T最新テックトレンド

Google DeepMindのAIプロダクトリードが語る：AIプロダクトマネジメントの真髄と未来

Mind the Product

0:00--:--

AI技術が未曾有のスピードで進化し、私たちの生活やビジネスのあり方を根底から変えつつある現代。この変革の最前線で、製品を形作り、市場に送り出す「AIプロダクトマネージャー」という役割が急速に注目を集めています。しかし、その実態はまだ十分に解明されているとは言えず、多くの専門家や企業がその定義や求められるスキルセットについて模索を続けています。

今回、私たちはこの重要な問いに対し、Google DeepMindのAIプロダクトリードとして活躍するJonathan Evens氏の貴重な洞察を通じて深く掘り下げていきます。Evens氏は、スマートグリッド、地理空間データ分析、Google検索のAI化、そして民主主義強化のためのAIツール開発など、多岐にわたる業界で10年以上にわたり機械学習とAIを製品に応用してきた経験を持つ、まさにAIプロダクトマネジメントの生き証人とも言える人物です。彼の経験と知見は、AI時代の製品開発における課題、成功への道のり、そして未来のチーム像を鮮やかに描き出します。

本記事では、Evens氏が語る「AIプロダクトマネジメントとは何か」という問いに対する多角的な視点から、その役割の変遷、必要なスキル、成功を測る指標、そして信頼性構築の重要性までを詳細に解説します。読者の皆様がAI製品開発の複雑な世界を理解し、自身のビジネスやキャリアに活かすための羅針盤となることを目指します。

AIプロダクトマネジメントという言葉の変遷と、現在の意味

Jonathan Evens氏が指摘するように、「AIプロダクトマネジメント」という言葉は、ごく最近になって頻繁に聞かれるようになりました。彼自身、2018年、2019年頃までは自身のLinkedInや履歴書にこの言葉を記載することにためらいを感じていたと言います。それ以前は「機械学習プロダクトマネージャー」や「モデリングプロダクトマネージャー」といった呼称が一般的であり、さらにその前には「機械学習プロダクトマネージャー」と「ディープラーニングプロダクトマネージャー」を区別するような時代さえありました。ディープラーニングが、その当時最も革新的な技術として認識されていたからです。

しかし、近年「AI」という包括的な用語が業界全体で広く使われるようになり、それに伴い「AIプロダクトマネージャー」という肩書きが定着してきました。Evens氏はこの歴史的な変遷を「魅力的だ」と表現しています。この背景には、AIが単なる特定の技術（機械学習やディープラーニング）の域を超え、製品やサービス全体を再定義する強力なツールとして認識されるようになったことがあります。

では、なぜ今、これほどまでにAIプロダクトマネジメントが注目されているのでしょうか。それは、AIが単なる機能追加のツールではなく、製品体験そのものを根本から変革する力を持っているからです。製品の核にAIが組み込まれることで、その設計思想、開発プロセス、そして成功の定義までが大きく変わりつつあります。 Evens氏が言うように、「このツールが非常に強力なので、製品全体を完全に変える」からです。

2つの異なるAIプロダクトマネージャー像

Jonathan Evens氏は、今日のAIプロダクトマネージャーを大きく2つのタイプに分類しています。この分類は、AI製品開発における役割と責任の多様性を理解する上で極めて重要です。

タイプ1：モデリングプロダクトマネージャー (Modeling PM)

このタイプは、AI技術そのものの「核」を構築する役割を担います。Evens氏が「ジェネレーティブAIの世界では、モデルの核となる能力を見つけ、定義し、測定すること」と表現するように、彼らの責任は、モデルが何をすべきか、それが正しく機能しているかをどう測定するか、そして許容されるエラーレートはどの程度かを明確にすることにあります。

具体的には、モデリングPMは以下の「コア能力」に焦点を当てます。

  • ファクト性（Factuality）: モデルが生成する情報が事実に基づいているか。
  • 長文コンテキスト処理（Long Context Handling）: モデルが長いテキストや複雑な情報をどれだけ正確に理解し、処理できるか。
  • 推論能力（Reasoning）: モデルが論理的な推論を行い、問題解決に貢献できるか。

この役割は、主にGoogle DeepMindのような「フロンティア研究ラボ」に集中しており、モデルそのものの性能向上と基盤技術の確立が主なミッションとなります。以前は一人のPMが担当していたかもしれませんが、現在の高度に複雑なモデルにおいては、事前学習、事後学習など、それぞれのコア能力に対して専門のモデリングPMが存在するほど細分化が進んでいます。彼らには、機械学習に関する深い技術的理解が不可欠とされます。

タイプ2：AI機能・AI製品プロダクトマネージャー (AI Feature/AI Product PM)

このタイプは、既存の製品や新規製品にAIテクノロジーを応用し、具体的なユーザー課題の解決や体験の向上を目指します。Evens氏はこれを「AIは、あなたの製品、あなたのアプリケーションに貢献するテクノロジー」と定義しています。

このタイプのPMにとっての「スーパーパワー」は、以下の点にあります。

  • エンドユースケースへの深い理解: ユーザーが製品をどのように利用するか、その具体的なシナリオを詳細に把握すること。
  • 業界・領域専門知識（Domain Expertise）: 特定の業界や垂直市場における専門知識を持ち、その複雑なワークフローや課題を理解すること。

彼らの役割は、AIを使ってこれらのワークフローを自動化、実行、あるいは拡張する方法を見つけ出すことにあります。例えば、Google検索のAIオーバービューのような既存製品へのAI機能導入や、Evans Foundationでのデジタル市民権ツールのようなゼロからのAI製品開発がこれに該当します。Evens氏は、このタイプのPMには「プロダクトを囲む全体のエクスペリエンスをデザインする」能力が依然として重要であり、モデルの80%の能力を使いこなしつつ、残りの20%を特定のユースケースに合わせて完璧に仕上げる必要があると強調します。

「AIを活用するPM」との違い

ここでEvens氏は、「AIを活用するPM」という概念には懐疑的な見方を示します。彼にとって、これは単にAIを思考パートナーやタスク自動化ツールとして利用しているだけであり、プロダクトマネジメント以外の知識労働（例えば金融アナリスト）でも同様に利用できるものです。これは「生産性向上ツールとしてのAI利用」であり、AIそのものが製品の中心をなす「AIプロダクトマネージャー」とは異なる、と明確に区別しています。

しかし、AI機能/AI製品PMには、従来のPMスキルに加え、新たなスキルが求められるとも述べています。

  • 高速プロトタイピング能力（Vibe Coding / Fast Prototyping）: 迅速にアイデアを形にし、検証する能力。
  • データ活用能力: データを会話に持ち込み、直感をエビデンスに基づいたものに変える能力。データサイエンティストを「ポケットに忍ばせている」かのように、自身でデータを取得・分析し、インサイトを得るスキル。

これらのスキルは、AIがもたらす新たな機会を最大限に活用し、より迅速かつデータ駆動型で製品を開発するために不可欠であると言えるでしょう。

AI製品の成功を測る尺度：不変の北極星と変化するプロキシ、そしてプロダクト原則の重要性

AI製品の成功を測定することは、その複雑性と動的な性質ゆえに、従来の製品とは異なるアプローチを必要とします。Jonathan Evens氏は、Google検索のような巨大なサービスから、Evans Foundationのような小規模なスタートアップまで、多様な環境での経験を通じて、この課題に深く向き合ってきました。彼が語る成功測定のフレームワークは、不変の「北極星指標」、変化する「プロキシ指標」、そして最も重要な「プロダクト原則」という三層構造で理解できます。

不変の「北極星指標」（Northstar Metrics）

Evens氏がまず強調するのは、製品開発において核となる「北極星指標」は、AIの導入によって大きく変わるわけではないという点です。これは、製品が最終的に達成すべきビジネス目標やユーザー価値を反映する最上位の指標です。

  • アクティブユーザー数: 日次、週次、月次で製品に戻ってくるユーザーの数。
  • ユーザーニーズの充足度: 製品がユーザーのニーズをどれだけ満たしているか。例えば、Google検索であれば「人々はニーズが満たされたので戻ってくるか」、YouTubeであれば「見た動画に満足したか、後悔しなかったか」。
  • 満足度と信頼性: Google検索の例では、「得られた情報に満足しているか、質が高いか、信頼できるか」。

これらの北極星指標は、AIが製品の中心となっても、その根本的な目的が「ユーザーに価値を提供し、ビジネス目標を達成すること」である限り、変わることはありません。

変化する「プロキシ指標」（Proxy Metrics）

北極星指標が不変である一方で、AI製品では、その下に位置する「プロキシ指標」が大きく変化します。これは、新しい技術スタックや能力の活用方法によって、製品の振る舞いやユーザーとのインタラクションが変わるためです。

Evens氏が挙げる具体的なプロキシ指標には、以下のようなものがあります。

  • サイドバイサイドの勝率（Side-by-side Win Rates）: モデルの出力を継続的に評価し、以前のバージョンや競合製品、または確立したベースラインと比較して、どちらが優れているかを測定します。これは、モデルの改善状況を直接的に把握するための重要な指標です。
  • ユーザー評価と反応（User Ratings and Responses）:
    • AI生成された回答をユーザーがコピーするか。
    • 推奨された内容に従うか、リンクをクリックするか。
    • 肯定的評価（サムズアップなど）を与えるか。
    • AI生成された音楽の場合、ユーザーが曲を最後まで聞くか。

これらの信号は、特に強化学習（Reinforcement Learning）や人間からのフィードバックによる強化学習（RLHF）のループにおいて非常に貴重なデータとなります。ユーザーの直接的な行動や評価は、モデルの微調整や改善に不可欠な情報源となるのです。

最も重要な要素：プロダクト原則（Product Principles）

しかし、Evens氏が成功測定において最も強調するのは、これらの評価指標のさらに根底にある「プロダクト原則」の明確化です。彼は「評価の前に、本当の秘密はあなたのプロダクト原則は何なのか」と語ります。これは、単に技術的な性能を追うのではなく、「どのような体験を創造しようとしているのか」という本質的な問いに答えることです。

Google検索におけるAIの導入は、このプロダクト原則の重要性を明確に示しています。長年にわたり、Google検索は「信頼できる情報が最初にランク付けされ、素早くアクセスできること」をその核となる価値としてきました。しかし、大規模言語モデル（LLM）の導入は、その素晴らしい情報要約・統合能力の裏で、「ハルシネーション（誤情報生成）」という大きな課題を伴いました。

ここでプロダクト原則が重要になります。Google検索のPMチームは、「信頼性」という原則と、LLMの「ハルシネーション」という現実をどのように調和させるかという問題に直面しました。その解決策として、Evens氏は以下の点を挙げます。

  • 許容可能なエラーレートの特定: 製品がリリースされる際に、どの程度の誤り率が許容されるのかを事前に設定します。これは、Googleが長年の歴史を通じて蓄積してきたデータに基づいて「教育された推測」を行うことで導き出されます。
  • 段階的なリリースと学習: まずはパワーユーザーに限定してリリースし（例：Search Generative Experience）、モデルの誤りパターンを詳細に分析し、学習を重ねていきます。
  • ニュアンスへの対応: 全ての質問に明確な単一の答えがあるわけではありません。例えば、あるモニュメントの建設時期について、信頼できる情報源が複数（3つの異なる日付）を提示する場合、Googleは何を答えるべきか？ ここでは、信頼性という原則に基づき、どのように情報源を提示し、ユーザーに判断材料を提供するかというデザインの課題が生じます。

つまり、評価指標はプロダクト原則を具体的な数値に翻訳する手段であり、その前提として「私たちは何を目指しているのか」という問いに明確に答えることが、AI製品開発の成功には不可欠なのです。

AI研究と実世界の「ごちゃごちゃした現実」の対峙

AI研究のフロンティアと、それが実世界の製品に適用される際の「ごちゃごちゃした現実」との間には、しばしば大きな隔たりがあります。Jonathan Evens氏は、このギャップを埋めることの重要性を強調し、AIプロダクトマネージャーの役割を再定義します。

ベンチマーク突破と汎化能力の神話

フロンティア研究において、AIのブレークスルーは、多くの場合、特定のベンチマークを打ち破り、「最先端（State-of-the-Art）」を達成することによって定義されます。大規模言語モデル（LLM）は、過去3〜4年間で驚異的な汎化能力（学習した知識を新しい状況に応用する能力）を示してきました。これにより、かつては不可能と考えられていた多くのタスクで人間レベル、あるいはそれを超える性能を発揮しています。

しかしEvens氏は、「LLMは汎化するが、世間で言われているほど良くは汎化しない」と指摘します。メディアや一般の認識では、LLMはあらゆる状況でその能力を発揮すると期待されがちですが、実際には「特定の場合にその能力を発揮すると期待されるにもかかわらず、実際には失敗する」という実世界のシナリオが数多く存在します。

プロダクトマネージャーの役割：現実との橋渡し

ここで、AIプロダクトマネージャーの重要な役割が浮上します。 Evens氏は、「研究にアクセスできるプロダクトマネージャーの仕事は、モデルが現実、それも厄介な現実に直面することを考えることだ」と語ります。彼らは、研究室で完璧な性能を示したモデルが、実際のユーザーの複雑なニーズ、予期せぬ入力、曖昧な状況、あるいはノイズの多いデータに直面したときに、どのように振る舞うかを予測し、対処する責任を負います。

この「ごちゃごちゃした現実」に対応するためには、単にモデルを開発するだけでなく、それを実用的な製品へと昇華させる「応用作業」が不可欠です。Evens氏は、このニーズを示すものとして「フォワードデプロイエンジニア（Forward Deploy Engineers）」の存在を挙げます。彼らは、研究成果を直接現場に適用し、そこで生じる課題を解決するために働くエンジニアであり、AI研究がいかに優れていても、実用的なユースケースには多大な応用作業が必要であることを物語っています。

数学の例に学ぶ

このギャップは、数学の問題解決能力という具体的な例からも見て取れます。AIモデルは、特定の数学のベンチマーク問題を解決する能力において目覚ましい進歩を遂げています。しかし、Evens氏は、「AIモデルは数学の問題を解決できるが、数学者が実際に集中している問題を解決するのを手助けすることにはまだ苦戦している」と述べています。

これは、研究室で設定された「問題」と、実世界の専門家が直面する「問題」との間にある本質的な違いを示しています。研究は特定の定義された課題において最良の解決策を見つけることに集中する一方で、実際の課題はよりオープンエンドであり、文脈に依存し、しばしば定義されていない要素を含んでいます。AIプロダクトマネージャーは、この両者の間の橋渡し役となり、AIの技術的な可能性を、ユーザーの真のニーズと実世界の制約の中で最大限に引き出す方法を見つけ出すことが求められます。

合成ユーザーの活用：コールドスタートとプライバシー、そして「ごちゃごちゃした現実」の反映

AI製品開発において、テストやフィードバック収集は不可欠ですが、特に初期段階やプライバシーが懸念される状況では、実際のユーザーデータへのアクセスが限られることがあります。このような状況でJonathan Evens氏が言及するのが、「合成ユーザー（Synthetic Users）」の活用です。彼自身、Google検索のAIパーソナライゼーションや、Evans Foundationのデジタル市民権における合成市民権において、合成ユーザーの実験を行ってきました。

合成ユーザーが真に価値を発揮する場面

Evens氏によると、合成ユーザーが特に役立つのは、以下のシナリオです。

  1. コールドスタートシナリオ（Cold Start Scenarios）:

    • データがほとんどない場合。
    • まだ製品や機能が存在しない場合。
    • ゼロから何かを構築し始める際に、初期のフィードバックループを確立するために非常に有効です。

  2. プライバシー懸念がある場合（Privacy Concerns）:

    • 合成ユーザーは「現実のものではない」ため、実際のユーザーに関するプライバシーの問題を心配することなく、自由に実験やテストを行うことができます。これは、機密性の高いデータを扱う製品開発において大きなメリットとなります。

  3. 自動回帰テスト（Automated Regression Testing）:

    • モデルの変更によって、特定の能力が失われたり、特定のユースケースでのパフォーマンスが悪化したりしていないかを確認するために役立ちます。
    • 特に「エッジケース」と呼ばれる、まれな、または極端なシナリオでのモデルの振る舞いを確実にテストするために有効です。

  4. 自動評価者としての役割（Auto Raters）:

    • 大規模言語モデル自身が、他の大規模言語モデルの出力や品質を評価する「オートレイター」として機能することがあります。合成ユーザーも同様に、大規模な評価作業を自動化し、モデルのトレーニングや改善に貢献できます。

「ごちゃごちゃした現実」の反映と限界

しかし、合成ユーザーの活用には、「ごちゃごちゃした現実」をどれだけ正確に反映できるかという課題が伴います。Evens氏は、合成アプローチが物事を「スムーズにしすぎない」ように、そして「人々の複雑さを反映する」ようにするためには、以下のアプローチが必要だと語ります。

  • 人間による最終パス: 合成ユーザーだけでテストされた製品をそのまま出荷することはありません。常に信頼できるテスター（B2Bの場合の顧客、あるいは社内の熟練ユーザー）や最終的な人間による検証が不可欠です。
  • プロダクトマネージャー自身が最初のユーザー: Evens氏は、プロダクトマネージャー自身が「最初の人間ユーザー」となり、製品を徹底的に検証し、QAを行うべきだと提案します。これにより、実ユーザーの手に渡る前に多くの問題を特定し、迅速なイテレーションを可能にします。

Evans Foundationのデジタル市民権プロジェクトでは、このアプローチが実践されています。つまり、合成ユーザーは開発の初期段階や特定のテストシナリオにおいて強力なツールとなりますが、製品が「人間」のために作られるものである以上、最終的な人間の洞察とフィードバックは、いかなるAI時代においても置き換えることのできない価値を持つ、ということです。合成ユーザーは人間の検証プロセスを加速させ、効率を高めるための「手段」であり、それ自体が目的ではありません。

AI製品における信頼性の構築：過去の教訓と現代的アプローチ

AI製品、特に生成AIが社会に広く普及する中で、ユーザーからの「信頼」をどのように獲得し、維持していくかは極めて重要な課題です。Jonathan Evens氏は、彼の多様なキャリアの中で、この信頼性というテーマに一貫して向き合ってきました。彼が示す信頼性構築のヒントは、過去の経験と現代の課題の両方から得られた深い洞察に基づいています。

過去の経験からの教訓：Planet社の道路・建物検出モデル

Evens氏は、Planet社での地理空間データ分析の経験を例に挙げます。ここでは、衛星画像から新しい道路や建物を自動的に検出するモデルを構築していました。このモデルは、日々変化する地球の画像をスキャンし、変化を特定するものでしたが、現実世界には雲、大気の差、日陰の変化など、多くの「ごちゃごちゃした」要素が存在します。

当時、顧客は地図作成会社や公共機関のアナリストであり、彼らは「検出結果を信頼できるか」を知る必要がありました。これは、今日のLLMにおける「ハルシネーション（誤情報生成）」の問題と本質的に類似しているとEvens氏は指摘します。異なるのは、以前は専門家である「限られた数人のアナリスト」が直面していた問題が、今や「一般のユーザー」へと拡大している点です。

Planet社での解決策は、「プロダクトカード」でした。これは、製品の機能、限界、信頼できる条件、未解決の問題などを説明するドキュメントです。アナリストはこのカードを参照することで、検出結果にどれだけ頼れるか、あるいはさらに深く調査する必要があるかを判断できました。この経験から、Evens氏は「私たちは今日、非常に似た問題を抱えているが、これらの消費者向け製品に適応させる必要がある」と結論付けます。

現代のAI製品における信頼性確保のヒント

この過去の教訓を現代のAI製品に適用すると、Evens氏は以下の具体的なアプローチを提案します。

  1. ファクト性（Factuality）と根拠の提示（Grounding）:

    • 信頼できる情報源からの取得: AIが提供する情報が、信頼できる情報源から来ていることを確実にします。Google検索のAIは、ハルシネーションを起こす可能性があっても、パラメトリックメモリ（モデル内部の知識）から情報を生成するのではなく、Web上のドキュメントから情報を取得するよう努めます。
    • 引用の明示: ユーザーが情報源を確認できるように、引用を明確に表示します。

  2. ユーザー体験（UX）デザインの重要性:

    • 視覚的な信頼性の確保: ユーザーが一目で情報が信頼できるかどうかを判断できるように、UXを設計します。例えば、情報がハイライトされている場合、ユーザーはそれをより信頼する傾向があります。
    • 引用の配置と情報源の提示: 引用がどこに配置されているか、どのウェブサイトからの情報であるかが、ユーザーの信頼に大きく影響します。明確で分かりやすい表示が求められます。

  3. デリケートな質問への対応（Punting or Redirecting）:

    • 政治的に敏感な質問への慎重な対応: 答えが必ずしも明確でない、あるいは複数の見解が存在するような質問に対しては、「パンティング（回答を避ける）」、関連するリンクへのリダイレクト、または「このトピックには異なる見解がある」と明示するなどのアプローチを取ります。
    • 課題の認識: ただし、このアプローチ自体にも課題があることをEvens氏は認識しています。例えば、複数の見解を提示しても、その中に真実ではない情報が含まれる可能性もゼロではありません。依然として、倫理的な配慮と技術的な改善が求められる領域です。

信頼性構築は、AI製品がユーザーに受け入れられ、社会にポジティブな影響を与えるための基盤です。それは単なる技術的な課題ではなく、製品デザイン、倫理、そして人間とAIの関係性に関する深い問いに根ざしています。Evens氏の経験は、この複雑な課題に正面から向き合い、過去の知見を現代に活かすことの重要性を示唆しています。

AI時代のチーム構成と開発プロセス：多様なアプローチとプロトタイピングの未来

AIの進化は、製品開発チームの構成や開発プロセスにも大きな変化をもたらしています。Jonathan Evens氏は、Evans Foundationのようなリソースが限られたスタートアップでの経験と、Googleのような巨大組織での経験の両方から、この変化と未来の展望について語ります。

チーム構成のグラデーション：一人開発から大規模チームまで

Evens氏は、AI時代のチーム構成について「グラデーションがある」という「ノルマンディーの答え」（フランスのことわざで、イエスともノーとも言わない曖昧な回答のこと）を提示します。

  • 一人開発の可能性:

    • シニア開発者（5年以上の経験、プロダクションシステムでの経験）であれば、ある種の問題では「一人で非常に遠くまで行ける」とEvens氏は考えます。AIツール、特にLLMを活用することで、開発の多くを自動化・加速できるため、従来よりも少人数で大きな成果を出すことが可能になっています。
    • Evans Foundationの事例では、Matt（技術と民主主義のリーダー）が事実上のPMとして、クラウドマジックデスクスキルや他のLLMを駆使して多くのことを成し遂げています。AI研究が必要な場合のみ、外部の助けを求めます。

  • 多人数チームの必要性:

    • しかし、Evans Foundationが行っているような「デジタル市民権」プロジェクトのように、未解決のAI研究、原理的なアプローチ、プロダクトデザインの思考、多大なイテレーションが必要な複雑な問題では、一人で全てをこなすのは困難です。開発スキルだけでなく、プロダクトとしての全体像を考え、AI研究を組み合わせる能力が求められます。
    • Googleのような大規模組織では、依然として多様な専門家からなるチームが必要ですが、その「構成」は変化しています。

開発プロセスの変化：MLエンジニアリングからプロンプティング重視へ

過去2～3年間で、AI製品の開発プロセスは大きく変化しました。

  • 従来のMLエンジニアリング: 以前は「ハイパーパラメーターチューニング」や「モデルエンジニアリング」が中心であり、機械学習エンジニアがモデルの内部構造を深く調整することに多くの時間を費やしていました。
  • プロンプティング重視への移行: 現在では、多くの作業が「プロンプティング」によって行われるようになっています。IPythonノートブックを記述し、プロンプトを繰り返し改善し、出力結果を分析し、評価セットを構築するというサイクルが中心です。これは、LLMが多様なタスクをプロンプトによって実行できるようになったためです。

この変化により、「役割の境界が曖昧になる」とEvens氏は指摘します。エンジニアは評価の一部を担うようになりますが、全ての評価を担うわけではありません。ここで再び「プロダクト原則」の重要性が浮上します。

プロダクト原則とPMの役割の再定義

Evens氏によれば、エンジニアは生成メディア製品の「現実感」や「画像の一貫性」といった技術的な評価を担うことができます。しかし、PMの「プロダクトセンス」と「プロダクト原則」は、より抽象的で戦略的な評価に影響を与えます。例えば、「どのような動きを優先すべきか」という問いは、単なる技術的な最適化ではなく、その業界のユースケースにとっての「価値」や「差別化」に直結するため、PMの深い洞察が必要となります。

「プロダクト原則のアプローチこそが真のプロダクトマネジメントであり、それが評価に影響を与えなければならない」とEvens氏は力説します。エンジニアとPMの役割は重複する部分が増えるものの、PMは製品が目指すべき方向性を定め、その価値を最大化するための原則を評価に組み込むという独自の責任を持ち続けます。

将来の展望：プロトタイピングの増加

Evens氏は、AI時代の開発プロセスの未来として、「プロトタイピングがより多くなるだろう」と予測します。AIツール、特にLLMの登場により、アイデアを迅速に形にし、検証するコストが大幅に低下しました。これにより、試行錯誤のサイクルを高速化し、ユーザーからのフィードバックを早期に得ながら、より洗練された製品を開発することが可能になります。

AIはチーム構成の多様性を促し、開発プロセスの重心を技術的なチューニングからプロンプトエンジニアリングやプロダクト原則に基づくデザインへとシフトさせています。PMは、技術の可能性とユーザーのニーズ、そしてビジネスの目標を繋ぐ、より戦略的かつ実践的な役割を担うこととなるでしょう。

AIプロダクトマネージャーへのメッセージ：人間中心の思考と普遍的な原則

インタビューの最後に、Jonathan Evens氏は、AI製品を構築する人々、そしてAIを活用してスキルを磨こうとするプロダクトマネージャーたちに向けた、貴重なメッセージを送ります。それは、技術の急速な進化の中にあっても変わらない、人間中心の思考と普遍的な製品開発の原則の重要性を強調するものです。

子供たちへの教訓：批判的思考と適応力

Evens氏はまず、彼自身の子供たちに向けた教訓として、「批判的思考（Critical Thinking）」と「素早く適応し学ぶ能力（Ability to Adapt and Learn Quickly）」の2つを挙げます。彼は、これらが「変わらない」スキルであると断言します。人工汎用知能（AGI）が人間の能力を全て凌駕するかどうかは依然としてオープンな問いであるものの、これらの基本的な人間的スキルは、未来のどんな状況においても価値を持ち続けるでしょう。

さらにEvens氏は、AIが単独で存在する世界よりも、人間とAIが共存する私たちの世界の方が「はるかにエキサイティングで面白い」という自身の哲学を共有します。これは、真の知性や価値が、AI単独でなく、人間との相互作用の中に生まれるという信念を示唆しています。

聴衆（AIプロダクトマネージャー）へのメッセージ：ユーザー共感とMakers Manifesto

AI製品を構築するプロダクトマネージャーたちに対し、Evens氏は以下の具体的なアドバイスを送ります。

  1. ユーザー共感と深いユーザー課題への注力（User Empathy and Focus on Deep User Problems）:

    • 「ユーザー共感を持ち続け、深いユーザーの問題点に本当に焦点を当て、問題から始めること」が最も重要であるとEvens氏は語ります。
    • 表面的な「ギミック（Gimmick）」機能ではなく、ユーザーの真のペインポイントを解決する製品を構築することが成功の鍵です。彼は、ユーザーにとって邪魔にしかならないWhatsAppのMetaロゴを例に出し、目的のない機能追加への警鐘を鳴らします。
    • このアプローチは、Google検索のAIモードパーソナライゼーションのような大規模なプロジェクトでも、ユーザーのニーズを深く理解することから始まったと言います。

  2. 摩擦の排除とエレガントな解決（Eliminate Friction and Elegant Solutions）:

    • 「素晴らしい製品を構築することは、どのようにエレガントに本当の人間の問題を解決し、どのように摩擦を排除するかということだ」という原則は、AI時代になっても変わりません。
    • AIは、この「摩擦の排除」において強力な手段となり得ますが、その活用方法がユーザーの問題解決に直結していなければ意味がありません。

  3. Makers Manifestoの遵守（Follow the Makers Manifesto）:

    • Evens氏は、自身も貢献した「Makers Manifesto」の原則に従うことを強く推奨します。これは、AI開発における倫理的指針や設計思想をまとめたものです。
    • 具体的な原則として、「可能性よりも目的を重視する（Purpose over Possibility）」や「完全な自動化よりも人間による説明責任（Human Accountability over Full Automation）」を挙げます。
    • これらの原則は、AIがもたらす技術的進歩を享受しつつも、人間中心のアプローチを維持し、責任ある製品開発を行うための基盤となります。

結論として、Jonathan Evens氏のメッセージは、AIプロダクトマネジメントが単なる技術的な役割ではないことを示しています。それは、人間と技術の複雑な関係性を理解し、倫理的な責任を負いながら、深いユーザー共感に基づいて真の価値を創造する、極めて人間的な役割なのです。技術の進化がどれほど速くても、この普遍的な原則と人間中心の視点こそが、AI時代の製品開発を成功に導く羅針盤となるでしょう。

結論：AIプロダクトマネジメントの真髄と未来への指針

Google DeepMindのAIプロダクトリード、Jonathan Evens氏との対話を通じて、私たちは「AIプロダクトマネジメントとは何か」という問いに対する多角的かつ深い洞察を得ることができました。彼の豊富な経験と実践的な知見は、この急速に進化する分野の複雑さを解き明かし、未来の製品開発者にとって貴重な指針を提示しています。

まず、AIプロダクトマネジメントという言葉自体が、機械学習やディープラーニングといった特定の技術の枠を超え、製品体験全体を変革する「AI」の登場とともに定着した歴史的背景を理解しました。そして、AIプロダクトマネージャーには、モデルのコア能力を定義するモデリングPMと、AIを応用してユーザー課題を解決するAI機能・AI製品PMという、異なる2つのタイプが存在することを知りました。後者のPMには、技術的理解に加え、業界知識、ユーザーワークフローの深い理解、高速プロトタイピング、そしてデータ活用能力といった新たなスキルが求められます。単にAIツールを業務に利用するだけでは、真のAIプロダクトマネージャーとは言えない、というEvens氏の明確な線引きは、この役割の本質を浮き彫りにします。

AI製品の成功を測る上では、アクティブユーザー数やユーザー満足度といった不変の「北極星指標」に加え、サイドバイサイド評価やユーザー反応などの「プロキシ指標」が重要です。しかし、それ以上に、製品が目指すべき価値を定める「プロダクト原則」こそが、ハルシネーション問題のようなAI特有の課題と向き合い、信頼性を構築するための最重要基盤であることが強調されました。Google検索の「信頼性」を例に、具体的な原則設定とそれに基づく評価設計の重要性が示されたことは、多くの開発者にとって大きな学びとなるでしょう。

また、AI研究の成果が実世界の「ごちゃごちゃした現実」に直面する際のギャップを埋めること、そしてコールドスタートやプライバシー懸念のある状況で合成ユーザーを賢く活用しつつ、最終的な人間の検証を欠かさないことの重要性も理解しました。信頼性の構築においては、Planet社での経験から得られた「プロダクトカード」の教訓が、現代のファクト性、UXデザイン、デリケートな質問への対応といった具体的なアプローチに活かされていることも示されました。

AI時代のチーム構成については、一人で多くのことを成し遂げられる「グラデーション」が存在しつつも、プロダクト原則に基づくPMのリーダーシップが不可欠であること、そして開発プロセスがプロンプティング重視へと移行し、プロトタイピングが加速する未来が描かれました。

最終的に、Evens氏がAIプロダクトマネージャー、そして未来を生きる子供たちに送ったメッセージは、技術の進化がどれほど速くても変わらない、普遍的な価値を問いかけます。「批判的思考力」と「素早く適応し学ぶ能力」、そして何よりも「ユーザー共感に基づいた深い課題解決への注力」が、AI時代の製品開発の成功を導く核となります。「Makers Manifesto」が示すように、目的を重視し、人間による説明責任を果たすこと。これらが、AIを真に人類の利益に資する形で活用し、よりエキサイティングで豊かな未来を築いていくための羅針盤となるでしょう。

Jonathan Evens氏の洞察は、AIプロダクトマネジメントが単なる技術的な役割を超え、技術と人間、ビジネスと社会の複雑な相互作用をデザインする、極めて戦略的かつ倫理的なリーダーシップを求めるものであることを示しています。彼の言葉から得られる学びは、AIが切り開く新たな時代において、私たちがいかに製品を創り、そして生きるべきかを示唆する、力強いメッセージです。

← 一覧に戻る