AI potrafi przygotować analizę rynku, porównać konkurentów, opisać trendy i stworzyć pierwszą wersję wymagań produktowych, robi to szybko i tanio. Jeżeli duża część pracy Product Managera polegała dotąd na zbieraniu informacji i przekazywaniu ich dalej, pojawia się dość niewygodne pytanie: Po co firmie Product Manager?
Jeszcze kilka lat temu lista konkurencyjnych produktów, porównanie ich parametrów, pozycjonowania i ocena rynku mogły zająć kilka tygodni. Trzeba było znaleźć źródła, porozmawiać z ludźmi, zebrać dane, a później złożyć wszystko w prezentację, już samo dotarcie do informacji dawało więc pewną przewagę. Dzisiaj pierwszy materiał powstaje w kilka minut, często wygląda dobrze, ma nagłówki, liczby, wnioski i rekomendacje. Problem zaczyna się wtedy, gdy ktoś próbuje na jego podstawie wydać kilka milionów złotych.
Raport z analizy nie jest już przewagą
AI mocno obniżyła koszt dostępu do ogólnych informacji, dlatego raporty branżowe, opisy technologii, dane o konkurentach i ich wstępne porównania są łatwiejsze do zdobycia niż wcześniej. Nie znaczy to, że wszystkie dane stały się tanie i powszechne. Model może przygotować dane, na papierze wygląda to nieźle, tyle że część informacji może być nieaktualna, pomylona albo zwyczajnie wymyślona, a z pewnością nawet jeśli dane są poprawne to na pewno będą również dostępne dla konkurencji.
Znacznie ciekawsze są dane, których nie ma w internecie: historia reklamacji, rzeczywiste koszty obsługi posprzedażowej, wyniki kolejnych testów, wiedza o dostawcach, doświadczenia ze zmianami materiałowymi, uwagi handlowców i rozmowy z klientami. Konkurencja nie zdobędzie ich lepszym promptem. Ogólne informacje tanieją, ale dobra, własna informacja staje się przez to jeszcze bardziej użyteczna.
Duża część pracy Product Managera też tanieje: analiza konkurencji, streszczenie badania, opis persony, pierwsza wersja wymagań, uporządkowanie notatek z wywiadów czy prezentacja na komitet produktowy, czyli zadania, które w wielu firmach pochłaniają większą część jego tygodnia. Sporą część z nich można wykonać w kilkanaście minut, podobnie jest z narzędziami i frameworkami. Model bez problemu opisze Value Proposition, przygotuje macierz priorytetów, zaproponuje roadmapę i stworzy pytania do wywiadu. Znajomość tych metod nadal się przydaje, ale przestaje być przewagą, to po prostu warsztat.
Najbardziej zagrożony nie jest więc Product Manager, który korzysta z AI, lecz ten, który działa głównie jako sprawny przekaźnik między rynkiem, zarządem, marketingiem i R&D, przenosi informacje, pilnuje spotkań, poprawia slajdy i aktualizuje statusy. Ta praca nie zniknie całkowicie, lecz coraz trudniej będzie uzasadnić nią osobne, dobrze opłacane stanowisko.
Na szczęście ktoś nadal musi zdecydować, model potrafi zaproponować kilka wariantów rozwoju produktu, jednak nie ponosi konsekwencji wyboru żadnego z nich. Ktoś musi zdecydować, który segment ma pierwszeństwo, jaki problem klienta uzasadnia inwestycję, z czego zrezygnować, na jaki poziom ceny można sobie pozwolić i czy opóźnić premierę z powodu ryzyka jakościowego. Sprzedaż chce szerokiej oferty, produkcja wolałaby mniej wariantów, marketing potrzebuje wyraźnego wyróżnika, a klient też nie zawsze potrafi powiedzieć, za co naprawdę zapłaci.
Moim zdaniem właśnie w tym kierunku przesuwa się Product Management, mniej czasu będzie potrzebne na przygotowanie materiału, a więcej odpowiedzialności pojawi się przy podejmowaniu decyzji. Osąd nie oznacza działania na wyczucie. Product Manager powinien wskazać koncepcję, nazwać założenia, policzyć koszty poszczególnych możliwości i doprowadzić organizację do wyboru, a następnie sprawdzić, co z tego wyboru wynikło. Czasem musi także przyznać, że decyzja była błędna i zmienić kierunek, zanim zrobi się naprawdę drogo.
Znajomość branży znów ma znaczenie
Przez lata popularna była wizja Product Managera, który dzięki znajomości procesu, klienta i kilku metod może swobodnie przechodzić między produktami i branżami. Choć ta koncepcja zawsze była trochę naciągana, AI pokazuje to jeszcze wyraźniej. Ogólny warsztat produktowy model potrafi dziś podpowiedzieć każdemu. Trudniej zastąpić wiedzę o tym, jak sieć handlowa rozlicza reklamację, która zmiana materiału wymaga nowego oprzyrządowania, kiedy dostawca deklaruje możliwości, których w rzeczywistości nie ma, albo dlaczego dwa podobne produkty osiągają zupełnie inną marżę.
W produktach fizycznych dobra decyzja powstaje na styku potrzeb klienta, technologii, wzornictwa, produkcji, logistyki, kanału sprzedaży i finansów, dlatego bez znajomości branży można przygotować bardzo poprawną analizę, a mimo to dojść do kompletnie złego wniosku. Nie oznacza to, że Product Manager musi do końca życia pracować w jednym sektorze, zmiana branży nadal jest możliwa, trzeba jednak uczciwie przyjąć, że wiedza branżowa ma wartość i nie da się jej nadrobić weekendowym kursem ani tygodniowym onboardingiem.
AI przyspiesza pracę, ale nie poprawia automatycznie jakości decyzji, dlatego Product Manager będzie musiał lepiej rozumieć wielkość rynku, cenę, marżę, koszt wytworzenia, kanały sprzedaży, poziom zapasów i wpływ nowego produktu na pozostałą część portfolio. W firmach oferujących produkty fizyczne zbliży to do siebie Product Management, Product Marketing, R&D i zarządzanie portfolio, bo choć nazwy działów zapewne zostaną, granice ich odpowiedzialności będą coraz mniej wyraźne. Z doświadczenia wiem, że im więcej rónoległych struktur i silosowych działów, tym więcej walki o własne poletko często napędzanej ego, a mniej synergii, dlatego część firm zacznie łączyć te funkcje albo poszerzać odpowiedzialność Product Managerów.
Mniej ludzi od koordynacji
Product Manager będzie musiał być w stanie szybciej przygotować analizę, prosty prototyp, eksperyment oraz materiały potrzebne do podjęcia decyzji, zapewne jego odpowiedzialność obejmie większy fragment portfolio i będzie pracował bliżej zarządu, sprzedaży, technologii oraz klientów. Mniej osób będzie potrzebnych do samej koordynacji i raportowania.
Pojawia się przy tym problem, o którym mówi się rzadziej. Jeśli AI przejmie prostsze zadania, na których uczyli się początkujący Product Managerowie, firmy będą musiały inaczej budować ich doświadczenie, ponieważ osądu nie da się nauczyć wyłącznie na kursie. Powstaje on przez udział w prawdziwych decyzjach, obserwowanie ich skutków i analizowanie błędów z kimś, kto popełnił ich już wystarczająco dużo.
Coraz ważniejszym zadaniem Product Managementu będzie połączenie sygnałów rynkowych z decyzjami i ich późniejszymi rezultatami. Firma powinna wiedzieć, dlaczego wybrała określony kierunek, jakie przyjęła założenia i co wydarzyło się po wdrożeniu. Nie rozwiąże tego kolejny dashboard, potrzebna jest pamięć produktowa organizacji obejmująca badania, reklamacje, wyniki sprzedaży, doświadczenia projektowe oraz wiedzę ludzi pracujących z klientami i dostawcami. Dopiero taki materiał daje modelowi kontekst, którego nie ma konkurencja.
Samo sprawne korzystanie z AI szybko stanie się comodity, tak jak obsługa arkusza kalkulacyjnego nie zapewnia dziś przewagi, tak nie zapewni jej również umiejętność napisania dobrego promptu.
Większą wartość będzie miał Product Manager, który potrafi zauważyć brakujące dane, zakwestionować efektowną odpowiedź, zrozumieć interesy stron i dokonać wyboru mimo niepewności. A potem doprowadzić do wykonania tej decyzji i przyjąć odpowiedzialność za rezultat. AI odpowiada coraz lepiej. Tym bardziej rośnie wartość człowieka, który wie, o co zapytać, której odpowiedzi nie przyjąć i kiedy powiedzieć: tego nie robimy.