Teknologigrundlægger og tidligere produktdirektør siger, at AI gør produktteams dårligere – ikke bedre

Adam Root har haft roller som produktchef hos forskellige teknologivirksomheder. Og han er i øjeblikket grundlægger af Root Ventures, hvor han bygger SaaS-produkter drevet af arbejdsgange.

Vi satte os ned med Adam for at forstå, hvordan AI ændrer produktlivscyklussen – og hvordan det faktisk gør nogle teams dårligere undervejs. Her er, hvad han fortalte os.

AI gør produktteams dårligere

AI gør de fleste produktteams dårligere, ikke bedre – fordi det fjerner den friktion, der tidligere beskyttede teams mod dårlige beslutninger.

Gennem de seneste 17+ år har jeg skaleret SaaS-platforme, ledet AI-drevne initiativer og skabt målbare resultater, herunder øget omsætningen fra $20k til $400k MRR og leveret effekt i virksomhedsskala. Tidligere i min karriere troede jeg, at den sværeste del var at bygge, lancere funktioner, skalere teams og eksekvere på en køreplan. Det, jeg har lært, især i de seneste år, er, at den reelle udfordring er at omdanne tvetydighed til overbevisning. AI har gjort denne forskel umulig at ignorere. 

I dag kan alle generere en prototype eller lancere hurtigt ved hjælp af AI-værktøjer, men de fleste teams har stadig svært ved at omsætte det til reel fremdrift. Jeg ser konsekvent stærke tekniske teams bygge hurtigere, men uden en klar produktstrategi. De lægger AI oven på arbejdsgange, der aldrig var designet til at lykkes. Resultatet er mere output, men ikke større effekt.

Den erkendelse ændrede fundamentalt min tilgang til produktledelse. Jeg betragter nu hvert produkt som et system af sandheder snarere end som en samling funktioner. Det begynder med en dyb forståelse af problemet, validering med evidens og en rækkefølge af beslutninger, der skaber løftestangseffekt. Først da bliver AI en reel multiplikator. Uden dette fundament accelererer det blot støjen.

Så i dag fokuserer jeg mindre på værktøjer og mere på at skabe klarhed, samle teams om det, der betyder noget, hvorfor det betyder noget, og hvordan det skaber resultater. For når systemet er rigtigt, skaber eksekveringen en kumulativ effekt.

Opbygning af en AI-baseret portefølje

Lige nu opbygger jeg en lille portefølje af AI-baserede og arbejdsgangsdrevne SaaS-produkter på tværs af forskellige domæner, hvor hvert produkt er designet til at være centreret omkring reel brugeradfærd og ikke blot tilføje funktioner ovenpå.

Sotia er et intelligenssystem baseret på adfærdsdata, som begynder med Slack, og som hjælper ledelsen med at forstå eksekveringssundhed i realtid. Det omsætter kommunikationsmønstre til signaler om tilpasning, beslutningshastighed og risiko og skaber dermed et nyt lag mellem rå aktivitet og indsigt for ledelsen.

Sideløbende bygger jeg VowVista, en markedspladsplatform inden for bryllupslokaler, der fokuserer på at skabe beslutningssikkerhed for købere fra Generation Z. Den løser et fragmenteret køb med mange følelser ved at kombinere gennemsigtighed, strukturerede data og guidede arbejdsgange for at hjælpe brugerne fra udforskning til beslutning.

Ved siden af disse fortsætter jeg med at udvikle AI-baserede platforme inden for byggeri og feltoperationer, hvor vi indsamler multimodale input som tale, fotos og video fra felten og omdanner dem til struktureret, handlingsanvisende intelligens for driftsansvarlige og ledere.

På tværs af det hele er den fælles tråd at bygge produkter, der fungerer som registreringssystemer og intelligenssystemer, designet til reelle arbejdsgange, med en leverancemodel, der kombinerer hurtig iteration med pålidelighed på produktionsniveau.

Hvorfor produktledere bør fokusere på systemet, ikke AI

AI er ikke produktet. Det er systemet omkring det.

De fleste teams begynder med at fokusere på modellen, funktionen eller kapaciteten. Men i praksis er modellen den mindst differentierede og ofte den nemmeste del. Det reelle arbejde er alt omkring den: dataene, integrationen i arbejdsgangene, brugeroplevelsen, tillidsmodellen og hvordan outputtet driver en faktisk beslutning eller handling.

Hvis du gør det forkert, får AI dit produkt til at se imponerende ud uden at gøre det nyttigt. Du lancerer funktioner, der fungerer godt i demonstrationer, men som ikke bliver taget i brug, fordi de ikke er integreret i den måde, brugerne faktisk arbejder eller træffer beslutninger på.

Hvis du gør det rigtigt, bliver AI en multiplikator. Det omdanner rodede input til struktureret indsigt, reducerer friktion i reelle arbejdsgange og skaber løftestangseffekt på tværs af systemet.

Hvis jeg havde vidst det tidligere, ville jeg have undgået at overinvestere i “intelligensen”, før jeg havde valideret arbejdsgangen. I nogle få tilfælde byggede vi imponerende funktioner, der teknisk set virkede, men som ikke ændrede brugernes adfærd, fordi de ikke var indlejret i den måde, arbejdet rent faktisk blev udført på. Vi måtte gå tilbage og redesigne med udgangspunkt i arbejdsgangen, ikke modellen.

Hvordan evidensbaserede systemer kan forbedre eksekveringen

Jeg er gået fra at bygge funktioner til at bygge evidensbaserede systemer, før jeg skriver kode – ved at bruge AI som et lag til syntese og validering tidligt i processen.

Tidligere gik selv stærke teams relativt hurtigt fra opdagelse til specifikationer. Den model bryder sammen i en AI-understøttet verden, fordi omkostningerne ved at bygge er faldet så meget. Du kan generere og lancere løsninger hurtigere, end du kan validere, om de overhovedet bør eksistere. Det skaber en ny fejltilstand: Teams skalerer de forkerte idéer med utrolig hastighed.

Opdagelse skal nu blive en kontinuerlig, systemdrevet funktion, ikke en fase. Det betyder:

• At aggregere reelle signaler i stor skala, herunder brugeradfærd, supportdata, vundne og tabte salg samt kvalitative input
• At bruge AI til at syntetisere mønstre på tværs af disse input, ikke blot opsummere dem
• At kortlægge problemer til arbejdsgange eksplicit og måle, om produktet rent faktisk adresserer dem
• Kontinuerligt at validere antagelser på ny, efterhånden som der kommer nye data

Jeg kører for eksempel strukturerede prompts på tværs af flere datakilder for at afdække tilbagevendende problemer, knytte dem til arbejdsgange og eksplicit teste, om produktet rent faktisk løser dem. Denne proces ugyldiggør ofte de oprindelige idéer eller omformer dem markant, før de når frem til design eller udvikling.

Det, der ændrede sig som følge heraf, var kvaliteten af vores overbevisning. Vi bygger færre ting, men de ting, vi bygger, er langt tættere forbundet med reelle problemer. Det ændrer også måden, teams arbejder på. I stedet for at diskutere holdninger reagerer vi på syntetiseret evidens. For mig handler AI derfor mindre om at fremskynde eksekveringen og mere om at øge nøjagtigheden af det, vi vælger at eksekvere på.

Hvordan AI komprimerer hele arbejdsgangen fra signal til lanceret produkt

Her er en AI-drevet arbejdsgang fra start til slut, som jeg bruger til at gå fra rå brugersignaler til en lanceret og valideret produktløkke.

Det starter med signalaggregering. Jeg samler kvalitative data og adfærdsdata, herunder interviews med par, Reddit-tråde, anmeldelser af lokationer, frafaldspunkter i tragten og indgående spørgsmål. I stedet for at gennemgå disse enkeltvis bruger jeg AI til at syntetisere på tværs af alle kilder og identificere tilbagevendende problemer, hvor ofte de opstår, og hvor brugerne går i stå i beslutningsprocessen.

Derfra går jeg videre til problemstrukturering. AI hjælper med at gruppere disse signaler i klare problemformuleringer, der er knyttet til specifikke øjeblikke i arbejdsgangen. Derefter stresstester jeg problemerne ved at spørge: “Er dette hyppigt, smertefuldt og noget, produktet kan løse?”

Det næste er udformning af løsningen. Jeg bruger AI til hurtigt at udforske forskellige måder at løse problemet på – ikke kun funktioner, men også ændringer i arbejdsgangen. Det afgørende er hurtigt at generere flere tilgange og derefter indsnævre dem ud fra, hvad der passer bedst til brugernes adfærd.

Derefter går vi videre til udvikling og instrumentering. Ved hjælp af AI-understøttede udviklingsværktøjer går vi hurtigt fra koncept til en fungerende version, men med instrumentering indbygget fra starten. Vi følger, om brugerne engagerer sig i den nye arbejdsgang, hvor de falder fra, og om den forbedrer beslutningssikkerheden eller fremdriften.

Derefter bliver det til en læringsløkke. AI analyserer brugsmønstre, kvalitativ feedback og kanttilfælde for at identificere, hvad der fungerer, og hvad der ikke gør. Vi ser på, om ændringen rent faktisk ændrede adfærden, ikke blot om brugerne interagerede med den.

Endelig fører det tilbage til iteration eller fjernelse. Hvis arbejdsgangen forbedrer resultaterne, udvider vi den. Hvis den ikke gør, finjusterer eller fjerner vi den hurtigt.

Claude, der er forbundet med mine produktdata og brugersignaler, håndterer det meste af denne arbejdsgang.

Hvordan AI kan skabe falsk sikkerhed

Det bedste resultat af AI, som jeg ser, er en markant øget hastighed til klarhed. AI har komprimeret arbejde, der tidligere tog dage, til timer – især inden for opdagelse, syntese og tidlig produktdefinition. Jeg kan gennemgå langt flere input, opdage mønstre hurtigere og stressteste idéer, før teamet afsætter ressourcer. Kvalitativt har det ført til en bedre indledende indramning, færre svage idéer, der kommer med i samtaler om produktplanen, og skarpere tilpasning på tværs af produkt, design og udvikling.

Det har også forbedret gennemløbet i selve produktudviklingen. Det seneste år har jeg brugt AI-understøttede arbejdsgange til at gå fra koncept til fungerende produkt markant hurtigere, end traditionelle cyklusser ville have tilladt. Det omfatter at gå fra problemformulering til arkitektur, PRD'er og brugbar software på en brøkdel af den normalt nødvendige tid. Fordelen er ikke kun hastighed. Det er muligheden for at teste reelle arbejdsgange tidligere, hvilket forbedrer læringshastigheden.

Det er dog ikke kun godt. AI kan skabe falsk selvtillid. Teams kan forveksle et poleret output med produktkvalitet. En prototype ser overbevisende ud, specifikationen lyder komplet, og alle føler, at der sker fremskridt, selv når den underliggende arbejdsgang, tillidsmodel eller brugerbehov stadig ikke er afklaret. Jeg har også set AI øge støjen, når det bruges uden en stærk produktvision. Det kan generere flere idéer, mere tekst, flere opgaver og flere artefakter, end et team realistisk kan evaluere, hvilket faktisk kan gøre prioriteringen dårligere.

Adam deler

Det bedste resultat af AI, som jeg ser, er en markant øget hastighed til klarhed. AI har komprimeret arbejde, der tidligere tog dage, til timer, især inden for afdækning, syntese og tidlig produktdefinition.

Hvor AI kommer til kort i produktudvikling

AI har tydeligst ikke leveret på de områder, hvor jeg forventede, at det ville skabe markante forbedringer i produktvurdering og vedvarende produkteffekt.

Jeg troede oprindeligt, at AI ville forbedre prioritering og kvaliteten af roadmapet betydeligt ved at gøre mønstre tydelige. Det hjælper med at finde mønstre, men det afklarer ikke, hvad der faktisk betyder noget. Den svære del er stadig at fortolke afvejninger, forstå andenordenseffekter og forpligte sig til en retning under usikkerhed. AI informerer denne proces, men erstatter den ikke. Jeg har ikke set det konsekvent skabe bedre produktbeslutninger på egen hånd.

Det er også kommet til kort, når det gælder at skabe reel anvendelse. AI-funktioner tager sig ofte ekstremt godt ud i demonstrationer, men det fører ikke til gentagen brug, medmindre de er dybt integreret i de faktiske arbejdsgange. Jeg har set teams lancere imponerende AI-funktioner, som brugerne prøver én gang, men ikke vender tilbage til, fordi produktet ikke ændrede adfærd eller blev en del af den måde, arbejdet udføres på.

Et andet hul findes i reduktionen af kompleksitet. Jeg forventede, at AI ville forenkle, hvordan produkter bygges og drives, men i mange tilfælde introducerer det nye lag, herunder promptlogik, randtilfælde, evalueringsudfordringer og overvejelser om tillid. I stedet for at fjerne arbejde flytter det det til nye områder, som stadig kræver stærk produkt- og ingeniørdisciplin.

Hvorfor ansvaret fortsat skal være menneskeligt

Jeg bruger AI intensivt overalt, hvor skala og mønstergenkendelse er vigtigt, og jeg holder mennesker involveret overalt, hvor vurdering, risiko eller sans for kvalitet afgør resultatet.

På AI-siden bruger jeg det mest til afdækning og syntese. Jeg fodrer det med interviewudskrifter, supportsager, vinder-tab-data og adfærdssignaler for at identificere tilbagevendende problemer, kvantificere hyppigheden og kortlægge problemerne til arbejdsgange. Det er også nyttigt i den tidlige prioritering, ikke til at træffe beslutninger, men til at stressteste antagelser ved at vise afvejninger, andenordenseffekter og alternative formuleringer, som jeg måske ikke selv havde overvejet. I eksperimenter hjælper AI med hurtigt at generere hypoteser, udarbejde varianter og analysere resultater, især når man arbejder med store mængder kvalitativ feedback.

Det, jeg bevidst holder menneskeligt, er overbevisning og forpligtelse. De endelige prioriteringsbeslutninger, rækkefølgen i roadmapet og det, vi vælger ikke at bygge, ligger stadig hos ledelsesteamet og mig. Det samme gælder UX-beslutninger, der kræver sans for kvalitet, tillid og følelsesmæssig kontekst. Tekniske afvejninger ledes også af mennesker, fordi de involverer langsigtet systemtænkning, risikotolerance og organisatoriske begrænsninger, som AI ikke fuldt ud kan internalisere.

Årsagen er enkel: AI er fremragende til at komprimere information og udvide løsningsrummet, men det bærer ikke konsekvenserne. Produktledelse handler i sidste ende om at træffe irreversible eller omkostningstunge beslutninger under usikkerhed. Det ansvar skal forblive menneskeligt.

Hvorfor produktledere skal være opmærksomme på falsk tillid i stor skala

Produktledere undervurderer ofte risikoen for falsk tillid i stor skala.

AI-systemer er meget gode til at producere output, der føles korrekt, selv når det ikke er det. Faren er ikke en åbenlys fejl. Det er plausibel nøjagtighed. Noget, der ser rigtigt ud, lyder selvsikkert og er forkert på måder, der ikke umiddelbart kan opdages.

I lille skala kan en bruger måske opdage det. I produktets skala bliver den samme fejl gentaget på tværs af tusindvis af interaktioner og former stille og roligt beslutninger, arbejdsgange og resultater.

Jeg har set dette dukke op inden for områder som dokumentfortolkning, anbefalinger og automatisering af arbejdsgange. Systemet fungerer godt nok det meste af tiden til, at brugerne begynder at stole på det, men det er i kanttilfældene, den reelle risiko ligger. Og disse kanttilfælde har ofte de alvorligste konsekvenser.

Det, der gør dette særligt farligt, er, at traditionelle produktinstinkter ikke opdager det. Du ser ikke et fald i brugeraktiviteten eller et nedbrud. Du ser engagement. Produktet “fungerer”. Lige indtil det ikke gør.

Afhjælpningen handler ikke kun om bedre modeller. Det handler om at designe med tillid og verifikation for øje:

Adam deler

Produktledere undervurderer ofte risikoen ved falsk tillid i stor skala…Det, der gør dette særligt farligt, er, at traditionelle produktinstinkter ikke opdager det. Du ser ikke et fald i brugeraktiviteten eller et nedbrud. Du ser engagement. Produktet \u003cem\u003e“fungerer.”\u003c/em\u003e Lige indtil det ikke gør.

• Vis dokumentation, ikke kun svar
• Synliggør sikkerhed og usikkerhed
• Opret tydelige kontrolpunkter med menneskelig indblanding
• Instrumentér systemet til at registrere, når det tager fejl, ikke kun når det bruges

Risikoen opstår, når man antager, at nøjagtigheden skalerer lineært med brugen. I virkeligheden vokser risikoen hurtigere end nøjagtigheden.

Hvordan AI's dømmekraft kan blive svag

AI har haft sværest ved opgaver, hvor produktet skal forstå menneskelige interesser, tvetydighed og omkostningen ved at tage fejl — ikke blot generere et plausibelt svar.

Et godt eksempel findes i regeloverholdelsesorienterede arbejdsgange eller arbejdsgange med høj grad af tillid. Jeg har arbejdet med produktkoncepter, hvor AI kan udtrække oplysninger fra dokumenter, markere problemer og anbefale de næste handlinger. På papiret ligner det et perfekt AI-anvendelsesområde. I praksis er udfordringen, at modellen kan give et svar, der lyder meget sikkert, samtidig med at den overser vigtig kontekst, fortolker en klausul forkert eller ikke forstår, hvorfor én undtagelse er vigtigere end en anden.

Det skaber med det samme et tillidsproblem. Brugeren spørger ikke: “Var dette resultat imponerende?” Brugeren spørger: “Kan jeg stole på dette uden at skabe risici længere nede i processen?”

Det, jeg lærte, er, at AI ofte har svag dømmekraft, når:

• Konteksten er ufuldstændig
• Konsekvenserne af fejl er asymmetriske
• Brugeren har brug for en forklaring, ikke kun et resultat

Hvordan AI omstrukturerer teams

AI har ændret strukturen i mine produktteams fra rollebaserede siloer til mindre, mere integrerede og systemorienterede teams.

Tidligere var teams struktureret omkring tydelige overdragelser: Produkt definerer, design designer, udvikling bygger, og data analyserer. Den model bryder sammen, når AI komprimerer eksekveringen og introducerer sandsynlighedsbaserede systemer, der kræver tætte feedbacksløjfer.

Nu hælder jeg til færre personer, der kan arbejde på tværs af grænser. Produktchefer forventes at gå mere i dybden med data, promptdesign og logikken i arbejdsgange. Udviklere er tættere på problemet og brugerens kontekst, ikke kun implementeringen. Design handler mindre om statiske skærmbilleder og mere om interaktionsmønstre, tillid og om, hvordan systemet opfører sig, når det er usikkert eller tager fejl.

Jeg har også set nye ansvarsområder opstå snarere end helt nye roller. Ting som:

• At eje “systemets adfærd” på tværs af kanttilfælde, ikke kun den forventede brugerrejse
• At definere sikkerhedstærskler og tidspunkter for menneskelig indblanding
• At håndtere datakvalitet og feedbacksløjfer som centrale produktanliggender

Hvordan produktledere bør bruge AI

Mit råd er enkelt: Brug ikke AI til at arbejde hurtigere. Brug den til at få flere ting rigtigt.

Lige nu fokuserer de fleste teams på hastighed, flere funktioner, hurtigere cyklusser og hurtigere resultater. Det er den åbenlyse fordel. Men hastighed uden klarhed skalerer blot fejl.

Adams råd

Mit råd er enkelt: Brug ikke AI til at arbejde hurtigere. Brug den til at få flere ting rigtigt…Det reelle skift er dette: Det er ikke længere selve opbygningen, der er begrænsningen. Det er dømmekraft.

Det reelle skift er dette: Det er ikke længere selve opbygningen, der er begrænsningen. Det er dømmekraft.

Så som produktleder bliver din rolle mindre fokuseret på at drive eksekveringen og mere på:

• At definere de rigtige problemer
• At sekvensere beslutninger
• At sikre, at det, der bliver bygget, rent faktisk ændrer brugernes adfærd

Brug AI til at udvide din tænkning, sammenfatte signaler og stressteste idéer. Men udliciter ikke de svære beslutninger. Det er dér, værdien ligger.

Redesign også den måde, dit team arbejder på:

• Se opdagelse som en kontinuerlig proces, ikke som en fase.
• Design med henblik på tillid, ikke kun funktionalitet.
• Byg systemer, ikke funktioner.

Og vigtigst af alt: Modstå fristelsen til at springe den svære tænkning over.

Følg med

Du kan følge Adam Root på LinkedIn, mens han fortsætter med at opbygge Sotia, VowVista og de øvrige SaaS-produkter i sin portefølje.

Der kommer flere ekspertinterviews på The CPO Club!