ここ数年でAI製品は単なる実験や内部のpet-projectではなくなりました。大手企業は生成AI、AIアシスタント、分析AIシステムを導入し始めました。これらは「ニューラルネットワークが何ができるか見る」という形式ではなく、ビジネスの効率性、従業員の生産性、プロセス経済に影響を与える完全なproductionソリューションとして導入されています。
しかし、すぐに分かったのは、クラシックなプロダクトマネージャーが企業のAIにほぼ適していないということです
面接では多くの候補者が、プロダクトマネージャーの標準的なハードスキルについてよく話すことができます：CustDev、JTBD、ロードマップ、MVP、A/Bテスト、製品メトリクス
しかし、本格的なエンタープライズAI製品の話題になると、問題が生じ始めます。AIプロダクトマネージャーには独自の専門性があり、エンタープライズプロダクトには独自のものがあります。これら2つの知識分野が一人の人物に重なることはまれです。
エンタープライズ向けのAIプロダクトマネージャーは、単なる「ニューラルネットワークを扱う通常のプロダクトマネージャー」や「ビジネスと開発の間に立つ人物」ではありません。
AI製品には独自の専門性があります：
モデルの制限;
虚構現象;
データの品質;
レイテンシと推論コスト;
AIガバナンス;
ループイン・バイ・ヒューマンの必要性;
セキュリティリスク;
複雑な統合;
モデルの継続的なチューニング;
プロダクションAIシステムの運用.
では、エンタープライズB2B製品には独自の課題があります：
長い販売サイクル；
入札と調達；
多くの意思決定者；
複雑な合意形成；
セキュリティ要件；
オンプレミスと閉じた回路；
SLAと技術サポート；
レガシーシステムとの統合；
ビジネス効果とROIを証明する必要性;
難しい収益化;
プロダクトを構築し、市場に投入する必要性を同時に持つ。
実質的には、ミニCEOの役割であり、同時に必要とされるのは:
プロダクト思考;
技術への理解;
エンタープライズアーキテクチャへの理解;
討判スキル;
B2B販売の理解;
プロダクト経済の理解;
コンフリクトや不確実性に対処する能力;
インプリメントメントと運用を構築する能力;
そしてAIプロダクトがパイロットから拡張可能なビジネスへと変化する仕組みを理解すること。
最近、私たちはAI/B2B製品のプロダクトマネージャーとして多くの面接を担当しました。この記事では、候補者の評価をする際に使用するアプローチ、質問、ケーススタディ、そして注意点をまとめました。
すぐに言っておくが、これは「唯一正しい」インタビュー方法ではない。むしろ、エンタープライズAI製品、プロダクション導入、そしてそうした製品を外部市場に導こうとする試みの中で、私が育んだ実践的なアプローチである。
どのようなスキルを評価する
私はインタビューを製品管理の理論試験に変えようとしない。
候補者がJTBDの定義を完璧に再現できるか、またはすべてのagileフレームワークを名前を挙げられるかどうか、私はあまり興味がありません。今日の多くの理論は十分に速く学べます。ずっと難しいのは、同時に存在する技術の制約、(technology constraints)、ビジネスの関心、(business interests)、複雑な導入、(complex implementations)、企業の政策、(corporate policies)といった現実のenterprise環境でそれを適用することです。
セキュリティ、
売上、
サポート プロダクション、
そして絶え間ないリソースの不足。
それで面接では、まず人間がどのように思考しているか、そして実際の企業環境でAI製品を管理できるかどうかを理解しようとします。
約束として、私は面接をいくつかの大きなブロックに分けています。
AI製品市場のアイデア生成と理解
このセクションは、候補者の思考の幅を迅速に理解し、彼らがAI市場においてどの程度知識を持っているかを判断するのに役立ちます
例えば、私は次のような質問をすることができます
彼が将来性のあるAI製品とは何かを尋ねる；
ロシア市場と世界市場で見るトレンドは何かを尋ねる；
新しいAI市場分野をどのように評価するかを尋ねる
もし直接の競合が全く存在しない場合に何をするか；
そのような解決策の主要な競合はロシア市場の大企業セグメントで何か；
プロダクトのアイデアをどのように探すか；
AIスタートアップが全く生き残れるかどうかのために何に頼るか。
ここではよく、候補者が既存のバックログを上手く扱えることがわかるが、不確実性や新しい方向性の探求にはほとんど不得手であることが判明する。
そしてAIにとってこれは重要な問題だ、なぜなら市場は今、あまりにも速く変化しているからで、多くの製品の仮説が数ヶ月で実質的に時代遅れになるからだ。
別に、人間がAI市場の特殊性をどの程度理解しているかを理解することが私にとって重要だ。
オープンソースモデル;
ロシア市場におけるプラットフォームの競争;
収益化の問題;
高い導入コスト;
拡張の複雑さ;
プロダクト品質がデータに依存すること;
AIが段階的に「機能」からインフラ層へと変化していくこと;
Discoveryと研究
通常私は研究ブロックに移動します.
ここで私が重要に思うのは:
人間が不確実性を扱うことができるかどうか;
実際のインサイトを得ることができるかどうか;
B2BとB2Cの研究の違いを理解しているかどうか;
大手企業のクライアントと話すことができるかどうか.
私はよく尋ねます:
JTBDとは何か；
Enterpriseについて話すときに「ペルソナ」とは何を意味するか；
本当に意味があるときにどう適用するか；
候補者がフィールド調査に備える方法；
彼がB2Bの回答者を探す場所；
インタビューをどう行うか；
問題が本当に重要であるとどう理解するか
はどのように研究の後、製品の次の段階に進むか。
実践的には、ここでジュニア/ミドルプロダクト担当者にとっての主な問題の一つが顕著になることが多い: 彼らは CustDev を「ユーザーと話すこと」と捉えている。
しかしエンタープライズ B2B 研究は全く別の物語だ。
エンタープライズでは、あなたにはほとんどの場合ない:
大量のユーザーがない;
急速な実験;
安価なトラフィック;
即時のフィードバック。
それに、
長い販売サイクル;
複雑な調整プロセス;
数人の異なるステークホルダー;
会社内の政治的利益。
ユーザーと意思決定者は同一人物ではありません。
そのため、Product Managerが情報が少ない環境で高いミスのコストが発生する中で働けるかどうかを理解することが重要です。
プロトタイピングとMVP
次のセクションはプロトタイピングとMVPです。
ここでは通常、候補が本格的な開発を開始する前にどの程度不確実性を低減し、仮説を検証できるかを理解しようとします
例えば
プロトタイプが必要なのかどうか；
ライフサイクルのどの段階で使用するか；
様々なタイプの製品に適したツールは何か；
プロトタイプをどうテストするか
ユーザーにどのような質問をするか;
MVPをあまりに高くや長くする場合どうするか。
企業向けAIの場合、これは特に重要です。なぜなら、ここでのエラーの費用は一般的なB2Cよりもはるかに高くなるからです。
AI製品では非常に迅速に費用を無駄にすることができます：
数ヶ月の開発期間;
大きな機械学習予算;
インテグレーション。
インフラストラクチャ；
GPUリソース；
また導入コマンド、
そして、
プロダクトが実際の問題を解決していないことが判明する；
ユーザーがそれを信用していない；
顧客がプロセスを変える準備ができていない；
あるいは、導入経済が全く合致しない。
ここで私が重要に思うのは、人間が「機能を作る」というカテゴリーだけでなく、「リスクと仮説の検証」というカテゴリーで考えることができるかどうかを見ることです.
なぜAIプロダクトマネージャーはお金を計算できる必要があるのか
おそらく、プロダクトマネージャーの面接で最も低く評価されるセクションの一つは、プロダクト経済です.
多くの候補者は理解できていません：
プロダクトがどのように、どのようなものでお金を稼ぐのか
実際の運用コストはいくらですか；
AI製品の経済性はどのように計算されますか；
主なコストがどの部分で発生しますか；
そしてなぜ一部のAI製品は経済的に拡大不可能なのですか。
そしてエンタープライズAIにとってこれは重要です。
なぜならエンタープライズAI製品はほとんどの場合高価だからです：
インフラストラクチャ；
GPU;
推論;
データの保存;
統合;
導入;
サポート;
保守;
カスタマイズ;
セキュリティ;
オンプレミスデプロイメント;
特定の顧客向けの改良。
これらの各項目はすべて「財務モデルに組み込まれる」必要があり、それには導入費用、カスタマイズ費用、サポート費用が含まれます。つまり、本質的に製品の経済性はハイブリッドであり、その中には製品部門/投資部門と統合部門/コンサルティング部門の両方があります。これらは2つの異なる財務モデルであり、「組み合わせる」必要があります。
インタビューでは、ほぼ常に別途確認します：
候補者がB2B AI製品の収益化モデルを理解しているかどうか。
はユニット経済を計算できるか；
は導入コストを評価できるか；
はカスタマイズが利益率に与える影響を理解しているか；
はP&L製品について考察できるか；
はROIの観点で考えるか。
例えば、私は非常に簡単な質問をすることができます：
製品の価格をどのように設定しますか；
どのような費用を必ず考慮する必要がありますか；
どの収益化モデルが適していますか；
どのように利益率を評価しますか；
どの時点でユニット経済を計算する必要がありますか；
Enterprise AIにとってどのような指標が重要ですか。
そのため、Enterprise AI Product Managerは、製品を開発するだけでなく、
売り出す;
導入する;
サポートする;
スケールアップする;
そしてその過程で経済性を保つ必要があるためです。
私は通常、候補者がEnterprise販売の特殊性をどの程度理解しているかを見ます。
エンタープライズB2Bは、B2Cだけでなく、中小企業向けB2Bモデルとも大きく異なります。大手企業には、
長い取引サイクル、
入札、
調達、
複数の承認段階、
情報システム、
アーキテクチャ、
法務部、
インフラストラクチャの制約が存在します。
オンプレミス要件（常にではない）；
および導入開始前に経済的効果を証明する必要性.
鍵となる点：これらすべての条件の中でAI製品をビジネスに変える.
なぜAIプロダクトマネージャーは技術を理解するべきか
私は、AI製品のプロダクトマネージャーがMLエンジニアやアーキテクトであるべきだとは思わない。しかし、彼らは管理している製品の技術的な制限を理解する必要があると考える.
クラシックな製品では、ユーザーシナリオ、CJM、指標、バックログのレベルである程度の時間を過ごせる。しかし、AI製品ではこれでは不十分.
なぜなら、多くの製品の解決策が直接的に技術に依存しているからである.
どのようなデータが利用可能ですか；
そのデータはどの程度の品質ですか；
それらはどこに保存されていますか；
学習やRAGのためにそれらを使用できますか；
使用されているモデルは何ですか；
それはどの程度安定していますか；
推論にかかるコストはどの程度ですか；
ユーザーにとって許容される応答遅延はどの程度ですか；
どこでHuman-in-the-loopが必要か；
どのようなhallucinationsが許容され、どのようなものが許容されないか；
100%のケースで正確に答える注文主に対してシステムを提出する方法；
プロダクトがクローズドなコンテキストでどのように動作するか；
それを生産環境で後でどのようにサポートするか。
プロダクトマネージャーがこれを理解しない場合、チームがそれを実行できないか、または非常に高コストで実行できる場合、市場や顧客に対して物を約束し始める速度が非常に速くなります.
エンタープライズでは特に危険です.
ここでは単に「ニューラルネットワークを追加する」や「AIアシスタントを追加する」と言うことはできません。理解する必要があります：
製品がどのシステムに統合されるか。
安全性の制限は何ですか；
どのようなデータをモデルに送信できますか；
ユーザーデータはどこに保存されるべきですか；
インプリメントメントのコンテーラーはどのように構成されますか；
レスポンスの品質はどのように検証されますか；
エラーに対して誰が責任を持ちますか；
サポートはどのように組織されますか；
そして、もしモデルが間違った答えを返したらどうなるか。
そのため、面接では候補者がコードを書けるかどうかを確認するのではなく、別のことを理解することが重要です。技術チームと同じ言葉で話し合い、技術的な現実を考慮して製品の決定を下せるかどうかです。
これのために、私は次のような質問をすることがあります。
AI製品に起こりうる技術的なリスクは何か。
どのように性能問題を防ぐか；
どの統合が重要か；
どのようにAI機能の品質を評価するか；
エンタープライズに導入する際にどのような制限が生じるか；
モデルが不安定な結果を出す場合にはどうするか；
どうしてビジネスに一部のタスクは完全に自動化できないのか説明するには
スタック全体の理解とその選択理由についても尋ねると良い。これはプロダクトが開発にどれだけ没頭しているか、技術チームの問題にどのように対応しているかを確認する方法となる。
私にとって良いAIプロダクトマネージャーとは、AIが本当に価値を生み出している場所と、技術的なリスク、コスト、そして誤った期待を生み出し始める場所を理解できる人ではない
面接における有益なケーススタディ
面接における理論的な質問は役立つが、今日では理論を比較的迅速に習得でき、その一方で実際のエンタープライズ状況において完全に迷子になることがある
そのため、私はすぐにインタビューの焦点を実践的なケースに移すようになりました。
最も示唆的なケースの一つは、ビジネスとMLチームの間の対立です
私はよく候補者に、エンタープライズAIチームに近い現実の状況を与えます
例えば：
優先順位の議論中、データアナリストは重要なクライアント向けに機能を急いで導入する必要があると言います。その瞬間、MLエンジニアのリーダーが激しく反論し、チームが数ヶ月もアルゴリズムの改善を完了できていないと言い、ビジネスが「役立たずの要望」を絶えず押し付けていると指摘します。
衝突が始まり、議論は中断され、チームは沈黙します。
その後、私は尋ねます：
はその瞬間にどのように反応するか；
は議論の焦点をどのように戻すか；
は今後どう行動するか；
は状況の繰り返しをどう防ぐか。
初見ではケースがかなり単純に見える。しかし実際には、Product Manager の成熟度を非常によく示している。
なぜなら、ここでは同時に検証されているからである。
リーダーシップ；
機会創出；
感情的安定性；
矛盾を扱う能力；
ビジネスの関心を理解する；
MLチームの関心を理解する；
そして製品バランスを維持する能力。
非常に弱い候補者はよく：
「衝突を消す」どんな代償でもする
企業側に立つ；
開発側に立つ；
または形式的なアジャイル・儀式に没頭する。
しかし、エンタープライズAIの問題は通常より深刻です。MLチームは本当に研究タスクで過負荷になりうります。ビジネスは本当に大口顧客から圧力をかけられます。アーキテクチャの制約は本当に機能を迅速にリリースするのを妨げることがあります。そしてProduct Managerは「議論を勝ち取る」のではなく、システムを正常に機能させる能力を持つ必要があります.
もう一つの重要なケースタイプは、エンタープライズ顧客との交渉です
もう一つの示唆に富むブロックとして、交渉事例を挙げます。
例えば、私は次のような状況を提示します。
大手企業クライアントが年間固定料金に大幅な割引を要求する一方で、会社にとってはキャッシュフローと内部の制約により月次モデルの支払いが不可欠です。
そして、私は次を見ます。
候補者がどのように交渉を進めるか。
すぐに譲歩に移行するか；
対立を始めるか；
追加の質問をすることに長けているか；
プロダクトの内部経済を理解しているか；
会社の利益を守る能力があるか；
そして全体的に、どうやってエンタープライズB2B販売が行われるかを理解しているか。
なぜなら、Enterprise AI Product Managerは販売から隔離されることは非常に稀だからです。ある時点でProduct Managerはほぼ避けられずに参加することになるのです：
プレスエール；
論議；
商業提案の作成；
クライアントとロードマップについての議論；
プロダクト経済の防衛。
と、なぜその製品が全く価値があるのかという説明。
そして、もし人間がそれをできないと、非常に急速に製品、販売、導入、そして顧客の期待との間にギャップが生じます。
このような短いケースを通じて、候補者が複雑な状況でどのように行動するかを見ることができ、過去の完璧な説明を聞くのではなく。
複合的な製品ケースの例
理論的な質問と小さな状況的ケースの後、私はほぼ常に大きな複合的なCASEに移ります。
これはインタビューで最も重要な部分の一つです。
なぜなら、ここで初めて人間がシステム的思考ができ、同時に製品、市場、技術、経済を把握できるかが明らかになるからです。
時々私は候補者に自分の製品を解説してもらいます。しかし実際には必ずしもうまくいきません：
誰かが製品の非常に狭い部分に取り組んでいた；
誰かが詳細を明かすことができなかった；
誰かの製品は全くAIではなかった；
そして時々は候補者が非常に一般的な表現に走り出す
そのため、私はしばしばすでに準備されたケースを提供します。
通常これはB2B AI製品であり、エンタープライズ向けの特徴を持っています。
例えば、ケースの一つは「AI Legal Risk Scout」です。
ケースの例は「AI Legal Risk Scout」です。
エンタープライズクライアント向けのAIシステムがあり、それには以下のような機能があります：
大量の契約書を分析します；
潜在的な法的リスクを検出します；
罰金制裁や隠れた義務を特定します；
はLLMを用いて記述の改善を提案します；
は法改正の追跡を行います；
は契約書の新たな要件との整合性を確認します。
製品は以下のシステムと統合されます：
DMS（Document Management Systems）；
CRM / ERP；
企業用文書保管システム。
ターゲットユーザー：
銀行;
保険会社;
開発業者;
通信事業者;
大企業クライアント.
収益化:
サブスクリプション;
地域の法規制やクライアントの内部プロセスに合わせたカスタマイズ.
このケースで私は何を確認していますか
実際、ここで「正しい答え」がどれほど重要かはあまり気にしない。
私が重要視するのは、
候補者がどのように課題を構造化するかを見ることだ。
例えば：
彼は何から始めるか。
多くの候補者はすぐに話し始める：
AIについて；
モデル；
インターフェース；
roadmap。
製品の機能.
しかし強いProduct Managerは通常、まず他のことを始めます.
価値がどこで生まれますか;
エラーのコストはどれくらいですか;
現在、問題はどのように解決されていますか;
競合は誰ですか（これは無料サービスや手作業の労働でもかまいませんが、それが主要な競合である限り）;
統合コストはどのくらいですか.
「支払いたいという欲望」があるのかどうか.
ユーザーと購買者.
その後、私は通常、より深く掘り下げます。例えば、「ここには誰がユーザーか？」と尋ねたり、「購買決定を下す立場の人物は誰か？」と尋ねたりします。なぜなら、エンタープライズではほぼ常に「ユーザー」と「購買決定を下す人物/人物たち」の間に違いがあるからです.
例えば：.
弁護士がシステムを使うことがあります；
法務部門のディレクターは決定を行う；
IT部門は導入をブロックする；
そしてCIOは予算を調整する。
そしてB2Bの良いプロダクトマネージャーはこれを見抜くべきだ。
製品のリスク
他の難しい質問：この製品の主なリスクは何か？一部の人々はこう答える：
「競争」；
「AIの複雑さ」;
「データ不足」.
しかし、エンタープライズAIのリスクは多くの場合、他にあります.
例えば:
法務担当者はAIを信頼しないかもしれません;
クライアントはドキュメントをモデルに送信するのが怖いかもしれません;
統合が非常に高価になる可能性があります;
導入が販売よりも長い時間を要する可能性があります.
または個々の顧客に合わせたカスタマイズのコストが製品の経済性を破壊する可能性があります.
ユニット経済性
B2BとB2Cの両方でユニットは大きく異なる可能性があります。B2Bでは、例えば以下のようなものがユニットとなる場合があります.
顧客企業；
個別の部門；
従業員数；
文書数；
データ量；
AIリクエストの数;
処理されたプロセスの数;
対応したコンテキスト;
または完全に別のエンタープライズ契約.
私は通常、
候補者が導入費用を理解しているかどうかを見ます;
GPUの費用を考慮しているかどうかを見ます;
カスタマイズの役割を理解しているかどうかを見ます;
サポート費用について考えているかどうかを見ます。
はプレセールを考慮しているか；
は統合のコストを設定しているか；
はオンプレミス展開の影響を理解しているか；
はSLAとサポートについて考えているか。
多くの人々がSaaSを考えるようになりますが、エンタープライズAIはほとんど「完璧なSaaS」になりません。そこではほぼ常にカスタム開発、統合、導入が発生します。さらに、大多数のケースではセキュリティ要件がクラウドを放棄し、オンプレミスの導入につながります。
私は特に候補者が製品を市場に投入する考え方をどう思っているかを見ています
AI製品は技術的に優れていても、売上は悪い場合があります。販売チャネルや販売技術自体は、より大規模な歴史（B2Cと中小B2B）とは大きく異なります。
したがって、私はほぼ常に尋ねます：
候補者がどの販売チャネルを選びますか；
どのようにB2Bの漏斗を構築しますか；
どのように試験導入を組織しますか；
どのようにROIを証明しますか。
エンタープライズにどうアクセスするか；
誰を通じて製品を販売するか；
どのようなパートナーシップを築くか；
そしてAI製品を拡張可能なビジネスにどう変えるか.
最も頻繁に見る赤信号は何か
上記の理論的な問いやケーススタディは、私がエンタープライズセグメントにおけるAI製品において特に問題となる問題点を見ることができることを示しています.
以下に、私にとって特に示唆に富んだ赤信号をいくつか挙げます.
候補者が機能についてだけ話し、経済と収益化についてあまり話さない場合
は販売後の状況を理解していない；
はどのように製品が収益を生み出し、モデリングモデルに統合的およびコンサルティングサービスを組み込むかを理解していない；
はAIの技術的な制限を理解していない；
はこの市場の高い不確実性を十分に理解していない；
は弱い交渉の戦術と戦略を持っている。
全体として、セキュリティ政策などを含む大企業の現実を良く理解していない
これは必ずしも製品マネジメントの弱さを意味するとは限りませんが、ほぼ必ず、その人にとってエンタープライズAI環境に迅速に適応することが非常に難しいことを意味します
結論
近年、AI製品の周りには大量のハイパーが発生しました。しかし、それと同時に、エンタープライズAIがクラシックな製品管理とどれだけ異なるかがはっきりとわかりました。
エンタープライズAI製品マネージャーは、非常に迅速に現実に直面します。同時に存在するものが:
技術の限界;
複雑な経済;
企業環境への導入;
販売;
セキュリティ;
プロダクションサポート;
カスタマイズ;
統合;
内部の対立;
そしてビジネスの利益と開発の利益の間で常にバランスを取る必要性.
そのため面接では、私が理解するのが重要なのは:
エンタープライズでの実際の経験と交渉スキル；
技術的な側面の理解と技術的な変化の文脈に留まる能力；
AIイニシアティブを生産環境に導入する能力。