지난 몇 년 동안 AI 제품은 더 이상 실험이나 내부 프로젝트로 남지 않았습니다. 대기업들은 생성형 AI, AI 비서, 분석형 AI 시스템을 도입하기 시작했으며, 이제는 인공지능이 어떤 능력을 가졌는지 보는 형태가 아닌, 비즈니스 효율성, 직원 생산성, 프로세스 경제성에 영향을 미치는 완전한 생산 솔루션으로 사용됩니다.

하지만 비교적 빨리 알게 되었습니다. 전통적인 Product Manager는 enterprise AI에 대해 거의 항상 적합하지 않습니다.

면접에서 많은 후보자들은 제품 매니저의 표준 하드웨어 역량에 대해 잘 설명합니다: CustDev, JTBD, 로드맵, MVP, A/B-테스트, 제품 메트릭스.

하지만 실제 엔터프라이즈 AI 제품에 대해 이야기가 나오면 문제가 발생하기 시작합니다. AI 제품 전문가는 자신만의 특성이 있고, 엔터프라이즈 제품 전문가도 자신만의 특성이 있습니다. 이 두 지식 분야는 한 사람에게는 드물게 겹칩니다.

엔터프라이즈용 AI 제품 매니저는 단순히「신경망과 함께 일하는 평범한 제품 매니저」나「비즈니스와 개발 사이에 있는 사람」이 아닙니다.

AI 제품은 자신만의 특성이 있습니다:

• 모델 제약;

• 환각;

• 데이터 품질;

• 지연 시간 및 추론 비용;

• AI 거버넌스;

• Human-in-the-loop의 필요성;

• 보안 위험;

• 복잡한 통합;

• 모델 지속적인 튜닝;

• 프로덕션 AI 시스템 운영.

엔터프라이즈 B2B 제품은 자신만의 것이 있어요:

• 긴 판매 주기;

• 입찰과 구매;

• 많은 의사결정자;

• 복잡한 합의;

• 보안 요구사항;

• 온프레미스와 폐쇄형 환경;

• SLA와 기술 지원;

• 유산 시스템과의 통합;

• 비즈니스 효과와 ROI를 입증해야 할 필요성;

• 복잡한 수익화;

• 제품을 동시에 개발하고 시장에 출시해야 할 필요성.

실질적으로, 이는 mini-CEO의 역할로, 동시에 필요한 것은:

• 제품 사고;

• 기술 이해;

• 기업 아키텍처 이해;

• 협상 기술.

• B2B 판매 이해;

• 제품 경제 이해;

• 갈등과 불확실성에 대한 작업 능력;

• 도입 및 운영 구축 능력;

• 그리고 AI 제품이 테스트 단계에서 대규모 비즈니스로 전환되는 방식 이해.

최근에 저는 AI/B2B 제품을 위한 Product Manager 인터뷰를 상당히 많이 진행해야 했습니다. 이 글에서 저는 후보자를 평가할 때 사용하는 접근 방식, 질문, 사례 및 주의사항을 모아둔 것을 소개합니다.

먼저 말씀드리자면, 이것은 '유일하게 올바른' 인터뷰 방식은 아닙니다. 오히려 엔터프라이즈 AI 제품, 생산 채택, 그리고 이러한 제품을 외부 시장에 출시하려는 시도와 함께 형성된 실용적인 접근 방식입니다.

나는 어떤 역량을 평가하나요

나는 인터뷰를 제품 관리 이론 시험으로 만들려고 하지 않습니다.

후보자가 JTBD 정의를 완벽하게 설명하거나 모든 agile 프레임워크를 알 수 있을지는 크게 관심이 없습니다. 오늘의 대부분의 이론은 충분히 빠르게 익힐 수 있습니다. 훨씬 어려운 것은 실제 enterprise 환경에서 동시에 존재하는 것들을 적용하는 것입니다.

• 기술적 한계,

• 비즈니스적 관심사,

• 복잡한 도입,

• 기업 정책,

• 보안,

• 판매,

• 생산 지원,

• 그리고 지속적인 자원 부족.

따라서 면접에서는 우선 사람이 어떻게 생각하는지와 AI 제품을 실제 기업 환경에서 어떻게 관리할 수 있는지를 이해하려고 노력합니다.

나는 상대적으로 면접을 몇 가지 큰 블록으로 나눕니다.

AI 제품 아이디어 생성 및 시장 이해

이 블록은 후보자의 사고의 폭을 빠르게 이해하고 그가 AI 시장에서 얼마나 잘 이해하는지 도와줍니다.

예를 들어, 저는 다음과 같은 질문을 할 수 있습니다.

• 그가 어떤 AI 제품을 전망적인 것이라고 생각하는지;

• 러시아 및 글로벌 시장에서 어떤 트렌드를 보는지;

• 새로운 AI 시장 분야를 어떻게 평가할 것이라고 생각하는지

• 만약 직접적인 경쟁자가 전혀 없다면 어떤 일을 할 것인가;

• 러시아 시장에서 대기업 시그먼트에서 이러한 솔루션의 주요 경쟁자가 무엇인가;

• 제품에 대한 아이디어를 어떻게 찾을 것인가;

• AI 스타트업이 어떻게 생존할 수 있는지에 대한 요소는 무엇인가.

여기서 자주 드러나는 것은 후보자가 이미 존재하는 백로그를 잘 다룰 수 있지만, 불확실성과 새로운 방향을 찾는 것을 거의 못한다는 점입니다.

AI에게는 이것이 중요한데, 현재 시장은 너무 빨리 변화하기 때문에 많은 제품 가설이 실제로 몇 개월 안에 구식이 되기 때문입니다.

또한, 사람이 정말로 AI 시장의 특성을 얼마나 이해하는지 알아야 합니다:

• 오픈 소스 모델;

• 러시아 시장의 플랫폼 경쟁;

• 마케팅 문제;

• 높은 도입 비용;

• 확장의 어려움;

• 제품 품질이 데이터에 의존하는 문제;

• 그리고 AI가 점차 '기능'에서 인프라 계층으로 변화하는 방식.

Discovery와 연구

나는 보통 연구 블록으로 이동합니다.

여기서 중요한 것은 이해하는 것입니다:

• 사람이 불확실성과 일상할 수 있는지;

• 실질적인 통찰력을 얻을 수 있는지;

• B2B와 B2C 연구의 차이를 이해하는지;

• 대기업 고객과 대화할 수 있는지.

나는 자주 물어봅니다:

• JTBD는 무엇인가요?

• Enterprise를 이야기할 때 "캐릭터"가 될 것은 무엇인가요?

• 정말로 적용할 의미가 있는 때는 언제인가요?

• 후보가 현장 연구에 대비하는 방법은 무엇인가요?

• 그는 B2B 응답자를 어디서 찾을 것인가요?

• 인터뷰를 어떻게 진행할 것인가요?

• 문제가 정말 중요하다는 것을 어떻게 알게 될 것인가요?

• 는 어떤 연구 이후 다음 제품 단계로 넘어갈 것인가.

실제로 여기서 중급/초급 판매자들이 가장 큰 문제를 자주 드러내는 곳이다: 그들은 CustDev를 '사용자들과 대화하는 것'으로 인식한다.

하지만 엔터프라이즈 B2B 연구는 전혀 다른 이야기다.

엔터프라이즈에서는 거의 결코 없다:

• 많은 양의 사용자;

• 빠른 실험;

• 저렴한 트래픽;

• 즉각적인 피드백.

그래도 있다:

• 긴 판매 주기;

• 복잡한 합의 과정;

• 몇 가지 다른 스테이크홀더;

• 회사 내부 정치적 이해관계.

• 사용자와 의사결정자는 동일한 사람이 아닙니다.

따라서 제가 중요하게 생각하는 것은 Product Manager가 정보가 부족하고 오류의 비용이 높은 환경에서 일할 수 있는지 여부입니다.

프로토타이핑과 MVP

다음 섹션은 프로토타이핑과 MVP입니다.

여기서는 보통 후보자가 전면적인 개발 시작 전에 불확실성을 얼마나 낮추고 가설을 검증하는지 이해하려고 노력합니다.

예를 들어:

• 프로토타입이 왜 필요한지;

• 생애주기의 어떤 단계에서 사용되는지;

• 다양한 유형의 제품에 적합한 도구는 무엇인지;

• 프로토타입을 어떻게 테스트하는지

• 사용자에게 어떤 질문을 하면 좋을까요;

• MVP를 너무 비쌀 것 같거나 오래 걸릴 것 같을 때 어떻게 해야 할까요.

엔터프라이즈 AI의 경우 이는 특히 중요합니다. 왜냐하면 여기서 오류의 비용은 일반적인 B2C보다 훨씬 높을 때가 많기 때문입니다.

AI 제품에서는 매우 빠르게 많은 것을 낭비할 수 있습니다:

• 개발 월;

• 큰 ML 예산;

• 통합;

• 인프라스트럭처;

• GPU 자원;

• 그리고 도입 명령,

그 후에 알게 되는 것은:

• 제품이 실제 문제를 해결하지 못한다;

• 사용자들이 그에게 신뢰하지 않는다;

• 고객이 프로세스를 변경할 준비가 되어 있지 않다;

• 또는 도입 경제성이 전혀 맞지 않는다.

여기서는 사람이 '기능을 만들다'는 범주만으로는 생각할 수 있는지, 아니면 위험 검토와 가설의 범주로 생각할 수 있는지 확인하는 것이 중요합니다.

왜 AI 제품 관리자는 돈을 계산하는 능력이 필요한가요

아마도 제품 관리자 면접에서 가장 낮게 평가받는 부분 중 하나는 제품 경제학입니다.

매우 많은 후보자들이 약간 이해하지 못합니다:

• 제품이 돈을 어떻게 벌고, 무엇을 통해 벌는지

• 그것의 운영 비용은 실제로 얼마인가요;

• AI 제품의 경제성은 어떻게 계산되나요;

• 주요 비용이 발생하는 곳은 어디인가요;

• 그리고 왜 일부 AI 제품은 원칙적으로 경제적으로 확장할 수 없나요.

그리고 엔터프라이즈 AI에게는 이것이 중요합니다.

왜냐하면 엔터프라이즈 AI 제품은 거의 항상 비쌀 거라서요:

• 인프라;

• GPU;

• 추론;

• 데이터 저장;

• 統合;

• 도입;

• 지원;

• 유지보수;

• 커스터마이징;

• 보안;

• 온프레미스 배포;

• 고객 맞춤 개발.

각각의 이 항목은 제품 재무 모델에 "들어갈" 필요가 있어야 하며, 이는 구현 비용, 커스터마이징 및 지원 비용을 포함합니다. 즉, 제품 경제는 사실상 혼합형이며, 그 안에는 제품/투자 부분과 통합/컨설팅 부분이 있습니다. 그리고 이는 두 가지 다른 재무 모델을 "합치는" 것이 필요합니다.

면접에서 저는 거의 항상 별도로 확인합니다:

• 후보자가 B2B AI 제품의 수익 모델을 이해하는지 여부;

• unit-경제를 계산할 수 있습니까;

• 도입 비용을 평가할 수 있습니까;

• 커스터마이제이션의 영향을 마진에 미치는지 이해하십니까;

• P&L 제품에 대해 논의할 수 있는지;

• 그리고 전반적으로 ROI의 관점에서 생각하는지.

예를 들어, 저는 충분히 간단한 질문을 할 수 있습니다:

• 제품 가격을 어떻게 설정할 것인가;

• 반드시 고려해야 할 비용은 무엇인가;

• 여기에 적합한 모델링 방식은 무엇인가;

• 마진을 어떻게 평가할 것인가;

• 언제 단위 경제성을 계산해야 하는가;

• 엔터프라이즈 AI에 중요한 지표는 무엇인가.

그래서 enterprise AI 제품 매니저는 거의 필연적으로 제품을 개발하는 것뿐만 아니라:

• 판매;

• 도입;

• 지원;

• 확장;

• 그리고 동시에 경제성을 유지해야 한다는 것에 마주하게 됩니다.

특별히 저는 후보가 enterprise 판매의 특수성을 얼마나 이해하는지를 보게 됩니다.

기업 B2B는 B2C뿐만 아니라 중소기업용 B2B 모델과도 크게 다릅니다. 대기업에는 다음이 있습니다:

• 장기 계약 주기;

• 입찰;

• 구매;

• 여러 수준의 합의;

• 정보 시스템;

• 아키텍처;

• 변호사;

• 인프라 제약.

• 온프레미스 요구사항 (항상 아님);

• 및 도입 시작 전에 경제적 효과를 증명해야 하는 필요성.

핵심: 모든 이 조건 하에서 AI 제품을 비즈니스로 전환.

왜 AI 제품 관리자는 기술을 이해해야 하는가

Product Manager AI 제품은 ML 엔지니어나 아키텍트가 되어야 한다는 생각은 하지 않습니다. 하지만 제품을 관리하는 기술적 제약을 이해해야 한다는 생각은 합니다.

전통적인 제품에서는 사용자 시나리오, CJM, 지표, 백로그 등의 수준에서 일정 기간 살아갈 수 있습니다. 하지만 AI 제품에서는 이것이 충분하지 않습니다.

그 이유는 매우 많은 제품적 해결책이 기술에 직접적으로 의존하기 때문입니다:

• 어떤 데이터가 사용 가능한가요;

• 이 데이터의 품질은 어느 정도인가요;

• 그들은 어디에 저장되어 있나요;

• 학습이나 RAG에 사용할 수 있는가요;

• 어떤 모델이 사용되나요;

• 그 모델은 얼마나 안정적인가요;

• 추론 비용은 얼마인가요;

• 사용자에게 적합한 응답 지연 시간은 얼마인가요;

• Human-in-the-loop가 필요한 곳은 어디인가요;

• 헬리시네이션 중 허용되는 위험은 무엇이고 허용되지 않는 위험은 무엇인가요;

• 100%의 경우에 정확하게 답변하는 고객에게 시스템을 어떻게 제출할 것인가요;

• 제품이 폐쇄된 환경에서 어떻게 작동할 것인가요;

• 그것을 나중에 production에서 어떻게 지원할 것인가요.

Product Manager가 이를 이해하지 못하면, 팀이 만들 수 없거나 너무 비싸게 만들 수 있는 일들을 시장과 고객에게 매우 빨리 약속을 하기 시작합니다.

Enterprise에서는 이것이 특히 위험합니다.

여기서는 단순히 "우리가 신경망을 추가하겠다" 또는 "AI 비서를 추가하겠다"라고 말할 수 없습니다. 이해해야 합니다:

• 제품이 어떤 시스템과 통합될 것인지

• 어떤 보안 한계가 있나요;

• 모델에 어떤 데이터를 전송할 수 있나요;

• 사용자 데이터는 어디에 저장되어야 합니까;

• 어떻게 구현 환경이 구성될 것인가요;

• 어떻게 응답 품질이 검증될 것인가요;

• 누가 오류에 대한 책임을 져야 합니까;

• 어떻게 지원이 구성될 것인가요;

• 그리고 모델이 잘못 답변을 시작하면 어떻게 될지에 대해,

그래서 면접에서는 후보자가 코드를 작성하는지 여부를 확인하는 것이 아니라, 다른 것을 이해하는 것이 중요합니다: 기술 팀과 같은 언어로 소통할 수 있는 능력이 있고, 기술적 현실을 고려하여 제품 결정을 내릴 수 있는 능력이 있는지 여부입니다.

이를 위해 다음과 같은 질문을 할 수 있습니다:

• AI 제품에 발생할 수 있는 기술적 위험은 무엇인지

• 후보는 성능 문제를 방지하는 방법이 있을까요;

• 어떤 통합이 중요할 수 있을까요;

• 그는 어떻게 AI 기능의 품질을 평가할까요;

• 엔터프라이즈에 도입될 때 발생할 수 있는 제한은 무엇일까요;

• 모델이 불안정한 결과를 내놓을 경우 어떻게 해야 할까요;

• 비즈니스에 어떤 작업은 완전히 자동화할 수 없는지 설명하는 것이 유용합니다.

스택에 대한 전반적인 이해와 그 이유에 대해 물어보는 것도 좋습니다. 이는 제품이 개발에 얼마나 깊이 몰입되어 있고 기술 팀의 문제를 어떻게 경험하고 있는지를 확인하는 데 도움이 됩니다.

내게 좋은 AI 제품 관리자는 인간이 아니라, AI가 실제로 가치를 창출하는 곳과 기술적 위험, 비용, 허무한 기대를 창출하기 시작하는 곳을 이해하는 사람입니다.

면접 시 유용한 사례

면접에서의 이론적 질문은 유용하지만, 오늘날 이론을 꽤 빨리 배울 수 있고 그렇게 해서 현실적인 엔터프라이즈 상황에서 완전히 헤매게 될 수 있습니다.

그래서 나는 꽤 빨리 인터뷰의 초점을 실질적인 사례 쪽으로 이동시켰습니다.

가장 대표적인 사례 중 하나는 비즈니스와 ML팀 간의 갈등입니다

나는 자주 지원자들에게 엔터프라이즈 AI팀에 가까운 현실적인 상황을 제시합니다.

예를 들어:

우선순위 논의 중 데이터 분석가는 대규모 고객을 위해 기능을 긴급히 도입해야 한다고 말합니다. 이때 주요 ML 엔지니어가 갑자기 반발하며 팀이 몇 달 동안 알고리즘 개선을 완료하지 못하고 있으며, 비즈니스가 계속해서「유용하지 않은 요구사항」을 밀어붙이고 있다고 합니다.

кон플릭트가 시작되어 논의가 중단되고 팀이 침묵합니다.

이후 저는 물었습니다:

• 후보자가 바로 그 순간 어떻게 반응할지;

• 논의의 초점을 어떻게 되돌릴지;

• 그 다음에 무엇을 할지;

• 그리고 상황이 다시 발생하는 것을 어떻게 예방할지.

처음에는 사례가 꽤 간단해 보입니다. 하지만 실제로는 Product Manager의 성숙함을 아주 잘 보여줍니다.

왜냐하면 여기서 동시에 검증되기 때문입니다:

• 리더십;

• 편의화;

• 감정적 안정성;

• 갈등을 다루는 능력;

• 비즈니스 이익 이해;

• ML팀의 이익 이해;

• 그리고 제품 균형을 유지하는 능력.

매우 자주 약한 후보자들은:

• "갈등을 진정시키는" 어떤代价라도 치르고 시작합니다.

• 비즈니스 측면을 지지하다;

• 개발 측면을 지지하다;

• 혹은 공식적인 agile-순서로 나가다.

하지만 enterprise AI 문제는 보통 더 깊습니다. ML-팀이 research-작업으로 과부하될 수 있습니다. 비즈니스가 실제로 대형 고객에게 압박할 수 있습니다. 아키텍처 제약이 실제로 기능을 빠르게 출시하는 것을 방해할 수 있습니다. 그리고 Product Manager는 '싸움을 이기는' 대신 시스템을 작동 상태로 유지하는 능력이 필요합니다.

두 번째 중요한 유형의 케이스는 enterprise 고객과의 협상입니다

나는 매우 대표적인 또 다른 블록이라고 생각하는 것은 협상 사례들입니다.

예를 들어, 저는 상황을 제시합니다.
대규모 enterprise 고객이 연간 fixed payment으로 전환하고 큰 할인을 요구하지만, 회사는 현금 흐름과 내부 제약 때문에 월간 결제 모델이 매우 중요합니다.

그리고 나서 저는

• 후보자가 협상을 어떻게 이끌어갈지 관찰합니다.

• 즉시 희생할 것인가;

• 갈등을 시작할 것인가;

• 질문을 하거나 수정할 수 있는가;

• 제품의 내부 경제를 이해하는가;

• 회사의 이익을 보호할 수 있는가;

• 그리고 전반적으로, B2B 엔터프라이즈 판매가 어떻게 구성되어 있는지 이해하는가.

엔터프라이즈 AI 제품 매니저는 매우 드물게 판매와 분리되어 있습니다. 어느 시점에서 제품 매니저는 거의 불가피하게 참여하게 됩니다:

• 프리세일;

• 협상;

• 상업적 제안 형성;

• 고객과의 로드맵 논의;

• 제품 경제 방어.

• 와 제품이 왜 그런 가치가 있는지에 대한 설명,

그리고 사람이 그런 능력이 없다면, 매우 빨리 제품, 판매, 도입과 고객의 기대 사이에 간극이 발생합니다.

이런 짧은 케이스를 통해 지원자가 복잡한 상황에서 어떻게 행동할지를 볼 수 있으며, 과거에 대한 완벽한 설명을 듣는 것이 아닙니다.

종합적인 제품 케이스 예시

이론적인 질문과 작은 상황별 케이스 이후에는 거의 항상 큰 복합적인 케이스로 넘어갑니다.

이것은 인터뷰에서 가장 중요한 부분 중 하나입니다.

왜냐하면 바로 여기서 사람이 시스템적으로 사고하고 동시에 제품, 시장, 기술, 경제를 유지할 수 있는지 보일 수 있기 때문입니다.

때때로 후보자에게 자신의 제품을 분석하도록 요청하지만, 실제로는 항상 그렇지 않다:

• 누군가는 제품의 너무 좁은 부분에만 작업했을 수 있고;

• 누군가는 세부 사항을 공개할 수 없을 수 있으며;

• 누군가는 제품 자체가 AI가 아니었을 수 있으며;

• 때로는 후보자가 매우 일반적인 표현으로 벗어나기 시작하기도 한다.

그래서 나는 자주 이미 준비된 사례를 제공한다.

보통 이는 B2B AI 제품으로 기업 특화되어 있습니다.

예를 들어, 하나의 사례는 AI Legal Risk Scout입니다.

사례 예시는 AI Legal Risk Scout입니다.

기업 고객을 위한 AI 시스템이 있습니다. 이는 다음과 같은 기능을 수행합니다.

• 대량의 계약서를 분석합니다.

• 잠재적 법적 위험을 찾습니다.

• 벌금 조치와 숨겨진 의무를 발견합니다.

• 는 LLM을 이용해 문구를 개선합니다;

• 는 법규 변경을 추적합니다;

• 는 계약이 새로운 요구사항에 부합하는지 확인합니다.

제품은 다음과 통합됩니다:

• DMS (문서 관리 시스템);

• CRM / ERP;

• 기업 문서 저장 시스템.

타겟 고객층:

• 은행들;

• 보험사들;

• 개발자들;

• 통신 회사들;

• 대기업 고객들.

수익화:

• 구독;

• 지역 법규 및 고객 내부 프로세스에 맞춰 맞춤 설정.

이 케이스에서 저는 무엇을 확인하나요

사실 저는 여기서 '정답'이 정말 중요하지 않습니다.

나는 중요하게 보고 싶습니다:
후보자가 전반적으로 어떻게 과제를 구조화하는지.

예를 들어:
그는 무엇부터 시작할까요.

매우 많은 사람들이 즉시 이야기하기 시작합니다:

• AI에 대해

• 모델;

• 인터페이스들;

• 로드맵;

• 제품 기능.

하지만 강력한 Product Manager들은 보통 먼저 다른 것부터 시작합니다:

• 가치가 발생하는 곳은 어디인가;

• 오류의 비용은 얼마인가;

• 현재 문제가 어떻게 해결되는가;

• 경쟁사는 누구인가 (이는 무료 서비스나 인력 수동 노력일 수 있으며, 이것이 주요 경쟁사인 경우);

• 통합 비용은 얼마나 높은가.

• 그렇다면 "지불하고 싶은 욕구"가 있을까요.

사용자와 구매자

그 후에는 보통 더 깊이 파고듭니다. 예를 들어, 누가 여기서 사용자인지 물어봅니다. 그리고 구매 결정을 내리는 사람은 누구인지 물어봅니다. 왜냐하면 엔터프라이즈에서는 거의 항상 사용자와 구매 결정을 내리는 사람/사람들 사이에 차이가 있기 때문입니다.

예를 들어:

• 변호사는 시스템을 사용할 수 있습니다;

• 법무부서 부장 — 결정을 내리다;

• 정보보안부서 — 도입을 차단하다;

• 그리고 CIO — 예산을 합의하다.

그리고 좋은 Product Manager는 B2B에서 이를 인식할 수 있어야 한다.

제품 리스크

다른 어려운 질문: 이 제품의 주요 리스크는 무엇인가? 일부 사람들은 이렇게 대답을 시작한다:

• «경쟁」;

• «AI의 복잡성»;

• «데이터 부족»;

하지만 enterprise AI의 위험은 종종 다른 곳에 있습니다.

예를 들어:

• 변호사들이 AI를 신뢰하지 않을 수 있습니다;

• 고객이 문서를 모델에 보내기를 두려워할 수 있습니다;

• 통합이 너무 비쌀 수 있습니다;

• 도입이 판매보다 더 오래 걸릴 수 있습니다.

• 또는 고객마다 맞춤화하는 비용이 제품 경제를 파괴할 수 있습니다.

Unit-경제

Unit 자체가 B2B와 B2C에서 크게 다를 수 있습니다. B2B에서는 예를 들어:

• 고객 기업;

• 독립 부서;

• 직원 수;

• 문서 수;

• 데이터 규모;

• AI 요청 수;

• 처리된 프로세스 수;

• 도입된 컨투어;

• 또는 별도의 enterprise 계약.

나는 보통 다음을 확인합니다:

• 후보자가 도입 비용을 이해하는지;

• GPU 비용을 고려하는지;

• 커스터마이징의 역할을 이해하는지;

• 지원 비용을 고려하는지.

• presale를 고려하는가;

• 통합 비용을 산정하는가;

• 온프레미스 배포의 영향을 이해하는가;

• SLA와 지원을 고려하는가.

매우 많은 사람들이 SaaS를 고려하기 시작하지만, 엔터프라이즈 AI는 거의 "이상적인 SaaS"가 되지 않습니다. 거의 항상 다음이 등장합니다: 맞춤 개발, 통합, 도입. 그리고 대부분의 경우 보안 요구 사항으로 클라우드를 포기하고 온프레미스 도입이 이루어집니다.

또한 후보자가 제품을 시장에 출시하는 방식을 어떻게 생각하는지 주목합니다

AI 제품은 기술적으로 우수할 수 있지만 동시에 판매가 어려울 수 있습니다. 판매 채널과 판매 기술 자체가 더 대중적인 사례들과는 크게 다릅니다 - B2C와 중소 B2B.

따라서 저는 거의 항상 질문합니다:

• 후보자가 어떤 홍보 채널을 선택할지;

• B2B 단말기 전략을 어떻게 구축할지;

• 피로트를 어떻게 조직할지;

• ROI를 어떻게 입증할지.

• 어떻게 enterprise에 접근할 수 있는지;

• 어떤 사람을 통해 제품을 판매할 수 있는지;

• 어떤 파트너십을 구축할 수 있는지;

• 그리고 AI 제품을 규모 있는 비즈니스로 전환하는 방법은 무엇인지.

가장 자주 보이는 빨간 표지판은 무엇인가요

위에 언급된 이론적 질문과 사례들은 나에게 Enterprise 부문의 AI 제품에서 특히 문제가 되는 부분들을 볼 수 있게 해줍니다.

아래에는 제 개인적으로 가장 대표적인 red flags 몇 가지가 있습니다.

• 후보자는 기능에만 말을 하지만, 경제와 수익화에 대해 말을 적게 합니다;

• 는 판매 후 무엇이 일어나는지 이해하지 못합니다;

• 는 제품이 어떻게 수익을 창출하는지 이해하지 못하며, 어떻게 모델링 수익화에 통합 및 상담 서비스를 통합할 수 있는지 이해하지 못합니다;

• 는 AI의 기술적 제약을 이해하지 못합니다;

• 는 이 시장의 높은 불확실성을 잘 이해하지 못합니다;

• 는 약한 협상 전략과 전술입니다;

• 전반적으로 대기업의 보안 정책 등 현실을 잘 이해하지 못한다.

이는 항상 제품 관리자의 약점을 의미하는 것은 아니지만, 거의 항상 개인이 엔터프라이즈 AI 환경에 매우 어려움을 겪고 빠르게 적응하기 어려울 것을 의미한다.

결론

지난 몇 년 동안 AI 제품 주변에 엄청난 양의 허무한 기대가 쏟아졌습니다. 하지만 이와 동시에 enterprise AI가 전통적인 제품 관리와 얼마나 크게 다른지를 훨씬 더 명확하게 인식하게 되었습니다.

Enterprise AI 제품 관리자는 매우 빠르게 다음과 같은 현실에 부딪히게 됩니다:

• 기술적 한계;

• 복잡한 경제.

• 기업 환경 도입;

• 판매;

• 보안;

• 생산 지원;

• 커스터마이징;

• 통합;

• 내부 갈등;

• 그리고 비즈니스 이익과 개발 사이에서 지속적으로 균형을 맞추는 필요성.

이 именно 그래서 면접에서 중요하게 파악하고 싶은 점입니다:

• Enterprise 사용 경험과 협상 기술;

• 기술적인 측면 이해 및 기술 변화 맥락에서 남아있는 능력;

• AI 초기화를 생산으로 이끄는 능력.