.
Bu iş akışlarını mümkün kılan ortak temele özellikle önce odaklandık; çünkü her şey orada ya bir arada durur ya da dağılır. Uygulamada bu, tüm ekip için ortak bir altyapı, ortak bir aracı becerileri kümesi ve herkesin üzerinden çalıştığı ortak bir çerçeve oluşturmak anlamına geliyor. En önemli parça, yalnızca insanlar için değil, aracılar için de hazır olan belgeler. Belgeleriniz yalnızca insanlar için anlamlıysa aracılarınız yoldan sapar; bu nedenle aynı anda her iki kitleye yönelik yazmaya büyük yatırım yapıyoruz.
Somut olarak bu; açıkça işaretlenmiş bilgi dosyaları, PRD'ler ve mühendislik tasarım belgeleri şeklinde görünüyor. Bunları genellikle Markdown biçiminde, çok net olacak şekilde tutuyor ve hem insanlar hem de aracılar için anlamlı olacak biçimde yazıyoruz. Kritik nokta şu ki, herhangi bir şey oluşturmaya başlamadan önce tüm bu dosyaları insanlar doğruluyor. Girdilerin insanlar tarafından doğrulanması aracı iş akışını temiz tutuyor; çünkü aracılar, kendilerine yönlendirdiğiniz belgeler ve beceriler kadar iyidir.
Ayrıca çok net kontrol listeleri tutuyor ve aracıların bunlar üzerinden çalışmasını sağlıyoruz. Bir aracı, bir adımı yalnızca kontrol listesindeki koşullar gerçekten karşılandığında tamamlandı olarak işaretliyor; ancak bundan sonra bir sonraki adıma geçiyoruz. Açık belgeler, insanlar tarafından doğrulanmış girdiler, ortak beceriler ve adım adım kontrol listelerinden oluşan bu disiplin, aracı çalışmayı bir yenilik olmaktan çıkarıp güvenilir bir şeye dönüştürüyor.
Temel oluşturulduğunda sonuç gerçekten etkileyici oluyor. Zor kısım, ortak altyapıya ve aracılar için hazır belgelere önceden yatırım yapmak. Bu adımı atlayan ekipler gösterişli bir demo elde ediyor, ardından karmaşıklık arttıkça bunun dağılıp gitmesini izliyor. Gereken emeği veren ekipler ise tasarım, ürün ve mühendislik genelinde gerçekten hızlı, paralel bir uygulama elde ediyor.
Yapay zekâ geleneksel proje yönetimi modellerini nasıl değiştiriyor?
Eski usul şelale modeli artık işe yaramıyor. Geleneksel proje yönetimi amansızca doğrusal ilerliyordu: birinci adım ikinci adıma, ardından üçüncü adıma geçiyor ve disiplinler arasında katı devirler yaşanıyordu. Ürün ekibi spesifikasyonu yazıyor, tasarım ekibi maketleri oluşturuyor, mühendislik ekibi bunu geliştiriyor ve ardından tasarım ekibi son rötuşları inceliyordu — her aşama kendisinden öncekinin tamamlanmasını bekliyordu.
Bu doğrusal zincir kırıldı ve bu harika bir şey. Artık adımlar birbirinin yerine geçebiliyor; tasarım, mühendislik ve ürün arasındaki sınırlar bulanıklaştı. Örneğin tasarımcılar tasarım sistemini doğrudan kod tabanına — doğru bileşenleri, yerleşimleri ve belirli renk belirteçlerini kullanarak — zaten uyguladı. Mühendislik ekibi daha sonra tüm bir özellik akışını oluşturabiliyor ve tasarım ekibi son rötuşları tamamlamak için tüm kullanıcı arayüzü sorunlarını doğrudan kodda düzeltiyor. Artık hiç kimse Figma devrini beklemiyor. Tasarım, mühendislikle aynı ortamda çalışıyor.
Aynı bulanıklaşma yukarı akışta da gerçekleşiyor. Ürün ekibi paralel olarak çok daha fazla PRD yazabiliyor ve mühendisliğin önünü açıyor. Mühendislik ekibi, yapay zekâ her adımda ürün ekibinin onayını gerektirmeden her disiplinin daha önce bir uzmanın uzmanlığını gerektiren işleri üretmesini sağladığı için, derin ve ayrıntılı mühendislik tasarım belgeleri oluşturabiliyor.
Ekip üyeleri artık işin farklı bölümlerini yapabiliyor. Böylece her devir tesliminde batonların düşürüldüğü doğrusal bir bayrak yarışı yerine, herkesin işin önünü açmak için komşu alanlara geçebildiği, küçük ve yüksek inisiyatifli bir ekip ortaya çıkıyor.
Pratikte bu, ağır süreçler yerine hafif sistemler anlamına geliyor: daha az durum toplantısı ve onay kapısı, daha fazla çalışan prototip. PRD'ler ve mühendislik tasarım belgeleri hızla oluşturuluyor ve donmuş spesifikasyonlar yerine yaşayan çıktılar olarak ele alınıyor. Tasarım sisteminin yerleşik olduğu ortak bir kod tabanı, ürün, tasarım ve mühendislik ekiplerinin buluştuğu tek doğru kaynağı olarak hizmet ediyor.
Sonuç, hızdır — ekipler vizyonu koordinasyonla değil, üreterek doğrular ve daha önce birkaç devir teslim döngüsü gerektiren incelikleri zamanın çok daha küçük bir bölümünde hayata geçirir.
Yapay zekâ neden proje ritüellerine duyulan ihtiyacı ortadan kaldıramaz?
Her zamanki ritüellerin tümü hâlâ varlığını sürdürüyor ve bunların birçoğu yapay zekâyla birlikte azalmak yerine daha da önemli hâle geliyor. İnsanlar, daha hızlı üretimin daha gevşek bir disiplin anlamına geldiğini yanlışlıkla varsayıyor. Gerçek ise bunun tam tersi.
Kapsamı tanımlamak her zamanki kadar kritik. Bir ekibin hâlâ neyi inşa etmeye çalıştığına dair kristal berraklığında bir tanıma ihtiyacı var. Değişen şey, bu kapsam dâhilinde nelerin mümkün hâle geldiği. Bir ekip yapay zekâyla verimli bir şekilde üretim yaptığında, daha önce düşük öncelikli olan veya sonsuza dek iş listesinde takılı kalan birçok şey artık önceliklendirilebilir ve kullanıma sunulabilir. Böylece öncekinden daha anlamlı ve daha eksiksiz bir ürün geliştirebilirsiniz. Kapsamın iddiası büyüyebilir, ancak onu açıkça tanımlama ihtiyacı devam eder.
Ekiplerin hâlâ eksiksiz bir uyuma ihtiyacı var. Paydaşlar da hâlâ uyum gerektiriyor. Birden fazla ekip arasında çalışırken hem kendi ekibiniz içinde hem de bu ekipler arasında bilinçli olarak uyum sağlamanız gerekiyor. Yapay zekâ insanlar arasında sizin için uyum sağlamaz.
Çalışmayı doğrulamak daha da önemli. Büyük bir şirkette ürün geliştirirken ürünleriniz yalnızca onlarca veya yüzlerce kullanıcıya değil, milyonlarca kullanıcıya ulaşır. Ürünlerin hâlâ mükemmel olması, çok iyi çalışması ve bu ölçekte performans göstermesi gerekir. Yapay zekânın daha hızlı üretmenize yardımcı olması bu çıtayı düşürmez. Bu nedenle doğrulama vazgeçilmez olmaya devam eder.
Değişen şey, sürecin artık eskisi kadar zor ve yavaş olmaması. Ritüellerin kendisi — net kapsam, gerçek uyum ve titiz doğrulama — geçerliliğini koruyor ve hatta önem kazanıyor. Geleneksel olarak daha hızlı uygulamayı engelleyen süreçleri yeniden düşünmemiz gerekiyor. Yapay zekâ, özlerini korurken bu ritüellerin etrafındaki resmiyeti ve sürtüşmeyi azaltmanıza olanak tanıyor.
Yapay zekâ öncelikli kuruluşlarda muhakeme neden daha da önemli hâle gelecek?
Yakın vadede daha fazla teknoloji şirketi, uçtan uca ürün geliştirme ve teslimatında yapay zekâyı benimseyecek. Ancak daha cesur öngörü, onun bundan sonra nereye yayılacağıyla ilgili. Yapay zekâ teknolojiyle sınırlı kalmayacak. Büyük işletmelere, ardından teknoloji dışındaki şirketlere ve sonunda geleneksel işletmelere yayılacak.
Bu kazanımlar bireylerden küçük ekiplere ve tüm kuruluşlara taşındığında, dinamoyu andıran etki ekipleri ve iş akışlarını büyük ölçüde yeniden şekillendirecek. Teslimat ekiplerinin nasıl oluşturulduğu ve işlerin bu ekipler arasında nasıl ilerlediğine ilişkin yapı, bugünkünden çok farklı görünecek.
Ancak iyi karar vermenin önemi ortadan kalkmayacak; aksine, artık çok daha sık karar verdiğiniz için daha da önemli hâle gelecek. Genel teslimat yavaşken, belki birkaç haftada veya ayda bir olmak üzere yalnızca birkaç temel karar veriyordunuz. Artık günde birden çok kez, bazen saatte birden çok kez yüksek kaliteli kararlar vermeniz gerekiyor.
Yapay zekâ odaklı geliştirme hem yukarıdan aşağıya hem de aşağıdan yukarıya benimsenmelidir.
Bu nedenle odak, insanların karar vermesine kaymalı. Her uzmanlık alanının, her kararı daha net ve daha hızlı değerlendirmeyi sağlayacak açık bir bakış açıları kümesi tanımlaması gerekecek. Aynı derecede önemli olan bir başka nokta da bu kararların kaydedilmesi; böylece aracılar onları anlayabilir ve gerektiğinde geri dönüp başvurabilir.
Kazanan ekipler, yüksek kaliteli ve iyi belgelenmiş insan yargısını kıt bir kaynak olarak görecek; çünkü yapay zekâ bunu hem daha sık hem de daha değerli hâle getiriyor.
Teslimat liderleri neden yapay zekâyı benimsemeli ve denemeyi teşvik etmeli?
Buradaki kritik üst düzey nokta, yapay zekâ odaklı geliştirmenin hem yukarıdan aşağıya hem de aşağıdan yukarıya benimsenmesi gerektiğidir. Bu, iki seçenekten yalnızca biri olamaz.
Yukarıdan aşağıya olan kısım, liderliğin desteğini gerektirir. Üst düzey liderlik bu süreci desteklemez, denemeler yapmaz ve kendi iş akışlarını ve teslimat sistemlerini değiştirmeye çalışmazsa kuruluşun yapay zekâyı anlamlı bir şekilde benimsemesi çok zor olacaktır. Kişisel olarak yaşamadığınız bir dönüşümü zorunlu kılamazsınız. Yapay zekâ konusunu kendi çalışma biçimlerini değiştirmeden bir görev gücüne devreden liderler, bunun isteğe bağlı olduğu yönünde açık bir sinyal gönderir ve kuruluş da bu sinyali doğru şekilde okur. Bu nedenle, diğer teslimat liderlerine ilk tavsiyem, başkalarından kendi iş akışlarını değiştirmelerini istemeden önce kendi iş akışlarınızı değiştirmenizdir.
Aşağıdan yukarıya olan kısım da aynı derecede önemlidir. Yeni çalışanlar ve bireysel ekipler deneme yapma, yerleşik kabullere meydan okuma ve mevcut iş akışlarını sorgulama özgürlüğüne sahip olmalıdır. Bir şeyleri denemek, teslimatın her zaman nasıl yapıldığını sorgulamak ve ardından öğrendiklerini liderliğin dikkatine sunmak için alana ihtiyaçları vardır. Bu kanal mevcut değilse, insanlar bu özgürlükten yoksunsa ve bulguları yukarıya ulaşmıyorsa, liderliğin bulunmadığı durumda olduğu gibi bütün yapı kesinlikle çöker.
Bir teslimat liderinin şu anda yapabileceği en yararlı şey, her iki ucu da aynı anda yönetmektir. Kendi teslimat sistemlerinizi görünür biçimde yeniden düşünerek önden liderlik edin ve aynı zamanda ekiplerinizin özgürce denemeler yapıp işe yarayanları size aktarması için uygun koşulları oluşturun. Bunun hem yukarıdan aşağıya hem de aşağıdan yukarıya olması gerekir.
Yalnızca bir uç sürece dâhil olduğunda benimseme duraklar. Her ikisi de dâhil olduğunda değişim yerleşir.
Takip edin
Anshumani Ruddra'nın çalışmalarını LinkedIn üzerinden takip edebilirsiniz. Ayrıca bloguna ve kurslarına göz atabilirsiniz.
The Digital Project Manager'da daha fazla uzman röportajı sizi bekliyor!
