کار PM تو دوره‌ی هوش مصنوعی عوض شده
هوش مصنوعیخلاصهٔ کامل‌تر
نویسنده با یه تجربه‌ی آشنا شروع می‌کنه: یه PM سه هفته قبل از انتشار، کتبی پیش‌بینی می‌کنه که آرشیو کردن تأمین‌کننده‌ها بدون امکان بازگردانی، یه باگ دائمی می‌سازه. راه‌حلش رو هم می‌نویسه. ولی فیچر همون‌طوری منتشر میشه. نودلمن می‌گه این عصبانیت به هیچ‌جا نمی‌رسه، چون شغلی که این انتظار رو داشت دیگه وجود نداره.
حرف اصلیش اینه که کیفیت نرم‌افزار همیشه محصول جانبی هزینه بوده. وقتی یه فیچر شش هفته وقت سه تا مهندس رو می‌گرفت، همه اول فکر می‌کردن و spec و review می‌نوشتن. حالا که ساختن با AI تقریباً مجانیه، این احتیاط از خود اشتباه گرون‌تر درمیاد. نتیجه یه لایه‌ی رسوبی از چیزهاییه که کار می‌کنن ولی بی‌سروصدا بدن.
به گفته‌ی نویسنده، کار جدید PM چند تا بخش داره. اول، نشونه گرفتن موشک: AI بدون توجه به داکیومنت‌های تو جلو می‌ره، و ارزش تو فقط اینه که تعیین کنی کجا فرود بیاد (کدوم مشتری، کدوم مسئله). دوم، جیره‌بندی دقت: صفحه‌ی تنظیماتی که یه ادمین یه بار باز می‌کنه ارزش حرص خوردن نداره. ولی ده دقیقه‌ی اول محصول، صفحه‌های جستجو و جزئیات، داشبوردهای حیاتی، دموی فروش و بخش AI هیچ‌وقت نباید این لایه‌ی رسوبی رو بگیرن.
مهم‌ترین توصیه‌ش صیقل دادن الگوهاست، نه تک‌تک فیچرها. اون باگ آرشیو به نظرش اتفاقی نیست؛ وقتی هر تیم با AI از صفر یه حذف، یه جدول یا یه جستجوی جدا می‌سازه، هرکدوم یه جور خراب میشه. پیشنهادش اینه که چیزهای تکراری یه بار و درست ساخته بشن: CRUD با soft delete و restore، جدول با sort و فیلتر و حالت خالی، جستجویی که ترتیبش مشخصه، audit trail و undo برای کارهای مخرب. چون AI از روی چیزی که می‌بینه کپی می‌کنه، یه الگوی واحد باعث میشه همه‌جا همون رو بسازه.
دو تا هشدار هم داره: یه الگوی بد همه‌جا با هم خراب میشه، و الگویی که فقط تو ویکی باشه یه هفته‌ای می‌میره. پس باید بره تو scaffold، کتابخونه‌ی کامپوننت، تست‌های مشترک و دستورالعمل‌های coding agentها. یه دروازه رو هم باید نگه داشت: تست با مشتری همیشه با دو نسخه باشه، چون پرسیدن «اینو می‌خوای یا هیچی؟» همیشه جواب «آره» می‌ده.
آخر سر نویسنده از «درگیری بی‌وابستگی» حرف می‌زنه، یعنی مشکل رو پیش‌بینی کن، بنویس، بگو و بعد نتیجه رو ول کن. اعتراف می‌کنه برای این تناقض که داریم برای نقش‌هایی طراحی می‌کنیم که خودشون دارن با همین محصولات حذف می‌شن جواب راحتی نداره. توصیه‌ش برای آدم‌ها هم آزمایش کردن، نوشتن و یاد دادن، و ارتباط با هم‌فکرهاست.
نکات کلیدی:
- نویسنده، Greg Nudelman، ۱۶ سال سابقه‌ی ساخت محصولات AI داره
- ادعای اصلی: کیفیت نرم‌افزار نتیجه‌ی گرون بودن تغییر بود و با AI این ترمز برداشته شده
- الگوهای پیشنهادی برای استانداردسازی: CRUD با soft delete و restore، جدول، جستجو، audit trail، undo و rollback
- الگوها باید تو scaffold و کتابخونه‌ی کامپوننت و دستورالعمل agentها باشن، نه ویکی
- تست کیفی با مشتری همیشه با دو نسخه، نه یه نسخه
