ai-product-strategy

AI プロダクト戦略

インパクトの大きいワークフローを優先し、非決定論的な開発を乗りこなし、防御可能な AI プロダクトを構築しましょう。

Lenny's Podcast と Newsletter にわたる 26 名のゲストと投稿からの知見を活用して、AI プロダクト戦略についてユーザーを支援します。

支援の方法

1. 切り口を定義する - AI がユーザーに対して不釣り合いなほどの見返りをもたらせる、摩擦の大きい雑用を特定します。
2. アーキテクチャを選択する - ライブデータの必要性と特定の振る舞いの必要性に基づいて、検索拡張生成（RAG）とファインチューニングのどちらかを選びます。
3. 自律性を安全に拡大する - 完全な自動化に移行する前に、人間をループに保つ段階的な自律性へのアプローチを設計します。
4. カーブに合わせて構築する - 今日の限界に対する複雑な足場を組むのではなく、将来のモデル能力にプロダクトのロードマップを合わせます。

中核となる原則

ぐにゃりとした出力を前提にする

Alex Komoroske: 「LLM は、ひどいソフトウェアを書くことを大幅に安くします。必ずしも良いソフトウェアではなく、特定の文脈では十分に良いものです。そしてまた、かつては単なる従来型のコンピューティングではなかったある種のソフトウェアが、今では安く実行できるということでもあります。それは比較的高い限界費用です。」

AI は非決定論的で不完全であることを前提としたプロダクト体験を設計し、UI に 100% の精度を無理に押し込もうとしないようにしましょう。

プロダクトを生きた有機体として扱う

Asha Sharma: 「これらのモデルはこの時点で非常に効果的なので、特定の種類の成果に向けてチューニングしていきたくなります。突然、これらは対話が増えるほど良くなっていく生きた有機体なのです。これは、考え、生き、学ぶプロダクトを持つすべての企業にとっての新しい IP だと思います。」

静的な機能リリースではなく、データを取り込み学習ループを改善するチームの代謝で成功を測りましょう。

垂直化に防御可能性を見出す

Logan Kilpatrick: 「私たちはこれらの多様な垂直化プロダクトのいくつかをローンチするつもりはありません。AI セールスエージェントをローンチするつもりはありません。それは私たちが目指して構築しているものではありません。そして、その分野にいて何らかのドメイン固有の知識を持ち、その問題領域に本当に興奮している企業は、そこに踏み込み、私たちのモデルを活用し、それだけの R&D の労力を自分たちで行うことなく最先端にとどまり続けることができます。」

基盤モデルと競合するのを避け、ドメイン専門知識が構造的な優位性をもたらす特定の業界ニッチを狙いましょう。

特定のスーパーパワーをインキュベートする

Noah Weiss: 「AI の領域では、顧客から、これらの新しいスーパーパワーがあれば Slack に何をしてほしいかを聞こうとしています。いくつかのチームをインキュベートするかプロトタイプを作り、走らせて試験運用する余地を与え、そして驚くべきものをローンチしましょう。人々を圧倒するものです。それが私たちが見てきた公式です。」

汎用的な AI 機能を避け、特定の顧客ニーズを特定し、専任チームにそれを独立してプロトタイプ化する余地を与えましょう。

モデルの未来に向けて構築する

Sherwin Wu V2: 「この分野とモデル自体は、本当に、本当に速く変化しています。それらは自分自身を破壊する傾向があります。モデルはあなたの足場を朝食として食べてしまいます。」

最終的にモデルによってネイティブに吸収されるであろうカスタムの足場を組むのを避けるため、12〜18 か月後に期待される能力を想定して設計しましょう。

段階的な自律性へのアプローチを採用する

Aishwarya Naresh Reganti + Kiriti Badam: 「影響が最小限で人間のコントロールがより多い場所から意図的に始める必要があります。そうすれば、現在の能力とは何か、それで何ができるかをしっかり把握でき、その後、徐々により多くの自律性とより少ないコントロールに傾いていきます。」

完全な自律的な対話に拡大する前に、人間をループに含めた提案から始めることで、エージェント型システムを安全に展開しましょう。

テンプレートとフレームワーク

• AI 用語集 - 20 以上の重要用語（AI 用語集）- 会議の際にすぐ参照できるよう、手元に置いておくことを想定した、5 歳児にもわかるような説明付きの AI 用語の包括的なリファレンスリスト
• AI プロダクト構築における 12 の原則（AI プロダクト構築に関する直感に反するアドバイス）- GitHub、Canva、Superhuman、Perplexi などの企業で活躍する 20 人以上の AI プロダクトリーダーの知見をまとめた、AI プロダクト構築に関する 12 の直感に反する原則
• CC/CD（継続的キャリブレーション／継続的開発）フレームワーク（AI プロダクトに異なる開発ライフサイクルが必要な理由）- 非決定性と自律性と制御のトレードオフを考慮した、AI プロダクト向けの 6 段階の開発ライフサイクルフレームワーク。従来の CI/CD の考え方に代わるものです
• AI 統合の意思決定フレームワーク（概要：AI とプロダクトマネジメント | Marily Nika（Meta、Google））- プロダクトに AI を追加するタイミングと方法を決めるためのアプローチ
• AI プロダクト構築に応用する「苦い教訓」（Sherwin Wu V2）- Rich Sutton の「苦い教訓」を AI を活用したプロダクト構築に応用したもの。足場や回避策は、モデルの改善によって不要になります
• AI スタートアップの防御力フレームワーク（Peter Deng）- 防御力の高い AI スタートアップを構築するための 3 つの柱：独自データのフライホイール、工夫を凝らしたワークフロー、既存企業の流通力を乗り越えるプロダクト開発力。
• AI プロダクトのマインドセット転換：プロトタイプ優先とデザイン優先（AI プロダクト構築に関する直感に反するアドバイス）- 実現可能性が不確かな AI ネイティブなアプローチと、従来のソフトウェア開発アプローチを対比するフレームワーク
• AI プロダクトの差別化スタック：データ > インターフェース > モデル（AI プロダクト構築に関する直感に反するアドバイス）- AI プロダクトにおいて、持続的な競争優位性がどこにあるのかを示す階層
• AI では参入障壁より定着性が重要（Scott Wu）- AI プロダクトの防御力は、高い参入障壁ではなく、蓄積された知識、チームのワークフロー、学習などによって高まる定着性から生まれます

詳細を含む全リストは references/artifacts.md を参照してください。

ユーザーの理解を助ける質問

• 「プロダクトの中で、摩擦が大きく、自動化による効果が最も大きい作業は何ですか？」
• 「ユースケースでは、最新の内部データへのアクセス、または特定の一貫した振る舞いのスタイルが必要ですか？」
• 「非決定的な、あるいは不正確な AI の出力に対応できるよう、インターフェースをどのように設計していますか？」
• 「基盤モデルが更新されたら、1 年以内に時代遅れになる可能性が高い機能を構築していますか？」
• 「競合他社が簡単にアクセスしたり複製したりできない、どのような独自データを持っていますか？」
• 「プロダクトの学習ループが時間とともにどう循環しているか、どのように測定しますか？」

注意すべきよくある間違い

• 現在のモデルの限界を前提に構築する - 今日のモデルの弱点を補うために複雑な足場を作っても、基盤モデルがその機能をすぐに吸収するため、得策ではありません。
• AI を使うこと自体を目的にする - 検証済みでデータに裏付けられたユーザーの課題に基づかない汎用的な AI 機能は、有意義な価値や防御力をもたらしません。
• 精度 100％を前提にする - AI の確率的な性質を考慮しないと、モデルが必然的に幻覚を起こした際に、ユーザー体験が破綻します。
• データよりプロンプトエンジニアリングを優先する - AI 機能の有効性は、プロンプトそのものより、基盤となるデータの品質や鮮度に制約されることがよくあります。

詳細

26 人のゲストから集めた、出典付きの全 45 件の知見については references/guest-insights.md を参照してください。

関連スキル

• Ai Evals
• Ai Native Ux