Όταν μπήκα στην Google το 2013 για να δουλέψω πάνω στην αναγνώριση φωνής, η τεχνητή νοημοσύνη δεν ήταν ακόμα μέρος της καθημερινής μας γλώσσας. Δεν ήταν θέμα σε διοικητικά συμβούλια, δεν ήταν αντικείμενο πανικού ή ενθουσιασμού στα social media, δεν ήταν το εργαλείο που όλοι είχαν ανοιχτό σε ένα browser tab.
Ήταν κάτι πολύ πιο αθόρυβο. Ένα τεχνικό layer πίσω από προϊόντα που οι άνθρωποι χρησιμοποιούσαν χωρίς να το σκέφτονται. Ένα σύστημα που προσπαθούσε να καταλάβει τι είπες, τι εννοούσες, ποια ήταν η πρόθεσή σου, ποιο ήταν το context. Δεν είχε ακόμη το πρόσωπο ενός chatbot. Δεν είχε γίνει πολιτισμικό φαινόμενο. Δεν ήταν «cool».
«Ζούμε μια εποχή που μια ιδέα μπορεί να πάρει μορφή πολύ πιο γρήγορα, προτού υπάρξει μεγάλη ομάδα, πλήρες roadmap ή τέλειο πλάνο».
Η δουλειά μου τότε, ως product manager, ήταν να μεταφράζω την τεχνητή νοημοσύνη σε ανθρώπινη εμπειρία. Να παίρνω μοντέλα, signals ποιότητας, user intent, λάθη αναγνώρισης και περιορισμούς του πραγματικού κόσμου ‒ταχύτητα, ακρίβεια, εμπιστοσύνη‒ και να τα μετατρέπω σε κάτι που ένας άνθρωπος δεν θαύμαζε απλώς ως τεχνολογία αλλά χρησιμοποιούσε επειδή τού έλυνε μια ανάγκη.
Αυτό ήταν το AI product management προτού γίνει trend. Δεν ήταν prompt engineering. Δεν ήταν ένα «shiny» demo. Ήταν η δύσκολη δουλειά τού να χτίζεις προϊόντα πάνω σε συστήματα που δεν συμπεριφέρονται πάντα ντετερμινιστικά. Προϊόντα που πρέπει να δουλεύουν στον πραγματικό κόσμο, με πραγματικούς ανθρώπους, πραγματικές αποτυχίες και πραγματικές συνέπειες.
Και μετά ήρθε η στιγμή που όλα άλλαξαν.
Η τεχνητή νοημοσύνη δεν εμφανίστηκε ξαφνικά. Εμείς που δουλεύαμε στον χώρο ξέραμε ότι ήταν ήδη εκεί, στην αναγνώριση φωνής, στην κατανόηση πρόθεσης, στην πρόβλεψη, στα αόρατα συστήματα που έκαναν τα προϊόντα λίγο πιο έξυπνα.
Αυτό που άλλαξε με το Generative AI ήταν η σχέση του ανθρώπου με την τεχνητή νοημοσύνη. Το AI δεν ήταν πια μόνο ένα backend σύστημα που αναγνώριζε μοτίβα. Έγινε συνομιλητής, συνεργάτης, δημιουργός. Μπορούσε να γράψει, να σχεδιάσει, να προτείνει, να παράγει κώδικα, να δώσει μορφή σε μια ιδέα. Απέκτησε interface. Απέκτησε φωνή. Μπήκε στο zeitgeist.
Ξαφνικά, άνθρωποι που δεν είχαν γράψει ποτέ κώδικα μπορούσαν να ζητήσουν από ένα μοντέλο να τους βοηθήσει να γράψουν, να σχεδιάσουν, να αναλύσουν, να δημιουργήσουν. Founders μπορούσαν να φτιάξουν prototypes σε ένα απόγευμα. Product managers μπορούσαν να μετατρέψουν μια ιδέα σε interactive demo χωρίς να περιμένουν sprint planning. Designers μπορούσαν να περάσουν από mockup σε λειτουργικό front-end. Εκπαιδευτικοί, γιατροί, ερευνητές, operators, άνθρωποι που μέχρι χθες δεν θεωρούσαν τον εαυτό τους «builders», άρχισαν να χτίζουν.
Εκεί άρχισα να βλέπω να γεννιέται μια νέα κατηγορία ανθρώπου στην εργασία: ο AI Builder.
Ο AI Builder είναι κάποιος που μπορεί να ενορχηστρώσει μια σειρά από AI συστήματα για να πάει από την ιδέα στο prototype, από το prototype στο προϊόν και από το προϊόν στο πρώτο πραγματικό feedback.
Για δεκαετίες, το product development είχε ξεκάθαρα «swim lanes». Ο product manager έγραφε τα requirements. Ο designer έφτιαχνε τα flows. Ο researcher έφερνε insights. Ο engineer υλοποιούσε. Ο product marketing manager έβρισκε τη γλώσσα. Ο καθένας είχε τον ρόλο του.
Σήμερα αυτά τα όρια θολώνουν. Η αξία μετατοπίζεται από το να κατέχεις αποκλειστικά ένα κομμάτι της διαδικασίας στο να μπορείς να κινηθείς ανάμεσα σε διάφορα κομμάτια. Από το να περιγράφεις το προϊόν στο να μπορείς να το δείξεις. Από το να περιμένεις την τέλεια ομάδα να λειτουργήσει στο να ξεκινάς ενορχηστρώνοντας τα εργαλεία, την κρίση και το γούστο σου.
Δεν ζούμε απλώς μια εποχή που το AI κάνει τους ανθρώπους πιο γρήγορους. Ζούμε μια εποχή που μια ιδέα μπορεί να πάρει μορφή πολύ πιο γρήγορα, προτού υπάρξει μεγάλη ομάδα, πλήρες roadmap ή τέλειο πλάνο.
Το AI μπορεί να δώσει επιλογές, αλλά δεν μπορεί να αποφασίσει τι έχει σημασία. Αυτό παραμένει δική μας ευθύνη.
Το θέμα του REWIRED ‒σώμα, νους, πλανήτης‒ είναι ακριβώς αυτό. Δεν αλλάζει μόνο η τεχνολογία. Αλλάζει το πώς μαθαίνουμε, πώς δουλεύουμε, πώς αποφασίζουμε, πώς χτίζουμε. Η μακροζωία αφορά το πώς θα ζήσουμε περισσότερο και καλύτερα. Η εκπαιδευτική τεχνολογία, το πώς θα μάθουμε διαφορετικά. Η βιωσιμότητα, το πώς θα χτίσουμε χωρίς να εξαντλούμε τον πλανήτη. Κοινή συνισταμένη όλων αυτών είναι ένα θεμελιώδες ερώτημα: ποιος θα έχει τη δυνατότητα να χτίζει τις λύσεις;
Για πολλά χρόνια, η απάντηση περιοριζόταν στους ανθρώπους με τεχνικές ομάδες, στις μεγάλες εταιρείες, στους ιδρυτές με κεφάλαιο, στους οργανισμούς με υποδομή. Σήμερα, ο ορίζοντας έχει διευρυνθεί. Μια μικρή ομάδα φοιτητών, ένας product manager χωρίς engineering team, ένας εκπαιδευτικός που βλέπει ένα πρόβλημα στην τάξη, ένας γιατρός που εντοπίζει μια επαναλαμβανόμενη αποτυχία στο σύστημα υγείας, όλοι αυτοί μπορούν να δοκιμάσουν κάτι που έμενε για χρόνια στα χαρτιά.
Αλλά εδώ υπάρχει και μια παγίδα.
Επειδή το χτίσιμο έγινε πιο εύκολο, πολλοί πιστεύουν ότι έγινε και πιο απλό ‒ δεν ισχύει. Γιατί μπορεί το να φτιάξεις κάτι με AI να είναι πια μια γρήγορη διαδικασία, αλλά το να φτιάξεις κάτι που θα βρει product market fit παραμένει δύσκολο.
Αυτό είναι το μεγάλο παράδοξο της εποχής. Η τεχνολογία μειώνει το κόστος της παραγωγής, αλλά αυξάνει τη σημασία της κρίσης. Όταν όλοι μπορούν να φτιάξουν ένα demo, η δυσκολία πλέον μετατοπίζεται στο γιατί, θέτοντας μερικά κρίσιμα ερωτήματα: Για ποιον είναι; Ποιο πρόβλημα λύνει; Τι αλλάζει στη συμπεριφορά του ανθρώπου; Τι πρέπει να αυτοματοποιηθεί και τι πρέπει να παραμείνει ανθρώπινο;
Το AI μπορεί να δώσει επιλογές, αλλά δεν μπορεί να αποφασίσει τι έχει σημασία. Αυτό παραμένει δική μας ευθύνη.
Γι’ αυτό πιστεύω ότι το AI product management γίνεται πιο σημαντικό από ποτέ. Ο product manager δεν αρκεί πια να γράφει requirements, να ευθυγραμμίζει stakeholders και να προτεραιοποιεί features. Στην εποχή της τεχνητής νοημοσύνης πρέπει να καταλαβαίνει πώς συμπεριφέρεται ένα μοντέλο, πώς αποτυγχάνει, πώς αξιολογείται, πώς βελτιώνεται ‒ και πώς όλα αυτά μεταφράζονται σε μια εμπειρία που ένας άνθρωπος μπορεί να εμπιστευτεί.
Γι’ αυτό ίδρυσα την AI Product Academy. Ζώντας και δουλεύοντας στη Silicon Valley, είδα από κοντά πόσο γρήγορα αλλάζει η ίδια η έννοια του product building. Έβλεπα ταυτόχρονα και κάτι ακόμη, ότι οι περισσότεροι επαγγελματίες δεν χρειάζονταν ένα ακόμη εργαλείο αλλά μια νέα παιδεία γύρω από το πώς χτίζονται προϊόντα στην εποχή της τεχνητής νοημοσύνης.
Μέσα από live cohorts, private trainings σε εταιρείες και προγράμματα για product teams, βλέπω το ίδιο μοτίβο ξανά και ξανά. Στην αρχή, πολλοί έρχονται πιστεύοντας ότι πρέπει να μάθουν εργαλεία. Ποιο μοντέλο να χρησιμοποιήσω; Πώς γράφω καλύτερα prompts; Ποιο prototyping stack είναι καλύτερο; Πώς στήνω έναν AI agent;
Στην πορεία, καταλαβαίνουν ότι το πραγματικό μάθημα πάει βαθύτερα και αφορά το πώς χτίζεις ένα προϊόν όταν η πρώτη ύλη δεν είναι μόνο code αλλά νοημοσύνη.
Για μένα, ο AI Builder γεννιέται ακριβώς εκεί: στη σύνδεση μεταξύ της τεχνικής δυνατότητας και της ανθρώπινης κρίσης. Είναι ο άνθρωπος που χρησιμοποιεί το AI για να σκεφτεί καλύτερα, να δοκιμάσει πράγματα γρηγορότερα, να αποκτήσει ουσιαστικότερες γνώσεις και να χτίσει πιο υπεύθυνα.
Το takeaway της νέας εποχής είναι απλό: το μέλλον δεν θα ανήκει απλώς σε όσους χρησιμοποιούν AI. Θα ανήκει σε όσους ξέρουν να χτίζουν με αυτό, και ακόμη περισσότερο σε όσους ξέρουν τι αξίζει να χτιστεί.
Για όποιον θέλει να ξεκινήσει, δεν χρειάζεται να περιμένει την τέλεια ομάδα ή την τέλεια ιδέα. Χρειάζονται τρεις απλές κινήσεις.
Πρώτον: Ξεκινήστε από ένα πραγματικό πρόβλημα
Από ένα σημείο τριβής που έχετε εντοπίσει ξανά και ξανά: σε μια ομάδα, σε έναν πελάτη, σε μια τάξη, σε ένα νοσοκομείο, σε μια μικρή επιχείρηση. Το καλύτερο AI προϊόν δεν ξεκινά με το «τι μπορεί να κάνει το μοντέλο» αλλά με το «ποια ανθρώπινη ανάγκη αξίζει να λυθεί».
Δεύτερον: Μετατρέψτε την ιδέα σε κάτι που μπορεί κάποιος να δει και να δοκιμάσει
Χρησιμοποιήστε εργαλεία όπως το Google AI Studio, το Lovable, το v0, το Cursor ή το Claude Code για να μετατρέψετε την ιδέα σε ένα πρώτο prototype. Δεν χρειάζεται να είναι τέλειο. Χρειάζεται να είναι αρκετά συγκεκριμένο ώστε κάποιος να το δει, να το αγγίξει, να αντιδράσει, να σας πει τι δεν κατάλαβε ή τι πραγματικά θα χρησιμοποιούσε.
Τρίτον: Ψάξτε για πραγματικό pull, όχι απλώς για θετικά σχόλια.
Το ότι κάποιος είπε πως είναι «πολύ ωραίο» δεν σημαίνει ότι θα το χρησιμοποιήσει. Ρωτήστε αν του λύνει ένα αρκετά σημαντικό πρόβλημα ώστε να τον κάνει να το ξαναχρησιμοποιήσει, να το προτείνει, να το βάλει στη δουλειά του ή να πληρώσει γι’ αυτό. Εκεί αρχίζει το product-market fit.
Ο AI Builder δεν ξεκινά επειδή ξέρει όλα τα εργαλεία. Ξεκινά επειδή βλέπει ένα πρόβλημα καθαρά, δίνει γρήγορα μορφή σε μια ιδέα, και έχει την κρίση να αποφασίσει τι αξίζει να χτιστεί.
Bio
Η δρ Μαρίλη Νίκα είναι founder της AI Product Academy, best selling author και AI product leader με έδρα τη Silicon Valley. Από το 2013 δουλεύει στην Google πάνω στην αναγνώριση φωνής και στο Gemini, και παράλληλα ασχολείται με την εκπαίδευση της νέας γενιάς AI product managers και AI Builders. Μέσα από live cohorts και εταιρικά trainings, έχει διακριθεί με 2 Webby Award nominations καθώς βοηθά να εδραιωθεί ο τομέας του AI Product Management, καθώς και ομάδες και επαγγελματίες να χτίζουν προϊόντα στην εποχή της τεχνητής νοημοσύνης. Γράφει στο marily.substack.com, LinkedIn και aiproduct.com
Το άρθρο δημοσιεύθηκε στο δεύτερο τεύχος του WIRED Greece. Γίνε συνδρομητής εδώ.
