Produktleder hos OpenAI fortæller, hvordan AI ændrer produktledelse på højeste niveau

Kathy Korevec er en skaber, der har arbejdet som produktdirektør hos Google Labs AI, vicepræsident for produkt og design hos Vercel og senior produktledelsesdirektør hos GitHub, for blot at nævne nogle få. Og i øjeblikket arbejder hun på Codex hos OpenAI. Den røde tråd er at skabe udviklerværktøjer med et kompromisløst fokus på brugercentrering og detaljer.

Vi satte os ned med Kathy for at høre, hvordan AI ændrer produktledelse hos verdens førende teknologivirksomheder. Her er, hvad hun havde at sige.

At være en "kok, der laver mad til kokke"

Jeg har altid først og fremmest været en skaber og først derefter produktchef.

Jeg voksede op med udviklerværktøjer hos steder som Heroku, GitHub og Vercel, hvilket er en meget specifik form for produktledelse. Man lancerer ikke bare funktioner; man bygger til mennesker, der med det samme ved, når man har sprunget over, hvor gærdet er lavest. Det er som at være en kok, der laver mad til kokke. Overliggeren er høj, og de vil helt sikkert lægge mærke til det, hvis din sauce ikke er, som den skal være.

Nogle af mine yndlingsøjeblikke som PM handlede slet ikke om traditionelt "PM-arbejde". Hos GitHub omskrev jeg dele af dokumentationen og redesignede endda webstedet, så det afspejlede min tilgang baseret på DX-principper. Jeg har brugt weekender på at refaktorere mit eget websted for at barbere et par hundrede millisekunder af, fordi ydelsen generede mig. Jeg hjalp med at drive et projekt kaldet Papercuts, hvor vi løste hundredvis af små irritationsmomenter, fordi alle de detaljer tilsammen afgør, om folk elsker eller tolererer dit produkt.

Det har på en måde været den røde tråd for mig. Jeg ser ikke PM'er som nogen, der bare identificerer mangler og udfylder dem, eller som "den administrerende direktør for dit produkt". Jeg ser det som at komme ubehageligt tæt på detaljerne. Tæt nok på til, at man begynder at bekymre sig om ting, der ikke står på en køreplan.

Og nu befinder vi os i dette AI-øjeblik, som helt ærligt føles lidt som at give alle en jetpack og håbe på, at de ikke flyver ind i et træ.

Jeg bruger meget tid på vibe-kodning om aftenen og i weekenderne, hvor jeg bygger små, improviserede værktøjer med AI-agenter. Man kan gå fra idé til fungerende produkt på en eftermiddag, hvilket er utroligt. Samtidig er det grundlæggende vigtigere end nogensinde. Det er forståelsen af systemer, afvejninger og hvordan ting faktisk fungerer under overfladen, der adskiller noget, der bliver lanceret, fra noget, der holder.

Ellers ender man med en kirkegård af ufærdige projekter og mystiske fejl.

Så min rejse ind i dette øjeblik har egentlig ikke handlet om at ændre den måde, jeg arbejder på. Den har handlet om at fordybe mig endnu mere i den. Om at holde mig tæt på håndværket. Og om selv at bygge ting.

At mindske afstanden mellem idé og validering

Indtil for ganske nylig stod jeg i spidsen for produktarbejdet i et team hos Google Labs kaldet AIDA, som stod for AI-udviklerassistance.

Vi arbejdede ret dybt nede i stakken. Tidlige kodningsmodeller, træningsdata til kode, der blev brugt i Gemini, og derefter op gennem abstraktionslaget til produkter som Colab Composer og Jules. Skiftet gik fra "Kan vi generere kode?" til "Kan vi faktisk hjælpe folk med at bygge rigtig software fra ende til anden?"

Den organisation, jeg ledede, var derfor i høj grad en hybrid. En del forskning, en del produkt og en del "Vi lancerer noget hurtigt og uprætentiøst i denne uge og ser, om nogen bruger det." Vores brugere spændte fra professionelle udviklere til mennesker, der aldrig havde skrevet kode før, hvilket er en ydmygende målgruppe, fordi man skal imødekomme både dybde og tilgængelighed på samme tid.

Leverancemodellen afspejlede det. Masser af hurtige iterationer, tætte sløjfer mellem modelkapacitet og produktopplevelse og en villighed til at kassere ting, hvis de ikke slog an. Det handler mindre om en køreplan og mere om målrettet udforskning.

Nu er jeg hos OpenAI, hvor jeg arbejder på Codex, hvilket på en måde er et øjeblik, hvor cirklen sluttes. Codex begyndte som en model, og nu udvikler den sig til en agent og et applikationslag i ChatGPT, der hjælper folk med faktisk at få arbejdet gjort. Skrive kode, automatisere arbejdsgange og forbinde systemer.

Så i begge tilfælde er den røde tråd den samme. At bygge værktøjer, der mindsker afstanden mellem en idé og noget, der kører i den virkelige verden.

Hvorfor PM'er bør fokusere på prototypebaseret produktudvikling

Jeg er holdt op med at betragte specifikationer som det primære produkt af produktarbejdet. Det er en ændring, jeg allerede var begyndt på, men AI satte fart på den.

Tidligt i min karriere, især hos GitHub og Heroku, indså jeg, hvor meget fremdrift betyder. Virkelig brug betyder noget. Man lærer mere af noget, der er i produktion, end man nogensinde vil lære af et perfekt skrevet dokument.

Det, AI har gjort, er at tage den filosofi og komprimere den endnu mere.

Nu bygger jeg i stedet selv en rå version af produktet, frem for at skrive en lang specifikation og diskutere den i en uge. Eller jeg koder en prototype ved hjælp af AI på en dag eller to. Noget, man kan klikke på, ødelægge og reagere på. Det ændrer alt.

Man går fra “Hvad tror vi vil ske?” til “Hvad sker der faktisk, når man bruger det her?” Det omdanner en masse abstrakt debat til noget konkret.

Det ændrer også PM'ens rolle. Du former ikke bare idéer; du stresstester dem direkte. Du er tættere på implementeringen, så du opdager dårlige antagelser tidligere.

Resultatet er naturligvis hastighed. Vi lancerer hurtigere, afliver idéer hurtigere og videreudvikler gode idéer hurtigere.

Den vigtigste ændring er dog, at vores beslutninger er mere ærlige.

Hvorfor ulemperne ved AI er subtile, men vigtige

Men der er bestemt også ulemper.

En af dem er det, jeg vil kalde "falsk fremdrift". Man føler, at man bevæger sig utrolig hurtigt, fordi man producerer meget. Kode, prototyper, dokumentation. Men det hele er ikke nødvendigvis godt eller brugbart. Man kan skabe en stor overflade uden reel dybde.

Et andet problem er kvalitet og tillid. AI-genereret kode kan være overraskende god og samtidig selvsikkert forkert. Hvis man ikke forstår, hvad der foregår bag kulisserne, kan man ende med at lancere ting, der er skrøbelige, usikre eller svære at vedligeholde.

Og så er der en mere subtil udfordring. Det er nemmere end nogensinde at gå i gang med ting. Det er ikke nødvendigvis blevet nemmere at færdiggøre dem ordentligt. Vi kommer til at se langt flere halvfærdige produkter, forladte prototyper og systemer, der sådan set fungerer, indtil de ikke gør længere. Jeg har selv bygget nogle få af den slags.

Så det samlede resultat er lidt af et paradoks. Vi er hurtigere end nogensinde til at nå frem til noget. Vi er ikke automatisk blevet bedre til at gøre det til noget, der holder.

Kathys tanker

Det er nemmere end nogensinde at gå i gang med ting. Det er ikke nødvendigvis blevet nemmere at færdiggøre dem ordentligt. Vi kommer til at se langt flere halvfærdige produkter, forladte prototyper og systemer, der sådan set fungerer, indtil de ikke gør længere. Jeg har selv bygget nogle få af den slags.

Hvorfor fire principper fører produkter fra blændværk til tillid

Jeg vil gerne sige lidt mere om tillid, fordi jeg tror, at produktledere undervurderer risikoen ved usynlig software af lav kvalitet.

AI gør det utrolig nemt at bygge ting. Man kan sætte værktøjer, funktioner og endda hele applikationer op på en brøkdel af den tid, det tidligere tog. Det lyder som en ubetinget fordel, men resultatet er, at man får langt mere software, der sådan set fungerer.

Halvfærdige funktioner, skrøbelige systemer og ting, der blev bygget hurtigt og aldrig gjort robuste. De fejler ikke højlydt. De forringes bare over tid. De går i stykker på subtile måder, skaber forvirring eller udhuler stille og roligt tilliden.

Risikoen handler ikke kun om teknisk gæld i traditionel forstand. Det handler om tillidsgæld.

Her er fire principper, jeg har fundet nyttige:

1. Gør systemet forståeligt. Brugerne bør kunne forstå, hvad AI'en gør, og hvorfor, i hvert fald på et overordnet niveau. Det handler ikke om fuld teknisk gennemsigtighed, men om nok til, at det ikke føles som en sort boks, der træffer vilkårlige beslutninger. Det kan være så enkelt som at vise trin, tydeliggøre antagelser eller lade brugerne se, hvad der blev ændret.
2. Design med henblik på korrektion. Systemet vil tage fejl indimellem. Det er givet. Det afgørende er, hvor nemt det er for en bruger at gribe ind, rette det og komme videre. Hvis det er besværligt at rette systemet, falder tilliden hurtigt. Hvis det er nemt, vil folk fortsætte med at bruge det, selvom det ikke er perfekt.
3. Byg med fokus på konsekvens frem for blændværk. Mange AI-produkter optimerer efter “imponerende øjeblikke”. Én virkelig imponerende interaktion. Tillid opstår af det modsatte — at systemet gør det forventede igen og igen uden overraskelser. Især i udviklerværktøjer er forudsigelighed vigtigere end magi.
4. Udvis mådehold. Bare fordi systemet kan gøre noget, betyder det ikke, at det bør gøre det. Hvis man automatiserer for meget eller tager for meget kontrol, mærker brugerne det. De mister følelsen af at have indflydelse. De bedste produkter giver dig større handlekraft uden at tage dig ud af processen.

Hvorfor AI ikke kan håndtere produktdifferentiering eller automatisering fra ende til anden

Her er et par andre områder, hvor AI kommer til kort.

Der tales meget om agenter, der bare kan tage en opgave og føre den igennem fra start til slut. I praksis kræver de fleste af de systemer, jeg har set, stadig meget overvågning. Du guider, korrigerer og skriver nye prompts. Det minder mere om at lede en ivrig praktikant end om at delegere til en fuldt selvstændig kollega.

Det er stadig nyttigt, men det er noget andet end forventningen.

Og så er der produktdifferentiering.

Mange AI-funktioner i dag føles ens. Du kan tilføje en chatgrænseflade, generere noget kode og opsummere noget. Det er grundniveauet nu.

Det, der har været sværere, er at omsætte disse muligheder til noget, der føles unikt værdifuldt og dybt integreret i en arbejdsgang. Noget, folk faktisk ville savne, hvis du fjernede det.

Jeg tror, det er dér, mange produkter kommer til kort.

Hvorfor menneskelig dømmekraft fortsat er afgørende i produktbeslutninger om AI

PM'er må spørge sig selv: "Hvor har AI faktisk god dømmekraft? Og hvor har den ikke?"

Der er dele af produktarbejdet, hvor AI nu er utroligt nyttig for mig — alt, der drager fordel af bredde, hastighed eller iteration, læner jeg mig tungt op ad det til. Tidlig afdækning, udforskning af løsningsrum, udarbejdelse af forskellige tilgange og endda generering af grove UX-retninger eller arbejdsgange. Det er fantastisk til at hjælpe dig med at komme videre eller se flere muligheder, end du ville kunne på egen hånd.

Jeg bruger det også meget til prototyper, som jeg nævnte. Muligheden for hurtigt at gå fra en idé til noget interaktivt har fuldstændig ændret den måde, jeg arbejder på.

Og så er der alt det arbejde, der ligger “imellem”. Opsummering af brugerfeedback, identifikation af mønstre i data og udarbejdelse af dokumentation. Ting, der tidligere tog meget tid og krævede hyppige skift af kontekst.

Det, jeg ikke stoler på AI til, er dér, hvor dømmekraft virkelig betyder noget. Prioritering er et vigtigt eksempel. AI kan hjælpe dig med at opstille muligheder, men den forstår ikke reelt afvejningerne i din virksomhed, dit team eller dine begrænsninger. Den mærker ikke omkostningen ved at tage fejl.

Det samme gælder beslutninger om produktplanen. De handler om overbevisning, timing og nogle gange om at satse på noget, der ikke ser rationelt ud i et regneark.

UX er et andet interessant område. AI kan generere en masse brugergrænseflader hurtigt, men den har ingen sans for kvalitet. Den mærker ikke, hvad der er frustrerende eller fornøjeligt ved gentagen brug. Især når man bygger til udviklere, er forskellen mellem noget, der fungerer, og noget, der føles godt, altafgørende.

Og så er der tekniske afvejninger. AI kan foreslå arkitekturer, men den står ikke til ansvar for de langsigtede konsekvenser af disse beslutninger. Det gør dit team.

Hvordan AI udfordrer traditionelle produktantagelser

Jeg tror, den største antagelse, jeg har måttet give slip på, er, at det grundlag, du står på, er stabilt.

I lang tid kunne man inden for produktudvikling antage, at nogle få ting var relativt faste. Brugergrænsefladen, arbejdsgangen, selv hvad produktet er. Man ville iterere inden for det. AI ændrer det.

Modellen bliver bedre, og pludselig er dit produktområde forkert. Et nyt interaktionsparadigme dukker op, og det, der føltes som en solid produktplan, bliver irrelevant. Ting, du troede var begrænsninger, forsvinder, og nye begrænsninger dukker op, som du ikke havde planlagt efter.

Så du bygger ikke bare på et grundlag i forandring. Du stiller konstant spørgsmålstegn ved, om grundlaget overhovedet bør eksistere. Det har været en stor ændring i min måde at tænke på.

Den anden antagelse, jeg har givet slip på, er, at de bedste produkter er de mest veldefinerede. Tidligere blev der lagt stor vægt på klarhed tidligt i processen. Definér problemet, definér løsningen, og eksekvér konsekvent.

Nu kommer meget af værdien fra at blive i udforskningen længere, end det føles behageligt. At lade produktet være en smule udefineret, mens de underliggende muligheder stadig udvikler sig.

Og den sidste handler om, hvor værdien findes. Jeg plejede at tro, at en stor del af produktværdien lå i brugergrænsefladen. Brugergrænsefladen, flowet, pixelsene. Nu ligger meget af værdien i adfærden. Hvordan systemet reagerer, tilpasser sig og samarbejder. Brugergrænsefladen er stadig vigtig, især for udviklere, men den er ikke længere tyngdepunktet.

Sådan udvisker AI rollerne

Roller udviskes. Grænserne mellem PM, ingeniør og designer bliver meget tyndere.

Med AI kan du lave prototyper, skrive kode, udforske UX og afprøve idéer langt mere direkte. Det betyder, at flere mennesker kan arbejde på tværs af det, der tidligere var meget forskellige roller. Og det ændrer teamets sammensætning.

Du har brug for færre overleveringer. Flere mennesker, der selv kan tage en idé og føre den videre, i det mindste til et meningsfuldt detaljeringsniveau.

Jeg har mærket det meget personligt. Jeg er for nylig gået tilbage til at være IC PM, og det har været utroligt givende. Jeg er meget tættere på arbejdet igen. Jeg bygger ting, tester idéer og går i detaljerne. Det minder mig om, at en stor del af produktdømmekraft kommer af faktisk at skabe ting, ikke bare af at koordinere dem.

Det betyder ikke, at ledere eller specialisering forsvinder. Du har stadig brug for dyb ekspertise, især inden for områder som systemdesign eller UX af høj kvalitet. Men du har også brug for flere “produktfolk med bred, tværgående forståelse”, der kan bevæge sig ubesværet på tværs af hele stakken og bruge AI som løftestang.

Hvorfor AI har ændret brugernes forventninger

AI forbedrer ikke bare dit produkt. Det nulstiller, hvad brugerne forventer af alle produkter. Så du konkurrerer ikke længere kun med dine direkte konkurrenter. Du konkurrerer med den bedste AI-oplevelse, nogen har haft noget sted i løbet af den uge.

Jeg tror, jeg undervurderede, hvor hurtigt det skift i forventninger ville ske.

I praksis betyder det, at vinduet for “godt nok” er meget kortere. Noget kan føles magisk mandag og forældet fredag. Hvis jeg havde vidst det, ville jeg have optimeret mere efter tilpasningsevne og mindre efter den sidste polering.

Kathys tanker

Jeg tror, jeg undervurderede, hvor hurtigt det skift i forventninger ville ske…I praksis betyder det, at vinduet for “godt nok” er meget kortere.

Hvorfor produktledere skal se AI som et skift i fagområdet

Mit råd er at betragte dette øjeblik mindre som et værktøjsskift og mere som et skift i fagområdet.

Den vigtigste færdighed lige nu er evnen til at se klart. AI genererer store mængder output. Idéer, kode, retninger. Risikoen er, at du begynder at forveksle dette output med sandheden. Så som produktleder er dit job at holde fast i, hvad der faktisk sker. Hvad brugerne gør, hvor ting går i stykker, og hvad der holder over tid.

Det andet er at bygge det, du er afhængig af. Hvis du arbejder med AI-produkter, bør du bruge dem grundigt. Ikke kun i demoer eller gennemgange, men i dine egne arbejdsgange. Du vil straks mærke manglerne. Hvor tingene er langsomme, hvor de er forvirrende, og hvor de næsten fungerer, men ikke helt. Den form for førstehåndserfaring er svær at erstatte, og den ændrer kvaliteten af dine beslutninger.

Det tredje er at blive fortrolig med spændinger. Der er lige nu et reelt træk mellem hastighed og kvalitet, udforskning og disciplin, det mulige og det, der faktisk er nyttigt. Den spænding er ikke noget, der skal løses. Det er selve arbejdet. De bedste teams, jeg har set, forsøger ikke at fjerne den. De navigerer bevidst i den. De bevæger sig hurtigt, når de lærer, og sætter tempoet ned, når noget skal være rigtigt.

Og endelig: Lad ikke AI gøre dig til leder af output. Det er meget nemt at læne sig tilbage og koordinere, skrive prompts, gennemgå og gå videre. Men de bedste produktledere lige nu er stadig meget tæt på håndværket. De bygger, tester og løser de ting, der generer dem.

For i sidste ende har jobbet ikke ændret sig. Du er stadig ansvarlig for at skabe noget, der fungerer, som folk har tillid til, og som passer ind i deres liv. AI ændrer bare, hvordan du kommer derhen.

Følg med

Du kan lære mere af Kathy på hendes blog om produktudvikling eller på hendes personlige websted. Eller følg hende på X.

Der kommer flere ekspertinterviews på The CPO Club!