Ürün Ekibini Araştırma Laboratuvarı Gibi Yönetmek: Dan Shipper'ın Frontier Reçetesi

Sahnedeki ilk dakikalar frontier hızının bir gösterisi gibidir. Konuşmacı, Fable 5.1 ve Astra 6 adlı yeni modellerin aynı haftada çıktığını anlatır, ardından tek komutla üretilmiş tarihi Waterloo canlandırmasını, bilimsel bir makaleden türetilmiş bin müşterilik bir simülasyonu ve sunumdaki animasyonların neredeyse tamamını yapan video kurgu yeteneğini sıralar. Mesaj açıktır: modellerin ufku her hafta genişlerken normal işleyiş diye bir şey kalmamıştır ve ürün liderleri bu tabloya göre örgütlenmek zorundadır.

Yol Haritası ile Cephe Keşfi Aynı Kafada Yaşayamaz

Buradaki temel gerilim, ıraksak keşif ile yakınsak icra arasındadır. Keşif çok denemek, çoğunu atmak ve demolarla ufkun nerede olduğunu yoklamak demektir; icra ise odaklanmak, hayır demek ve söz verilen planı çıkarmak demektir. İkisini aynı kişilerden aynı anda istemek ters teper, çünkü takvimli işler her zaman takvimsiz merakı ezer. Konuşmacı bu tabloyu esprili bir frenle açar: yoğun bir içsel deneyimden ya da yeni bir amiral modeliyle ilk temastan sonraki otuz gün içinde kader belirleyen karar alınmaz.

Çarpıcı gözlem, keşif iştahının ekipte eşit dağılmamasıdır. Her şirkette hafta sonları yeni modelleri kurcalayan, kişisel projelerinde frontier araçları deneyen birkaç kişi vardır; konuşmacı bunlara erken benimseyenler der ve gelecekte zaten yaşadıkları için ürünün nereye gideceğini herkesten önce sezebildiklerini söyler. Sorun, aynı kişilerin bitmeyen demolarıyla tüm ekibin dikkatini dağıtabilmeleridir. Yöneticiye düşen soru bu yüzden teknolojik değil örgütseldir: bu insanların enerjisinden yararlanıp geri kalanı nasıl korurum.

Çözüm: Laboratuvarı Ürün Ekibinden Ayır

Cevap, küçük bir laboratuvar ekibi kurup görevleri ayırmaktır. Laboratuvar yeni modellerin neleri mümkün kıldığını yoklar, çok sayıda paralel deney yapar ve ürettiğinin yaklaşık yüzde 90'ını atmayı baştan kabullenir; ürün ekibi ise işe yarayanı iyileştirir, ölçekler ve mevcut müşteriye anlaşılır, tutarlı yazılım sunar. Beklenti simetriktir: laboratuvarın denediklerinin yalnızca yüzde 10 kadarı ürün ekibinin eline ulaşır. Yapay zekâ bu modeli ucuzlatır, çünkü tek bir kişi bile frontier araçlarla koca bir ekibin keşif çıktısını üretebilir; konuşmacı buna tek kişilik laboratuvar der.

Tezin en güçlü dış kanıtı Anthropic Labs örneğidir. Anthropic cephesine göre Claude Code bir araştırma önizlemesinden altı ayda milyar dolarlık ürüne dönüşmüş, Model Context Protocol ayda 100 milyon indirmeyle endüstri standardı olmuş, Skills, Chrome'da Claude ve Cowork gibi işler yine bu küçük deney grubundan çıkmıştır. Instagram kurucusu Mike Krieger'in ürün liderliğinden laboratuvara geçip Ben Mann ile birlikte kurması, Ami Vora'nın Rahul Patil ile ölçekleme tarafını üstlenmesi ve başkan Daniela Amodei'nin keşif ile ölçeklemeyi ayrı kaslar diye tanımlaması, anlatılan ayrımın ders kitabı karşılığıdır.

İyi Bir Laboratuvar Nasıl İşletilir

Laboratuvarın nasıl işletileceği faslı, Bezos'un iki pizzalık ekip ölçüsünü revize ederek başlar. Konuşmacıya göre yapay zekâ çağında doğru ölçü iki dilimlik ekiptir: en fazla bir iki kişi, çünkü fazlası koordinasyon maliyeti ve vizyon çatışmasıyla hızı öldürür. İdeal bileşim ise korsan ile mimardır : korsan değer bulma takıntısıyla dağınık ve hızlı üretir, mimar o dağınıklığı değerli, güzel ve ölçeklenebilir bir sisteme dönüştürür. Konuşmacı kendi ekibinde korsanın kendisi olduğunu söyler; mimar koltuğunda ise Yannik adında bir mühendis oturur.

İkinci işletme kuralı, geri bildirim döngüsünü olabildiğince kısaltmaktır. En kısa döngü, deneyi bizzat kendin için yapmaktır; bu mümkün değilse birkaç erken kullanıcıdan hızlı tur alınır. Kritik ayrım, deneylerin gerçek işte kullanılmasıdır, çünkü bir şeyin faydalı mı yoksa yalnızca yeni mi olduğu ancak gerçek kullanımda belli olur. Üçüncü kural, aynı soruna farklı açılardan yüklenen paralel deneyleri bilinçli yürütmektir: yetkinlikler oynakken bilinmeyen alan büyüktür ve rakip yaklaşımlar ufkun haritasını çıkarmaya yardım eder.

Dördüncü kural, atılan deneyleri bile kârlı kılmaktır. Every pratiğinde bunun başlıca yolu deneyleri dışarıya içerik diye anlatmaktır; neyin denendiği, neyin işe yarayıp neyin yaramadığı merak uyandırır ve müşteriyi ürüne yaklaştırır. UseFollowed özetinin aktardığı konuşma notları ve Dealroom derlemesi de bu içerikleşmenin parçasıdır: laboratuvarın ham çıktısı, anlatıya dönüşerek şirkete geri kazandırılır. Diğer iki yol, deneyleri erken kullanıcı programını beslemek için ve ürün ekibinin frontierı bizzat taramasına gerek kalmasın diye yetkinlik notlarını paylaşmak için kullanmaktır.

Fikirler Ürüne Nasıl Yürür

Bulunan değerin ürüne yürümesi için ortada görünür bir araştırma hattı gerekir. Fikirler soldan sağa ilerler: önce laboratuvara özel küçük deney, sonra gerçek işte sınama, sonra ekip içi benimsenme, sonra erken müşteriler ve en sonda ürün ekibine devir. Hattın ilk eşiği basittir: ekipteki başka insanlar bunu kullanmaya başladı mı. Başladıysa fikir erken müşteriye ve ürün ekibinin yol haritası değerlendirmesine hazırdır; yine de her şey bu eşikten geçemez. Every hattı Notion panosunda tutar ve her hafta tüm şirket toplantısında gözden geçirir, böylece ürün ekibi frontierı taramadan nelerin ısındığını bilir.

Hattın nasıl yürüdüğünü gösteren somut vaka, yazı işleri müdürü Kate'in kurgusunu otomatikleştirme çabasıdır. Konuşmacı üç yıldır Kate'in üç yıllık tüm redaksiyon geçmişini Fable benzeri modellere yükleyip son yazıda denemeler yapar; yetkinlik ancak yakın zamanda kullanılabilir eşiği aşar. Deney, şirket içi Everywhere ajanının içinde Kate turu diye yaşar: sistem Kate'in geçmiş tercihlerine göre öneri sunar ve zamanla iyileşir. İç kullanım başlayınca mimar devreye girer, belge başına kabul edilen öneri ve Kate'e kalan işi gösteren bir pano kurar; ölçülen sonuç, Kate'in bu işlere bir önceki aya göre yüzde 12 daha az emek vermesidir. Sıradaki soru, sürecin redaksiyon dışına genellenip erken müşteriye taşınıp taşınamayacağıdır.

Codex Kanıtı ve Yeni Model Testi

Kapanıştaki Codex hikâyesi, döngünün büyük ölçekteki karşılığıdır. OpenAI cephesine göre küçük bir ekip ana uygulamanın dışında kodlamanın geleceğini dener, Şubat 2026'da masaüstü uygulamayı çıkarır ve iş o kadar büyür ki Codex teknolojisi ChatGPT ile birleşip milyonlarca kullanıcıya ulaşır; konuşmacının andığı 800 milyon günlük kullanıcı tablosu bu birleşmenin ölçeğini gösterir. Every tarafında da benzer bir yayılma anlatılır: şirketin model tartışmalarını derleyen bağlam penceresi yazısı, Codex ile ChatGPT birleşmesindeki gerilimi ve kullanıcı tepkisini kayda geçirir. Konuşma, başarının davranışsal testiyle biter: yeni bir model çıktığında ekip korkmak yerine sevinmeye başlamışsa laboratuvar düzeni çalışıyor demektir.