AI Product Leadership – notatki z rozmowy z Julie Zhu #EN265

TL;DR

• Tradycyjne role produktowe się zacierają – podziały na designerów, PM-ów i inżynierów ustępują miejsca uniwersalnym „builderom”
• Product taste staje się kluczowym różnicownikiem – gdy AI wykonuje coraz więcej zadań, umiejętność rozróżniania wyjątkowej pracy od przeciętnej decyduje o sukcesie
• Podstawowe dźwignie zarządzania pozostają niezmienne – people, process i purpose to fundamenty przywództwa niezależnie od rozwoju technologii
• Systematyczne eksperymentowanie zastępuje sprawdzone playbooki – liderzy muszą aktywnie testować nowe narzędzia i metody pracy
• Zaufanie buduje się przez akceptację trudnej rzeczywistości – najskuteczniejsi managerowie nie karają za przynoszenie nieprzyjemnych informacji
• Głęboka analityka biznesowa determinuje przewagę konkurencyjną – najlepsze firmy jak OpenAI wykazują fanatyczne podejście do zrozumienia danych

Koniec tradycyjnych ról produktowych

Julie Zhu obserwuje fundamentalną przemianę w sposobie tworzenia produktów. Dotychczasowy model zespołów składających się z reprezentantów różnych dyscyplin – designera, inżyniera, product managera, analityka – przestaje być konieczny. Porównuje tę strukturę do serialu Captain Planet z lat 80., gdzie każdy bohater reprezentował inny żywioł, jednak dopiero razem tworzyli superbohatera.

Według rozmówczyni, sztuczna inteligencja umożliwia pojedynczym osobom wykonywanie zadań wymagających wcześniej całych zespołów. AI przejmuje pracę manualną niższego poziomu, jednocześnie wspierając ideację wyższego poziomu. Przy obecnym tempie rozwoju, jedna, dwie lub trzy osoby mogą rozwijać kompletne produkty end-to-end.

Ta zmiana wymusza redefinicję kariery w branży technologicznej. Zamiast postrzegania siebie jako „product manager” czy „designer”, Zhu proponuje myślenie w kategoriach konkretnych umiejętności i przyjęcie tożsamości „buildera”.

Rozwój product sense w erze AI

W sytuacji, gdy AI osiąga poziom 70–80% skuteczności w większości zadań – często przewyższając przeciętne wykonanie – kluczową kompetencją staje się rozpoznawanie różnicy między pracą wyjątkową a przeciętną.

Julie Zhu przedstawia konkretną metodologię rozwijania product taste:

Identyfikacja najlepszych ekspertów w dziedzinie – stosowanie rekurencyjnych zapytań: jeden ekspert wskazuje 10 najlepszych specjalistów w branży, następnie każdy z nich podaje swoją listę top 10. W rezultacie ujawniają się wzorce i powtarzające się nazwiska.

Dogłębne studium ich dorobku – analiza wszystkich dostępnych prac, badanie sposobu myślenia i światopoglądu. Cel to zrozumienie, jak postrzegają oni świat i jak definiują doskonałość w swojej dziedzinie.

Prezentacja własnej pracy do oceny – w przypadku działania w danej dziedzinie, przygotowanie modelu mentalnego doskonałości i prośba o konstruktywną krytykę.

Zhu stosuje tę metodę nie tylko w designie, ale także w marketingu i innych obszarach, gdzie czuje się początkującą. Kluczem pozostaje aktywne poszukiwanie najlepszych ekspertów i systematyczne uczenie się od nich.

Niezmienne fundamenty zarządzania

Mimo rewolucji technologicznej, podstawowe zasady zarządzania pozostają stałe. Julie Zhu identyfikuje trzy główne dźwignie przywództwa:

People (Ludzie) – odpowiedni dobór personelu, umiejętność rekrutacji, wyznaczania oczekiwań, definiowania ról i granic. Obejmuje także zarządzanie wydajnością, włącznie z podejmowaniem trudnych decyzji kadrowych.

Process (Proces) – mechanizmy współpracy między ludźmi, procedury rozwiązywania konfliktów między kompetentnimi osobami, normy dotyczące podejmowania decyzji i standardy współpracy.

Purpose (Cel) – jasno zdefiniowana wizja i zgodność zespołu co do wspólnych celów i priorytetów.

Rozmówczyni zauważa, że AI agentów można traktować jak dodatkowych członków zespołu – nadal konieczny jest wybór odpowiednich „osób” (modeli), ustanowienie procesów (prompt engineering) i zdefiniowanie jasnych celów.

Kalibrowanie oczekiwań jako kluczowa umiejętność

Julie Zhu przywiązuje szczególną wagę do wyrównywania modeli mentalnych między członkami zespołu. Jej preferowane pytania do nowych managerów po kilku miesiącach pracy to: „Co okazało się trudniejsze niż oczekiwałeś?” oraz „Co było łatwiejsze niż przewidywałeś?”

Według rozmówczyni, znaczna część problemów w zarządzaniu wynika z niewyrównanych oczekiwań. Ludzie często projektują na innych swoje doświadczenia, zakładając jednakowe postrzeganie sytuacji. Skuteczni liderzy systematycznie testują swoje rozumienie rzeczywistości – jeśli uważają, że projekt rozwija się pomyślnie, weryfikują tę ocenę z innymi. Podobnie, gdy oceniają czyjeś wystąpienie jako doskonałe, sprawdzają, czy zespół podziela tę opinię.

Proces kalibracji działa dwukierunkowo. Podczas rekrutacji Zhu dokładnie opisuje rzeczywiste warunki pracy w jej firmie, ponieważ fałszywy obraz prowadzi do rozczarowania po kilku miesiącach współpracy.

Budowanie zaufania przez akceptację rzeczywistości

Zdaniem rozmówczyni, zaufanie w zespole buduje się przez gotowość zmierzenia się z faktami – tym, co rzeczywiście dzieje się w organizacji. Często oznacza to przyjęcie problemów do wiadomości: klienci nie są zadowoleni z produktu, zespół nie współpracuje efektywnie, terminy nie będą dotrzymane.

Najważniejsze zachowania lidera budującego zaufanie obejmują nieukaranie posłańców nieprzyjemnych wiadomości, skupienie na działaniu zamiast na szukaniu winnych oraz angażowanie zespołu w rozwiązywanie problemów. Gdy ktoś zgłasza problem, skuteczny lider dziękuje za pomoc w zrozumieniu sytuacji i koncentruje się na systemowym rozwiązaniu.

Sprawdzony skrypt do rozmów o feedbacku

Zhu opracowała konkretną strukturę trudnych rozmów: „Gdy [konkretny fakt], poczułem [emocja], ponieważ założyłem [założenie]. Chcę o tym porozmawiać, żebyśmy mogli zrozumieć nawzajem swoje perspektywy i poprawić naszą współpracę.”

Kluczem jest szczere troska o drugą osobę, a nie próba wyładowania frustracji. Feedback to „trzymanie lustra” dla rozmówcy – pomaganie mu dostrzeżenia czegoś, czego może nie zauważać, by mógł stać się osobą, którą pragnie być.

Pułapki przejścia z roli indywidualnego współpracownika

Poza trudnościami z porzuceniem pracy wykonawczej, Zhu identyfikuje fundamentalną zmianę myślenia. Nowi managerowie często nadal koncentrują się na pojedynczych problemach zamiast na systemach. Widząc nieprawidłowy kod, ich instynkt każe go poprawić. Takie podejście jednak nie jest skalowalne – należy raczej pytać, dlaczego zespół tworzy nieprawidłowy kod i naprawiać procesy, przeglądy kodu czy procedury rekrutacyjne.

Manager musi ewoluować od mentalności „naprawię ten konkretny problem” do „naprawię system generujący takie problemy.”

Praktyczne narzędzia AI w codziennej pracy

Julie Zhu eksperymentuje z szerokim spektrum narzędzi AI, podkreślając znaczenie aktywnego zastępowania starych nawyków pracy nowymi rozwiązaniami.

Podstawowe narzędzia w jej procesie pracy:

• ChatGPT – analiza koncepcji, identyfikacja luk w rozumowaniu, analiza korespondencji email
• Cursor i Lovable – prototypowanie i tworzenie produktów
• Granola – automatyczne notatki ze spotkań
• Claude Code – zadania programistyczne
• Sundial – analiza danych (własne narzędzie)

Nietypowe zastosowania obejmują Limitless pendant – urządzenie analizujące domowe rozmowy, które dostarcza jej feedback na temat stylu rodzicielstwa, wskazując momenty, gdy przerywa dzieciom lub nadmiernie kieruje rozmową.

Istotą jest systematyczne eksperymentowanie z różnymi narzędziami dla identycznych zadań, by poznać mocne i słabe strony każdego rozwiązania. Zhu testuje alternatywne opcje nawet posiadając sprawdzone narzędzie, aby pogłębiać wiedzę o możliwościach AI.

Obserwacje z pracy z zespołem OpenAI

Współpracując z analitykami i product leaderami z OpenAI, Zhu zidentyfikowała charakterystyczne wzorce najlepszych zespołów AI:

Intensywność i obsesyjność pracy. Analitycy badają dashboardy siedem dni w tygodniu. W tak konkurencyjnym okresie standardem jest ciągła praca. Gdy jakakolwiek metryka się zmienia, zespół fanatycznie dąży do zrozumienia przyczyn, poszukując wzorców w zachowaniach użytkowników.

Rygorystyczne przeglądy metryk. Cotygodniowe spotkania kierownictwa wokół KPI realizują trzy cele: tworzenie alignment (wspólne rozumienie sytuacji), accountability (indywidualna odpowiedzialność za obszary) oraz budowanie wspólnego języka, który można przekazywać całym zespołom.

Najlepsze firmy traktują analitykę jak observability dla biznesu – im bardziej wyrafinowany model monitorowania, tym szybciej można identyfikować problemy i rozumieć rzeczywiste wzorce w produkcie.

Przywództwo w okresie niepewności

Julie Zhu porównuje pożądane cechy lidera do wierzby – silnej, lecz elastycznej. W czasach wielkiej niepewności ludzie słusznie martwią się o przyszłość swoich zawodów.

Skuteczny lider AI musi uznawać niepewność bez popadania w paraliżujący strach, tworzyć nową narrację o tym, jak zmiany mogą wspierać cele organizacji, oraz systematycznie eksperymentować. Nikt nie posiada gotowego playbooka – konieczne jest testowanie nowych sposobów komponowania zespołów, zbieranie wniosków i iterowanie.

Nieświadome modele mentalne w organizacjach

Zhu dzieli się obserwacją z niedawnego hackathonu w swojej firmie. Zespół wytworzył znacznie więcej imponujących rozwiązań wykorzystujących AI niż podczas standardowej pracy. Ludzie czuli się bardziej uprawnieni do eksperymentowania i tworzenia niż w rutynowych obowiązkach.

Zaskoczyło ją to, ponieważ sądziła, że jej firma już zapewnia wszystkim swobodę w generowaniu pomysłów i ich realizacji. Okazało się jednak, że ludzie nieświadomie posiadają różne modele mentalne dotyczące tego, co można robić „w pracy” a „na hackathonie.” Taka niewidoczna różnica w postrzeganiu może hamować innowacje bez świadomości lidera.

Kluczowym elementem jest bycie wzorem w adopcji AI. Liderzy muszą pierwsi modyfikować swoje nawyki pracy i demonstrować, jak wykorzystywać nowe narzędzia. Nie można oczekiwać od zespołu tego, czego się samemu nie praktykuje.

Przyszłość product taste i ludzkiej kreatywności

Zhu przewiduje, że AI ostatecznie przewyższy ludzki taste w większości dziedzin, podobnie jak komputery pokonały ludzi w szachach. To jednak nie oznacza kresu ludzkiej kreatywności.

Szachy nie zniknęły, gdy AI zaczął wygrywać z mistrzami – przeciwnie, stały się bardziej popularne. Ludzka radość z doskonalenia się, rywalizacji i tworzenia rzeczy, którymi można się szczycić, pozostanie niezmienna. Istotne jest skupienie się na procesie uczenia i rozwoju, a nie wyłącznie na byciu najlepszym na świecie w danej umiejętności.

Przewodnik praktyczny dla AI product leaderów

Na podstawie spostrzeżeń Julie Zhu, kluczowe działania obejmują:

Redefinicja roli: Myślenie o sobie w kategoriach umiejętności, nie tytułu. Identyfikacja 2–3 obszarów przewagi nad AI i ich aktywny rozwój.

Systematyczne eksperymentowanie: Audit codziennych zadań i zastąpienie co najmniej jednego starego nawyku nowym workflow wykorzystującym AI. Testowanie różnych narzędzi dla podobnych funkcji.

Rozwijanie taste: Lokalizacja najlepszych ekspertów w kluczowych obszarach. Studium ich pracy i prośba o feedback na własne projekty.

Systemowe podejście: Koncentracja na rozwiązywaniu problemów systemowych zamiast pojedynczych przypadków. Budowanie zaufania przez akceptację rzeczywistości i docenianie trudnych informacji.

Kluczowy insight

Hackathon kontra normalna praca

Standardowo zakładamy: Ludzie w organizacjach wykorzystują swój potencjał w stopniu, na jaki pozwalają procesy i kultura firmy.

W praktyce okazuje się, że: Nawet w najbardziej otwartych firmach ludzie nieświadomie ograniczają się w „standardowej” pracy, natomiast uwalniają pełen potencjał w „specjalnych” sytuacjach jak hackathony.

Dlaczego ma to znaczenie: Julie Zhu zauważyła, że podczas hackathonu w jej firmie zespół wytworzył znacznie więcej imponujących rozwiązań AI niż w codziennej pracy. Zaskoczyło ją to, gdyż uważała, że jej organizacja już zapewnia pełną swobodę eksperymentowania. Okazało się, że ludzie posiadają nieświadome modele mentalne różnicujące „pracę” od „hackathonu” – większość firm ma ukryty potencjał kreatywny, którego nie wykorzystuje.

Test na jutro: Następnym razem, gdy masz nowy projekt, zamiast przydzielać go w ramach „standardowej pracy”, spróbuj przedstawić go jako „eksperyment” lub „sprint” i obserwuj różnicę w rezultatach.

Ten artykuł stanowi część kolekcji notatek z wartościowych podcastów, webinarów i innych treści. Oryginalne źródło dostępne tutaj: https://www.youtube.com/watch?v=1UAwtKjgO9Y