Sobre GenericML , artefactos y gestión de productos

La última ola de herramientas GenML es verdaderamente notable. Creo que todo el trabajo creativo se verá afectado, incluida la gestión de productos. ¿Pero de qué manera?

Una respuesta ya está en oferta. En los últimos meses, Twitter y LinkedIn se han inundado con listas «definitivas» de avisos de ChatGPT diseñados para producir artefactos de productos : objetivos y resultados clave, historias de usuarios, evaluaciones del tamaño del mercado, modelos estratégicos, guiones de entrevistas de usuarios… Puede encontrar cientos de avisos de ejemplo para cualquier modelo y marco concebible. Los resultados son a menudo impresionantes. El bot puede generar artefactos completos y convincentes, que puede mejorar aún más ajustando las indicaciones. Suena casi demasiado bueno para ser cierto.

Tal vez, pero creo que debemos proceder con mucha cautela. La facilidad de producir artefactos puede venir con algunas compensaciones serias.

Para entender por qué, veamos un ejemplo.

La gran idea escurridiza

Hace unos años consulté a una pequeña empresa que desarrollaba productos AdTech para redes sociales. La empresa tenía una serie de productos SaaS existentes, pero ninguno había encontrado la adecuación del producto/mercado y el uso era muy bajo. El problema no fue difícil de detectar. Los fundadores siguieron lanzando proyectos en torno a ideas prometedoras sin mucha validación. En la práctica, el desarrollo de estos productos llevó mucho más tiempo de lo previsto, pero la demanda del mercado fue mucho menor de lo esperado (la clásica falacia de la planificación ).

Para ayudar, introduje al equipo de producto en Strategizer’s Business Model Canvas (BMC): una poderosa herramienta para evaluar nuevas ideas de productos.

Lienzo de modelo de negocio | fuente: Strategyzer

La próxima vez que al CEO se le ocurrió una nueva idea imprescindible, uno de los gerentes de producto creó un borrador de BMC en un par de días y lo llevó a la revisión de la gerencia. Observar el BMC enfocó el potencial real y los costos de la idea. La conclusión fue que la idea no era tan sólida como se pensó al principio y probablemente nunca justificaría su costo. El equipo directivo decidió abandonar la idea y todos, incluido el director general, estaban contentos con esta decisión.

Echemos un vistazo a lo que sucedió aquí:

  • Business Model Canvas presentó un modelo: una serie de preguntas para responder: ¿A quién está dirigido este producto? ¿Cuál es la propuesta de valor clave? ¿Qué recursos necesitaremos conseguir para ofrecer este servicio? ¿Cuántos clientes de pago necesitaremos para alcanzar el punto de equilibrio?
  • Para responder a estas preguntas, el gerente de producto tuvo que realizar investigaciones , análisis y producir algunas estimaciones . Por ejemplo, tuvo que considerar qué tipos de agencias de publicidad tenían una fuerte necesidad de este producto. Si bien las respuestas fueron en su mayoría conjeturas, estas fueron conjeturas más pequeñas y posiblemente mejores en comparación con la gran pregunta inminente «¿es esta una buena idea?».
  • El PM produjo la primera versión del BMC (con algunas partes marcadas como Por determinar o TBD)
  • El PM presentó el BMC al equipo de producto ya la gerencia. Esto ayudó a crear una comprensión compartida de la idea y su potencial.
  • una discusión . Pero a diferencia de las discusiones que la empresa había sostenido en el pasado para tratar de adivinar a un alto nivel si una idea era buena o no, esta estaba estructurada y era más concreta. Revisaron las diversas partes del BMC y discutieron las respuestas a cada parte .
  • Se tomó la decisión de aparcar esta idea.

Así es exactamente como se supone que funcionan los modelos y los marcos. Nos ayudan a reducir una realidad compleja a un conjunto de preguntas importantes. Responder a estas preguntas impulsa un entendimiento compartido que conduce a discusiones concretas y mejores decisiones. Si bien el artefacto es una parte importante de este proceso, es solo una herramienta de comunicación . El objetivo nunca es solo producir el artefacto.
 

Entran los Robots

Ahora imaginemos este mismo escenario con ChatGPT .

* El gerente de producto comienza solicitando al robot GenML que produzca un BMC. Para que el resultado sea útil, deberá introducir el contexto de la empresa y de los usuarios, en la medida en que estas cosas se puedan expresar en texto, en el aviso. Por lo general, se necesitan varias rondas de ajustes en el indicador para obtener un resultado satisfactorio.

* El bot finalmente produce un Business Model Canvas.

Ejemplo de Business Model Canvas producido por ChatGPT

  • El bot-BMC está lleno de contenido potencialmente útil, pero hay dos puntos interesantes a tener en cuenta: a) No hay TBD, ni Ifs, ni Maybes. Es un artefacto definitivo, completo y seguro. ¿Por qué? Porque eso es para lo que están diseñados los bots de texto GenML actuales : nos brindan el resultado más convincente que pueden producir, incluso si no está bien investigado o incluso no es correcto. Están diseñados para ganar la prueba de Turing, no para lidiar con tonos de gris. 2) Es probable que el BMC haga que la idea se vea bien , simplemente porque el bot probablemente haya sido entrenado con ejemplos positivos en lugar de negativos. Puede pedirle al bot que produzca BMC tanto a favor como en contra, y cumplirá felizmente, pero ¿alguien lo hará? ¿Y cuál deberías usar?
  • El PM necesita traducir el bot-BMC en un artefacto que usará la empresa. En el mejor de los casos, lo usará únicamente como inspiración y aún así hará su propia investigación y análisis y producirá un BMC nuevo. Pero, ¿alguien hará este trabajo cognitivamente difícil y lento cuando ya hay un artefacto listo para usar (especialmente después de todo el tiempo que invertimos en él)? Creo que la mayoría de nosotros simplemente intentará copiar y pegar desde el artefacto bot. Si tenemos poco tiempo, simplemente lo modificaremos y lo llamaremos un día.
  • El PM comparte el BMC con el equipo y con la gerencia. Estamos creando un entendimiento compartido, pero está muy sesgado por lo que produjo el bot, que se basa en lo que la gente promedio tiende a decir sobre tales preguntas en la Web, en Reddit y en otros lugares. Al contrario de lo que podría pensar, esta es una señal débil. Es posible que la sabiduría común no se aplique a su caso particular , y muchas buenas ideas desafían el pensamiento convencional.
  • Se revisa el BMC. Si la revisión es exhaustiva, se eliminarán las debilidades del artefacto y se le pedirá al PM que regrese y rehaga. Pero existe el riesgo, nuevamente, de que en lugar de hacer el trabajo cognitivamente duro de desafiar el artefacto, el equipo de liderazgo simplemente crea el mensaje positivo y pulido que comunica el BMC.
  • se toma una decisión 

Obviamente, nadie planea delegar el juicio a los sistemas GenML (¿verdad?). Los vemos como un atajo conveniente, pero esperamos pensar por nosotros mismos. El problema es que los bots ofrecen una tentación irresistible. Investigación, análisis, estimación. la revisión y la toma de decisiones requieren lo que el psicólogo Daniel Kahneman llama pensamiento del Sistema 2 : contemplación lenta, esforzada, intencional y agotadora. En el libro Thinking Fast and Slow, Kahneman explica que la mayoría de nosotros evitamos usar nuestro sistema de pensamiento 2 cuando hay atajos convenientes disponibles, incluso si nos llevan a la respuesta incorrecta. GenML acaba de crear una nueva clase de atajos mentales a los que podemos recurrir.

La fábrica de artefactos

Pero puede haber un aspecto aún más pernicioso en estos artefactos de bot. En algunas organizaciones, los gerentes de productos (ahora llamados propietarios de productos) trabajan en fábricas de funciones que se miden en función de la tasa de producción. Los propios PM/PO se consideran una especie de «fábrica de artefactos» de una sola persona que produce un flujo interminable de elementos pendientes e historias de usuarios para alimentar a Agile dev.

Estos gerentes de producto están bajo mucha presión para producir, y sospecho que la tentación de confiar en los bots será aún mayor en su caso. ¿Puede un sistema GenML realmente producir ideas y requisitos útiles sin una comprensión profunda del producto, los usuarios, el mercado y la empresa? No lo creo, pero supongo que eso es lo que está empezando a suceder ahora mismo.

Dando un paso lógico más allá, podemos imaginar la subcontratación de la producción de artefactos a agencias externas como una medida de reducción de costos. Ya puede encontrar agencias que diseñarán y administrarán su producto por usted, pero ahora que los bots están aquí, estas agencias podrán ofrecer precios mucho mejores por artefacto y producir mucho más (un poco como lo hacen las granjas de contenido). para sitios web). Podríamos ver una carrera a la baja que devalúa en gran medida la gestión de productos reales y el trabajo de diseño (sí, los bots de diseño también están llegando).

Los bots no son el problema

No digo que las herramientas GenML sean necesariamente malas. De hecho , estoy seguro de que veremos muchos buenos casos de uso. Incluso el que describí, la creación de artefactos listos para usar, puede ayudar a las empresas a adoptar modelos y procesos útiles, pensar de manera más amplia y mejorar la velocidad y la calidad de la ejecución. Los próximos años serán muy interesantes para la gestión de productos y soy optimista de que GenML nos permitirá crear mejores productos más rápido. Aún así, no debemos subestimar la capacidad de las personas y las organizaciones para hacer un uso indebido, excesivo y abusivo de herramientas y productos. Como de costumbre, no es la tecnología , sino cómo la usamos, que se basa en nuestras creencias y valores. En algunas empresas, el artefacto se ve como una forma de colaborar y tener discusiones significativas. En otros, es un objetivo importante por derecho propio . En algunas organizaciones, decir cosas que no son necesariamente ciertas de una manera convincente y refinada hará que lo despidan; en otros, lo ascenderán a gerente. Del mismo modo, en algunas empresas, GenML elevará y empoderará a las personas y los equipos, mientras que en otras probablemente amplificará los problemas que sufre la empresa. A pesar de todo su poder, los bots no pueden salvarnos de nosotros mismos.