Produktansvarlig og medadministrerende direktør deler, hvorfor det er en helt anden sag at bygge AI-produkter

Andrei Rebrov har arbejdet med produktudvikling hele sit liv og er co-CEO hos Finsi, hvor han integrerer AI i alle lag af virksomhedens produktstrategi — både for teamet og deres kunder.

Vi spurgte Andrei, hvordan AI ændrer både produktledelse og produktstrategi. Her er, hvad han fortalte os.

Integration af AI i produktstrategien

Jeg hedder Andrei Rebrov og er co-CEO hos Finsi. Gennem min karriere inden for produktledelse har jeg haft et stærkt fokus på at udvikle finansiel teknologi, der reelt imødekommer menneskers behov.

Hos Finsi leder jeg produktorganisationen bag en AI-drevet vækstplatform, der er udviklet til e-handelsbrands. Produktet er en B2B SaaS-løsning, der betjener DTC- og abonnementsbaserede e-handelsvirksomheder — fra nye brands med en omsætning under $5M til større SMB'er. Vores platform integreres med mere end 50 værktøjer, herunder Shopify, Klaviyo, Meta Ads, Google Ads og Recharge, og samler data på tværs af hele e-handelsstakken. Den anvender desuden fem AI-agenter, der dækker omsætningsindsigt, automatisering af annoncer, fastholdelse og e-mail, SEO samt kundeundersøgelser.

Leveringsmodellen er fuldt webbaseret SaaS, og vores centrale værdiløfte er at lukke forbindelsen mellem analyse og eksekvering: Vi synliggør ikke bare indsigter; vi udvikler og lancerer kampagnerne, flowsene og segmenterne for vores brugere.

I mit arbejde hos Finsi har jeg været på forkant med at integrere AI i vores produktstrategi — og undersøgt, hvordan AI kan strømline finansielle tjenester, forbedre brugeroplevelser og skabe bedre beslutningstagning i stor skala.

Denne AI-transformation inden for produktledelse føles både spændende og afgørende. Jeg ser frem til at dele de erfaringer og perspektiver, jeg har opnået undervejs.

Sådan ændrer AI processerne for produktprioritering

Produktledere er nødt til at gentænke deres proces for produktprioritering. Næsten alle teams, jeg kender, prioriterer stadig gennem regneark, subjektive scoringsmodeller og kvartalsvise planlægningsritualer, der er designet til langsomme og dyre udviklingscyklusser.

AI ændrer begge sider af ligningen: Det gør udviklingen hurtigere (så I kan validere flere idéer), og det kan behandle langt flere signaler end noget menneske — brugsdata, feedback fra supporten, mønstre i kundeafgang, konkurrencesignaler og kundeinterviews — for at hjælpe med at afgøre, hvad der er vigtigt.

Vi redesignede vores prioriteringsproces omkring et kontinuerligt AI-signallag. Vi automatiserer udtrækningen af opgaver fra Granola-transskriptioner, så vi ikke glemmer det, vi skylder. I stedet for en kvartalsvis øvelse med produktkøreplanen vedligeholder vi en levende backlog, hvor hvert element er mærket med data fra flere kilder — hyppigheden af kunde­feedback, estimeret omsætningspåvirkning, konkurrencemæssig hastende karakter og engagementsmønstre. Vores AI viser hver uge en prioriteret oversigt over denne backlog, som opdateres, efterhånden som signalerne ændrer sig.

Vores produktledere træffer stadig de endelige beslutninger, men de arbejder ud fra et langt rigere og mere dynamisk billede end tidligere.

Resultatet er, at vi har halveret tiden fra identificering af en mulighed til lancering af en løsning, og at vi har udviklet langt færre løsninger, som ingen bruger.

Hvorfor AI har brug for et solidt fundament i produktstrategien

Det er vigtigt at bemærke, at AI ikke kan rette op på en fejlbehæftet produktstrategi — den forstærker blot den strategi, du allerede har.

Hvis du løser det rigtige problem for de rigtige brugere, hjælper AI dig med at gøre det hurtigere og i større skala. Men hvis din grundlæggende produktopfattelse er fejlbehæftet, vil AI fremskynde din vej mod den forkerte destination.

Jeg har selv set, hvordan det udspiller sig. Tidligt i udviklingen af Finsi overvejede vi at tilføje AI-funktioner, fordi de var imponerende og teknisk mulige — anbefaling af handlinger, forudsigelse af kundeafgang og generering af indhold. Men intet af det ville have gjort en forskel, hvis vi ikke først klart havde forstået den grundlæggende indsigt: E-handelsaktører har ikke et analyseproblem; de har et eksekveringsgab. Først da vi havde valideret det, blev AI det rigtige greb.

Når du arbejder med AI, har du brug for den samme disciplin som i alt godt produktarbejde — en præcis problemdefinition, dyb brugerempati og ærlig prioritering. AI øger betydningen af alt dette, fordi udviklingshastigheden betyder, at du kan udvikle og lancere det forkerte langt hurtigere end nogensinde før.

Sådan skærpede en Claude Code-færdighed produktfokus

En afgørende ændring for os var at implementere en Claude Code-færdighed kaldet "Merchant Advocate" til vores kodningsagenter.

Jeg gav Claude kontekst om Finsis mission og produktfokus samt et resumé af transskriptioner fra Granola. Nu, når vi har et nyt krav, kører vi det gennem denne færdighed, og den hjælper os med at holde fast i vores kernemission: at levere software, der reducerer købmænds arbejde.

Vi fjernede mange potentielle funktioner fra vores køreplan på grund af dette enkle trin i vores arbejdsgange.

Hvorfor Cursor er afgørende for hurtig udvikling af produktprototyper

Cursor ændrede den måde, vores udviklingsteam leverer på — ikke kun ved at skrive kode hurtigere, men også ved at mindske afstanden mellem produktudvikling og implementering.

Når jeg kan beskrive en funktion på naturligt sprog og se en fungerende prototype på få minutter, ændrer det grundlæggende den måde, vi validerer idéer på. Det gør hele processen for produktudvikling hurtigere og mere eksperimenterende.

Her er et eksempel. Vi ville teste en brugerflade til en "ugentlig informationsbriefing" for en af vores produktagenter. I stedet for at specificere den i Figma og vente på en sprint beskrev vi layoutet og datastrukturen for Cursor på almindeligt sprog og havde en funktionel prototype forbundet med vores testdata inden for få timer. Derefter testede vi den med tre kunder samme dag og fik feedback, der ændrede det endelige design, før vi skrev en eneste linje produktionskode.

Hvorfor mennesker har ansvaret for det konsekvensfyldte og relationelle

Vi har bevidst defineret AI's og menneskers roller i vores produktprocesser.

AI driver vores datasyntese, mønstergenkendelse, identifikation af anomalier og eksekvering — for eksempel automatisk registrering af tegn på kundeafgang, omfordeling af annoncebudgetter, generering af e-mailtekst i et brands stemme og implementering af Klaviyo-flows. Det er hyppige, dataintensive opgaver, hvor AI konsekvent overgår menneskers hastighed og skala.

AI informerer også vores prioritering ved at identificere anbefalinger, der skaber den største indvirkning på omsætningen på tværs af vores kundebase, og hjælper os med at forstå, hvor vi skal fokusere produktudviklingen.

Mennesker træffer dog udtrykkeligt beslutninger, der kræver dømmekraft, etik og strategisk kontekst.

Det betyder, at produktvisionen og retningen for vores køreplan fortsat er menneskestyret — vi skal ikke kun forstå, hvad dataene siger, men også hvilken slags virksomhed vi ønsker at opbygge, og hvad vores kunder stræber efter på et dybere plan. UX-beslutninger ledes fortsat af mennesker, fordi empati og intuition i forhold til brugernes følelser endnu ikke kan automatiseres pålideligt. Og enhver beslutning, der indebærer en risiko for en kundes virksomhed — såsom en større omfordeling af annonceforbruget — kræver menneskelig godkendelse, før den udføres.

Vores arbejdsprincip er: AI håndterer det gentagelige og analytiske; mennesker har ansvaret for det konsekvensfyldte og relationelle.

Hvorfor AI har svært ved at opnå dyb kundeforståelse

AI har tydeligst skuffet i forhold til vores forventninger inden for dyb kundeforståelse. I begyndelsen troede vi, at AI pålideligt kunne syntetisere kvalitative signaler — supportsager, anmeldelser og spørgeskemasvar — og omsætte dem til handlingsanvisende produktindsigter med minimal menneskelig involvering. I praksis er AI fremragende til at kategorisere og gruppere feedback i stor skala, men den overser konsekvent nuancerne i kundernes følelser, særligt inden for nicheprægede e-handelsvertikaler med specifikke kulturelle eller operationelle kontekster. AI identificerer ofte reelle mønstre, men fortolkningen kræver stadig et menneske, der har en dyb forståelse af kundens verden.

Vi har også konstateret, at AI-genereret kreativt materiale — annoncetekst og emnelinjer til e-mails — selvom det er hurtigt og nyttigt som udgangspunkt, sjældent matcher resultaterne fra tekst, der er udformet af en person, som virkelig kender brandets stemme og målgruppe. Det fremskynder produktionen, men erstatter endnu ikke ægte kreativ dømmekraft.

Endelig forventede vi, at AI ville forbedre vores interne proces for produktopdagelse mærkbart, men den har ikke forkortet tiden til at identificere helt nye kundebehov — den hjælper os med at behandle eksisterende information, men de mest værdifulde indsigter kommer stadig fra direkte, ustrukturerede samtaler med kunder, som ingen AI-værktøj endnu har kunnet efterligne eller erstatte.

Andreis tanker

AI er fremragende til at kategorisere og gruppere feedback i stor skala, men den overser konsekvent nuancerne i kundernes følelser.

Hvordan datakvalitet påvirker udviklingen af AI-produkter

Da jeg begyndte at arbejde med AI, var jeg ikke klar over, hvor meget datakvalitet betyder, eller hvor lang tid det tager at få den på plads.

Da vi byggede Finsis AI-agenter, gik vi ud fra, at forbindelser til Shopify, Klaviyo og annonceplatforme ville levere rene og pålidelige data. Virkeligheden var langt mere rodet. Forskellige brands strukturerer deres data forskelligt, sporer forskellige hændelser, bruger forskellige navngivningskonventioner og har huller og uoverensstemmelser i deres historiske data. Vi brugte langt mere tid end forventet på datanormalisering, deduplikering og valideringspipelines, før AI kunne levere anbefalinger, vi kunne stole på.

Hvis jeg havde vidst det fra starten, ville jeg tidligere og mere massivt have investeret i datainfrastruktur i stedet for at skynde mig med at bygge AI-laget oven på et ustabilt fundament.

Hvorfor brugernes tillid skal tages i betragtning med AI-produkter

Hvis jeg skulle begynde forfra med vores produkts AI-agenter, ville jeg gribe brugernes tillid anderledes an.

Til at begynde med designede vi vores AI-agenter til at være forholdsvis autonome — de viste anbefalinger og gjorde det nemt at godkende og udføre dem med ét klik. Brugerne tøvede, selv når anbefalingerne var gode. De havde brug for at forstå "hvorfor" bag hvert forslag, før de følte sig trygge ved at handle. Derfor tilføjede vi forklarbarhed til produktet efter lanceringen, men det ville have været langt bedre at designe med gennemsigtighed fra dag ét.

Tillid er ikke en funktion, du kan tilføje senere — den skal være vævet ind i kerneoplevelsen.

Hvorfor AI gør valgmuligheder og konfigurerbarhed mindre vigtigt for brugerne

AI tvang mig også til at opgive antagelsen om, at et godt produkt betyder, at brugerne skal have kontrol og mulighed for at konfigurere det.

I årevis var den gængse opfattelse inden for B2B SaaS, at superbrugere ønsker fleksibilitet — flere indstillinger, flere dashboards og flere måder at tilpasse deres oplevelse på. Vi byggede de tidlige versioner af Finsi ud fra denne antagelse og lod operatører konfigurere deres egne dashboards, fastsætte deres egne KPI-tærskler og tilpasse, hvilke målinger de fulgte. Men da vi begyndte at integrere AI, fandt vi det modsatte: Vores mest succesfulde brugere brugte mindre tid på konfiguration og mere tid på at handle ud fra AI's anbefalinger.

Operatører, der ønskede at justere hver eneste indstilling, fik ofte mindst værdi, fordi de optimerede værktøjet i stedet for deres forretning. AI viste, at vores brugere havde brug for mindre kognitiv belastning og større sikkerhed om, hvad de skulle gøre som det næste. Det tvang os til at forenkle produktet markant, fjerne meget af den konfigurerbarhed, vi havde bygget ind, og i højere grad satse på fast definerede, AI-drevne standardindstillinger.

Det var en kontraintuitiv læring: Nogle gange er den bedste produktbeslutning at fjerne valgmuligheder fra brugerne i stedet for at tilføje flere.

Hvorfor ægte AI-transformation kræver, at man gentænker et produkts værdikæde

De fleste "AI-drevne" produkter er ikke AI-produkter — de er funktionsindpakninger med en LLM hægtet på, og markedet vil før eller siden gennemskue dem.

Ægte transformation af AI-produkter kræver, at man gentænker hele værdikæden, ikke at man indsætter et GPT-kald i en eksisterende arbejdsgang. De virksomheder, der vinder, er ikke dem, der tilføjede AI hurtigst; det er dem, der brugte AI til at udfordre alle antagelser om, hvordan deres produktkategori fungerer.

Hvorfor produktledere skal vælge et lille antal initiativer med stor effekt

Modstå to lige farlige impulser:

1. Trangen til at indføre AI overalt på én gang
2. Trangen til at vente, indtil tingene føles mere sikre

Produktledere, der vil få succes, udvælger et lille antal initiativer med stor effekt, går i dybden og opbygger ægte organisatorisk forståelse af AI – ikke blot kendskab til værktøjerne. Start med de problemer, der koster jer mest: tid, der går tabt på manuelt arbejde, beslutninger, der træffes uden tilstrækkelige data, og funktioner, der tager for lang tid at udvikle eller validere. Brug AI til at løse netop disse problemer.

Og vær ærlig over for jeres teams om, hvad AI ændrer for dem. Ledere, der lader som om, AI ikke vil ændre roller og ansvarsområder, mister tillid; de ledere, der har åbne og gennemtænkte samtaler om, hvordan AI udvider menneskelig dømmekraft, opbygger kulturer, der kan tilpasse sig.

Endelig skal I ikke optimere efter at fremstå som en organisation, der har AI indbygget – optimer efter resultater. Den bedste AI-produktstrategi skaber målbar værdi for brugerne, ikke den mest imponerende demonstration. Hold fokus på problemet, så følger den rette anvendelse af AI.

Andreis tanker

Produktledere, der vil få succes, udvælger et lille antal initiativer med stor effekt, går i dybden og opbygger ægte organisatorisk forståelse af AI.

Følg med

Du kan få kontakt med Andrei Rebrov på LinkedIn. Og tag et kig på Finsi.

Der kommer flere ekspertinterviews på CPO-klubben!