賭けに対する説明責任
88コストのかかる製品判断が誤りだったと判明したとき、誰かが答えられなければならない――モデルは選択肢を提案できるが、それを選んだ結果を所有することはできない。
プロダクトマネジメントは、技術的な実行ではなく判断力の上に成り立つ仕事でありながら、言語モデルによる自動化に異例なほどさらされている。なぜなら日々の成果物の多くがテキストだからだ――仕様書、調査の要約、ロードマップの更新、チーム間の交渉のためのメール。そうしたテキストを草稿作成し要約し分析するツールは、すでに多くのプロダクトマネージャーの日々の業務の一部になっている。
だからといって、この仕事の戦略的な中核が自動化に近づいているわけではない。以下のセクションでは、すでにAIツールによって作り変えられている部分と、これまでのところモデルに委ねるのがはるかに難しいと証明されている部分を分けて見ていく。
中程度
Share of the work a machine could do
プロダクトマネージャーの文章作成と分析業務のかなりの部分――仕様書の初稿、ユーザーインタビューの要約、日常的な競合調査――は、今やAIツールが匹敵する速さで生み出せるようになっている。自動化が難しいまま残るのは、そもそもどの問題に取り組む価値があるかを決めること、意見の異なる人々の間でトレードオフを交渉すること、そして賭けが実らなかったときに責任を負うことだ。
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →What machines cannot take
取り組む価値のある問題を決めること
80何十もの妥当なアイデアのうちどれがチームの次の四半期に本当に値するかを見極めるには、モデルが正しさに利害関係を持たない戦略とタイミングについての判断力が必要だ。
部門横断の交渉
76エンジニアリング、営業、不満を抱える経営陣を一つの計画に合意させることは政治的・対人的なスキルであり、テキスト生成の作業ではない。
ユーザーが言わないことを読み取る
70ライブのユーザーリサーチセッションでためらい、混乱、回避策に気づくことは、書き起こし記録だけでは完全には捉えられない人間の注意力に依然として依存する。
データが誤解を招いているかを判断する
66指標が操作されているのか、サンプルに偏りがあるのか、実験結果が常識と矛盾しているのかを知るには、モデルがそれほど確実には適用できない文脈的な判断力が必要だ。
What they already take
仕様書の初稿
68AIツールは今や、大まかな問題の説明を数分で構造化された要件定義書の初稿に変えることができ、白紙から始めるのではなく人間が修正・洗練する作業に置き換わっている。
ユーザーリサーチの統合
72何十ものインタビューの書き起こしやアンケート回答を繰り返し現れるテーマへと要約する、かつては何時間もかかった手作業は、今やAIツールがはるかに短い時間で行っている。
競合・市場調査
60競合他社が何を提供し、いくらで、何を主張しているかの初回のまとめは、何日もかかる調査プロジェクトというより、ますます迅速なAI支援作業になっている。
日常的なデータ照会とレポーティング
55ある指標がどう推移しているかという単純な質問への回答は、もはやアナリストを待つ必要がない。AIツールがダッシュボードに直接照会し結果を要約する。
How the work is changing
仕様書を書くことから編集することへ
プロダクトマネージャーの文章作成業務の増える部分が、白紙から書くのではなく、AIが下書きした仕様書をレビューし修正することになっている。
小規模なプロダクトチームがより広い範囲をカバー
かつては専任のリサーチャーやアナリストを必要としていたチームが、その隙間をAIツールで直接埋めることをプロダクトマネージャーに期待するようになっている。
判断力とセンスが差別化要因になる
草稿作成や要約が安価になるにつれ、際立つプロダクトマネージャーは何を作るべきかの判断がより頻繁に当たる人になる。
より速く安価な実験が基準を引き上げる
AI支援によるプロトタイピングと分析により、チームは四半期あたりより多くのアイデアをテストできるようになり、プロダクトマネージャーがより少なくではなくより多くの選択肢を生み出し評価できるという期待を高めている。
New jobs branching off
AIプロダクトマネージャー
機械学習モデルの予測不能な振る舞いを軸に構築された製品を専門とし、成功指標とユーザーの期待が従来のソフトウェアとは異なる。
グロースプロダクトマネージャー
迅速な実験を通じて獲得・維持・収益化の指標に狭く焦点を当てる。2010年代に一般的なプロダクトマネジメントから派生した専門分野。
プロダクトオペレーション
プロダクト組織が大規模に円滑に運営できるようにするプロセス、データパイプライン、ツールを構築する比較的新しい専門分野で、プロダクトマネージャーが戦略に集中できるようにする。
AIプロンプト / コンテキストエンジニア
AI搭載機能が情報をどう取得し指示されるかを設計する専門分野で、2020年代初頭以前にはほとんど存在せず、しばしばプロダクトマネジメントと密接に隣り合う。
Outlook
プロダクトマネジメントはこの先10年も需要が続く見込みだが、この仕事の入門レベルのバージョンはすでに変化している。仕様書を書いたり調査を要約したりするためだけの職務は減り、若手プロダクトマネージャーがAIツールを指示し、ほぼ即座にその成果物に責任を持つことがより多く期待されるようになる。
優位性は、正しい問題を組み立て、本当の不確実性の下で擁護可能な賭けをし、意見の異なるステークホルダーの部屋を一つの決定にまとめられるプロダクトマネージャーに、ますます偏っていくだろう――これはAIツールが存在する前から重要だった判断力であり、今はその下により速く安価な草稿が敷かれた状態で適用されているにすぎない。
Keep exploring
More in Business & Finance
🚀
起業家
会社を興す人——機会を見出し、リスクを背負い、給料の支払いに責任を持つ。アッシリアの隊商金融業者からベンチャー支援の創業者まで。
AI-resistant 88 💹投資銀行家
企業に値を付け、資本を動かすディールメーカー——メディチ家のフィレンツェから今日のピッチブックまで続く商売で、巨額の金が動くときの信用に対価が支払われる。
AI-resistant 42 🧾会計士
帳簿の番人――文字そのものを生み出したほど古い技を受け継ぎ、いまはそれを自動化するために作られたソフトウェアと折り合いをつけている。
AI-resistant 35 📣マーケター
需要を生み出す専門職——ポンペイの壁の広告文やP&Gの1931年の「ブランドマン」覚書から、オークション主導のデジタル時代のフィードまで。
AI-resistant 38 💱経済学者
希少性を研究する学者――アダム・スミスのピン工場から中央銀行の意思決定室まで、どんなモデルも捉えきれないものを予測せよと求められ続けている。
AI-resistant 62