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。
濃いマスほど、このテーマでその指標が高いことを示します。
低高
肩書きから連想されるほど「作る」仕事はしていない。典型的な一日は、利用データの確認、顧客や営業チームとのニーズに関する会話、エンジニア向けの仕様書の作成や改訂、そして次に何を作り何を削るかを決める計画会議への出席が中心となる。自らコードを書いたり、画面を描いたり、何かを出荷したりする時間はごくわずかしかない。
必須ではないが、ソフトウェア色の強い役割では役立つ。エンジニア出身のプロダクトマネージャーは多いが、デザイン、マーケティング、コンサルティング、カスタマーサポートから移ってくる人も少なくない。特定の学位よりも重要なのは、データを読み解き、明確に文章を書き、自分でコードを書かなくてもエンジニアと対等に議論できることだ。
肩書きは似ているが違う。プロジェクトマネージャーは、チーム全体のスケジュールを調整しながら作業が予定通り予算内で進んでいるかを追跡する。プロダクトマネージャーは、そもそも何を作るべきかとその理由を決め、根底にあるビジネスと顧客の論理を所有する。特に小規模な組織では両者の境界が実務上あいまいになることも多いが、それぞれが答える中心的な問いは異なる。
違う。プロダクトマネージャーがエンジニアやデザイナーなど誰かを直属の部下として持つことはほぼない――この仕事はしばしば「権限ではなく影響力で導く」役割だと説明される。プロダクトマネージャーは優先順位とその根拠を定めるが、実際の作業をどう進め誰が担当するかは通常エンジニアリングマネージャーやチームリーダーが決める。
国や企業によって大きく異なる。米国の大手テクノロジー企業では、ボーナスと株式を含めた総報酬が優に六桁ドル台(日本円で数千万円規模)に達することも珍しくない一方、インドやラテンアメリカの多くでは同等の役職でもその何分の一かにとどまる。株式を除く基本給だけで見れば、同じ会社のシニアエンジニアの給与に近い水準であることが多い。
データの要約、仕様書の初稿作成、顧客フィードバックの統合といった業務は、すでにAIツールによって高速化されている。自動化が難しいまま残るのは、そもそもどのアイデア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妥協点を交渉すること、そして賭けが失敗したときに責任を負うことだ――これらはモデルに責任を負わせられない判断である。
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。
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。
肩書きではなく業務単位で算定。低いほど安全。
AIが奪えない仕事 →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。
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。
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。
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。
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。
AI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。
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。
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。
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。
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。
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。
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。
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。
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。
可逆の3レンズ: 補助、一部置換、新ニッチ。教材であり予測ではありません。
役割は残し、AIが下書き・仕分け・調査を加速。判断と責任は人側。
狭いタスク群が先に圧縮され、隣接スキルが伸びることも。
規制下でAI出力を信頼する監督・統合・ドメインQAが生まれ得る。
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。
分野だけでなく、6つのスコアが近い職業です。
データからパターンを見つけ予測モデルを構築する職業――2008年生まれの肩書きだが、その土台には数値を数え、検証し、可視化してきた3世紀分の営みがある。
AI耐性 38 🔎人々が製品をどう使うかを研究し、観察された行動、ニーズ、フラストレーションを、チームが設計の指針にできるエビデンスへと変える。
AI耐性 69 📣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耐性 38 🎮遊びの設計者――古代のセネトの盤からテトリス、そして30億人が遊ぶ今日の巨大産業まで、ゲームがプレイヤーに何を求めるかを決める人。
AI耐性 65 🧾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耐性 35 💻現代生活を動かすコードを書き、テストし、保守する仕事であり、AIが自分自身の日々の作業を自動化していく様子を最初に目の当たりにしている職業の一つでもある。
AI耐性 35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耐性 88 💹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耐性 42 🧾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耐性 35 📣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耐性 38 💱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耐性 62 🌿組織が事業上の義務を果たしながら環境・社会への害を減らせるよう、戦略、測定、報告を主導する。
AI耐性 66