Microsoft: AI per i Product Manager

I product manager operano all'intersezione tra clienti, ingegneria, strategia e esecuzione. Traducono le esigenze dei clienti in requisiti, priorizzano gli investimenti concorrenti, coordinano e prendono decisioni di bilanciamento con i team di ingegneria, delineano le specifiche del prodotto e mantengono la leadership informata su ciò che viene consegnato e dove vengono investite le risorse.

Sul team Infrastructure Engineering Services (IES) all'interno di Microsoft Digital, i nostri product manager (PM) supportano gli strumenti e i servizi che mantengono la rete globale di Microsoft sicura, resiliente e disponibile. In qualità di "Customer Zero" di Microsoft, il nostro più ampio team Microsoft Digital - l'organizzazione IT dell'azienda - sta esplorando come l'AI possa accelerare singole attività e aiutare a ridefinire il modello operativo che i nostri PM utilizzano per pianificare, governare e comunicare il loro lavoro.

"Una delle cose chiave che facciamo è assicurarci che il lavoro più importante venga svolto dai team di ingegneria, perché i nostri ingegneri sono una risorsa piuttosto preziosa", afferma Martin O'Flaherty, principal PM manager in IES. "Dobbiamo essere in grado di priorizzare il man mano che arriva il lavoro. Dobbiamo capire cosa hanno bisogno i team di ingegneria, prendere decisioni di bilanciamento costantemente e assicurarci di fornire requisiti e specifiche essenziali per costruire la cosa giusta".

Questo ha portato O'Flaherty e il suo team a sperimentare con l'AI in un più ampio modello di Pianificazione Continua. Invece di trattare la pianificazione come un esercizio periodico, questo approccio crea una visione in corso del lavoro in corso, nonché delle priorità imminenti, dei deliverable, degli investimenti di ingegneria e dell'allineamento strategico. Dashboard di pianificazione, visibilità sulla capacità di ingegneria, qualità dei dati ADO, revisioni periodiche della leadership, report di consegna mensili e riassunti generati dall'AI funzionano insieme come parti dello stesso modello operativo.

"Dobbiamo assicurarci di ottenere il giusto livello di visibilità e supporto da parte della leadership", afferma O'Flaherty. "I senior leader capiscono che le risorse di ingegneria sono finite, quindi vogliono assicurarsi di investire la giusta quantità di risorse nelle aree appropriate".

L'obiettivo non è semplicemente automatizzare le esistenti attività di PM, ma anche creare un ciclo di feedback migliore tra pianificazione, esecuzione, qualità dei dati, reporting e decision making, dando ai nostri PM più tempo per lavorare direttamente con i clienti e i partner di ingegneria.

Trasformare i dati di pianificazione in insight di leadership

In qualità di leader della gestione dei prodotti, O'Flaherty spesso deve raccogliere report sui suoi scenari, inclusi quelli attivi rispetto a quelli chiusi, come il lavoro si allinea alle priorità organizzative e come viene investita la capacità di ingegneria. Questo non solo aiuta lui e il suo team a prendere migliori decisioni di priorità e di bilanciamento, ma fornisce anche informazioni cruciali per sostenere la leadership senior.

La maggior parte di questi dati esiste già all'interno di sistemi come Azure DevOps. La sfida è raccogliere le informazioni e trasformarle in insight facilmente digeribili. Per O'Flaherty, questo è diventata un'opportunità per utilizzare l'AI non solo per automatizzare i report, ma anche per collegare i dati di pianificazione, la qualità dei dati e il reporting di leadership in un sistema più continuo.

Report assistiti da AI

Per raggiungere questo obiettivo, O'Flaherty e il suo team hanno costruito una capacità di reporting assistito da AI che può esaminare tutti gli scenari completati durante il mese precedente, organizzarli attorno a priorità strategiche stabilite e riassumere i dettagli in report e visualizzazioni pronti per la leadership. Questi mostrano dove sta andando l'investimento di ingegneria e i risultati che l'organizzazione sta fornendo.

Di seguito è riportato un esempio anonimizzato di una dashboard che O'Flaherty potrebbe utilizzare in una discussione di pianificazione operativa o di revisione aziendale per fornire una visibilità quasi in tempo reale sulla salute della pianificazione, sul progresso della consegna, sull'allocazione delle risorse e sull'esecuzione complessiva.

Inizialmente, i report generati dall'AI non erano sempre accurati o completi. Invece di trattare quei dettagli mancanti come un problema di AI, O'Flaherty e il team li hanno utilizzati per migliorare il sistema circostante. Lui e il team hanno perfezionato la logica di reporting, rafforzato i dati di pianificazione sottostanti e migliorato il modo in cui questa capacità pesa la documentazione delle prove di ciò che è stato effettivamente consegnato. La revisione umana rimane una parte importante del processo, ma la quantità di sforzo manuale richiesto è diminuita significativamente.

"Il mese scorso, non avevamo quasi nessun feedback. Abbiamo guardato il report e siamo stati come, 'Sì, è buono per andare'", afferma O'Flaherty. "Stiamo parlando di un'attività che prima richiedeva settimane per essere completata. A fine agosto avresti avuto il report di luglio. Ora possiamo inviare quel report il primo giorno di agosto".

Migliorare la qualità dei dati

Durante questo processo, O'Flaherty ha anche appreso l'importanza di dati puliti e completi per ottenere gli output corretti. Inizialmente, informazioni mancanti o inconsistenti in Azure DevOps potevano portare a insight incompleti. E poiché gli stessi dati di pianificazione informano il reporting di leadership, migliorare la qualità alla fonte è diventato più importante che migliorare l'AI che li consuma.

Pertanto, ha costruito una seconda capacità di "igiene" assegnata all'AI che controlla continuamente gli scenari nel rispetto degli ambito rispetto a un insieme definito di regole. Può identificare le lacune nei dati e sollecitare i membri del team con indicazioni specifiche su come colmare quelle lacune all'interno di Azure DevOps.

"L'agente ha guidato il comportamento corretto, e onestamente questa è la ragione chiave per cui i nostri report di fine mese non richiedono più molto revisione umana", afferma O'Flaherty.

Insieme, queste capacità creano un ciclo di feedback: migliori dati di pianificazione producono migliori insight generati dall'AI, mentre l'AI aiuta continuamente a identificare i problemi di qualità dei dati che potrebbero minare quegli insight.

Formazione di una forza lavoro diversificata

Una comune errata percezione sugli agenti è che sia necessario essere un esperto di AI per ne costruire uno. O'Flaherty voleva rimuovere quella barriera rendendo il processo accessibile a tutti i product manager con una vasta gamma di competenze tecniche. L'obiettivo era insegnare alle persone sull'AI e incoraggiarle a costruire capacità contro problemi reali nei loro flussi di lavoro.

Mentre lui e altri membri del team sviluppavano le loro competenze, hanno creato brevi video "how-to" del loro processo che hanno spezzato la curva di apprendimento in passi gestibili. Ha iniziato questo sforzo assumendo che gli spettatori sapessero nulla degli strumenti.

"Abbiamo fatto un video su come installare Visual Studio Code, come accedere a GitHub Copilot", afferma O'Flaherty. "E poi quando hai fatto quello, ecco come accedi a un server MCP".

Quegli spieghi a piccoli bocconi hanno dato ai PM un percorso pratico per accedere agli strumenti e hanno aiutato a sentirsi a proprio agio applicando ciò che hanno imparato direttamente al proprio lavoro. Invece di richiedere a tutti di diventare prima un esperto di AI, questo approccio ha permesso alle persone di iniziare in piccolo, risolvere qualcosa di utile e costruire le loro competenze attraverso l'esperienza.

Creare soluzioni riutilizzabili

Ma mentre l'adozione cresceva, è emersa un'altra sfida: i product manager a volte creavano più agenti per risolvere problemi simili. Questo presentava una diversa domanda di scalabilità: come si incoraggia l'esperimentazione senza ricreare continuamente la stessa soluzione?

In risposta, il team ha iniziato a promuovere competenze riutilizzabili e ha incoraggiato i PM a costruire su lavori esistenti invece di partire da zero.

"La nostra sfida era come scalare l'adozione senza che le persone facessero la stessa cosa ripetutamente", afferma O'Flaherty. "Stiamo cercando di incoraggiare le persone a costruire su ciò che gli altri hanno già fatto, in modo che possiamo accelerare l'adozione e creare un impatto più ampio".