Klasik ürün ile AI-native ürün arasındaki fark
Klasik bir ürün öngörülebilirdir: aynı butona basarsınız, aynı şey olur. AI-native bir ürün ise olasılıksaldır: aynı soruyu iki kez sorarsınız, iki farklı cevap alabilirsiniz. Artık mükemmellik değil, kabul edilebilir tutarlılık peşindesiniz. Bu farkın dört sonucu var:
- Belirsizlikle yönetmek. Bir yetenek “genelde işe yarar, bazen yaramaz.” Bu belirsizliği müşteriye dürüstçe iletmek ve ürünü buna göre tasarlamak gerekir.
- Veri, yeni hammadde. Ürünün kalitesi beslendiği veriye bağlıdır. Hangi veriye sahibiz, ne kadar temiz, yasal ve etik olarak kullanabilir miyiz?
- Hata bir kesinlik. Soru “hata yapacak mı?” değil, “hata yaptığında ne olacak?” Hatayı yok edemezsiniz; ama hatanın maliyetini yönetebilirsiniz.
- Ürün canlıdır. Model güncellendiğinde ürün bir gecede farklı davranabilir. “Bitmiş” bir ürün değil, sürekli değişen bir sistem yönetirsiniz.
Ürün yöneticisinin bilmesi gereken kavramlar
Mühendis olmanıza gerek yok; ama bu kavramları bir mühendisle konuşabilecek kadar bilmelisiniz.
| Kavram | Ürün yöneticisi için anlamı |
|---|---|
| Model | Yapay zekânın “beyni.” Model seçimi sizin işiniz değil; ama seçimin maliyet, hız ve kalite sonuçlarını anlamak sizin işiniz. |
| Prompt | Modele verilen talimat. AI-native üründe prompt’lar ürünün içine gömülüdür; bir prompt’u değiştirmek bir özelliği yeniden yazmak kadar etkili olabilir. |
| RAG | Modeli kendi verilerinizle besleyerek daha doğru ve güncel cevap ürettirme yöntemi. Halüsinasyonu azaltır, ürünü verinizle farklılaştırır. |
| Ajan | Yalnızca cevap veren değil, eylem yapan yapay zekâ. Hata yaptığında yanlış konuşmaz, yanlış yapar. En büyük soru: insana sormadan nereye kadar hareket edebilir? |
| Eval | Kaliteyi sürekli puanlayan ölçüm düzeneği. İlk günden ısrar edilmesi gereken şey. |
| Guardrail | Modelin asla yapmaması gerekenleri engelleyen sınırlar. |
| Halüsinasyon | Modelin kendinden emin bir dille yanlış bilgi üretmesi. Yok edilemez; azaltılabilir ve etkisi yönetilebilir. |
Yeni metrikler
Klasik metrikleri (aktif kullanıcı, elde tutma, dönüşüm) ölçmeye devam edersiniz. AI-native ürün bunlara yenilerini ekler:
- Doğruluk ve kalite oranı: Cevapların ne kadarı gerçekten doğru ve faydalı?
- Halüsinasyon oranı: Model ne sıklıkla yanlış ama emin cevap veriyor? Düşürülmesi gereken en kritik sayı.
- İnsana devretmeden çözme oranı: Destek botu sorunların ne kadarını kendi çözüyor? Yüksek olması iyidir; ama müşteriyi mağdur etme pahasına değil.
- Gecikme: Kullanıcı beklerse deneyim ölür; kalite ile hız arasında sürekli denge kurulur.
- Birim maliyet: Klasik üründe kullanıcı arttıkça birim maliyet düşer; AI-native üründe her etkileşim gerçek para harcar ve kullanıcı arttıkça maliyet de artar. Bu, iş modelini kökten etkiler.
- Güven: Bir kez kırılan güveni geri kazanmak çok zordur.
Sorumlu yapay zekâ: ürün yöneticisinin ahlaki yükü
İçinde yapay zekâ olan bir ürün yaptığınızda, sıradan bir üründe olmayan bir sorumluluk yüklenirsiniz; çünkü ürünün kararları bir kredi başvurusunu, bir sağlık önerisini ya da bir işe alım filtresini etkileyebilir. Lansmandan önce sorulması gereken dört soru:
- Önyargı: Model belirli grupları haksız yere dezavantajlı hale getiriyor mu? Yapay zekâ, eğitildiği verinin önyargılarını öğrenir ve ölçekler.
- Şeffaflık: Kullanıcı bir yapay zekâ ile konuştuğunu biliyor mu? Kararın nasıl verildiğini anlayabiliyor mu?
- Mahremiyet: Kullanıcının verisiyle ne yapıyoruz? Kullanıcı bunu biliyor ve onayladı mı?
- Zarar potansiyeli: Ürün kötüye kullanılabilir mi? En kötü senaryoda kime zarar verir?
Kural bozmayı severiz; ama bazı kurallar yıkılmak için değil, korunmak için vardır. Sorumlu yapay zekâ bunlardan biridir. İyi ürün yöneticisi “yapabiliriz” ile “yapmalıyız” arasındaki o ince çizgide durup insandan yana karar veren kişidir.