VP for produktdesign siger, at produkt, design og udvikling skal have et fælles AI-arbejdsgrundlag for at samarbejde effektivt

Andy Vitale er vicepræsident for både produktdesign og AI-ekspertisecenteret hos Taxwell.

Vi satte os ned med Andy for at tale om, hvordan design, produkt og udvikling effektivt kan samarbejde med AI. Her er, hvad han fortalte os.

Hvor design, teknologi og organisation mødes

Jeg hedder Andy Vitale og er designchef. Det seneste årti har jeg brugt på at udvikle og lancere AI-aktiverede produkter. I dag leder jeg designafdelingen og AI-ekspertisecenteret hos Taxwell, hvor vi udvikler softwareprodukter, der hvert år understøtter titusindvis af millioner selvangivelser for mere end 90.000 skatteprofessionelle og 3 millioner gør-det-selv-brugere.

Arbejdet spænder fra forbrugerprodukter, der skal føles enkle under reelt økonomisk pres, til professionelle værktøjer, hvor dybde og pålidelighed er vigtigere end trinvis vejledning. Min organisation dækker forbrugerbeskatning, professionel beskatning, den fælles platform under begge områder samt nyere produktområder, som vi stadig er ved at forme. Teamet er organiseret omkring disse domæner, og vi bevæger os mod en AI-assisteret leverancemodel, så design arbejder tættere på produktet i stedet for blot at overdrage arbejdet til det.

Min AI-rejse begyndte i 2015 med naturlig sprogbehandling inden for sundhedssektoren hos 3M. Det var min første virkelige erfaring med at designe produkter omkring maskinintelligens og ikke kun grænseflader. Derefter ledte jeg design hos Rocket, hvor jeg så, hvordan teknologi bevæger sig gennem en stor organisation. Senere, som designdirektør hos Constant Contact, oplevede jeg, hvordan generativ AI begyndte at ændre det, produkter kunne gøre. Nu hos Taxwell gør jeg vores produkter smartere og vores teams bedre i stand til at udvikle med AI på en flydende måde.

Jeg har altid været tiltrukket af overgangene — der, hvor design, teknologi og organisation mødes. AI har gjort disse overgange til den vigtigste del af arbejdet. Dette øjeblik føles som det, hele min karriere har forberedt mig på.

Sådan opbygger man et fælles AI-grundlag på tværs af fagområder

Vi holdt op med at betragte AI som en funktion, der skulle tilføjes, og begyndte i stedet at betragte det som infrastruktur, der skulle bygges. I løbet af det seneste år har design, produkt og udvikling samarbejdet om at opbygge et grundlag, der gør det muligt for teamet at arbejde hurtigere uden at arbejde mindre omhyggeligt.

Det betyder fælles stilladser og værktøjer til arbejdet med modeller samt AI-aktiverede trin fra idé til validering. Vi behøver ikke vente med at etablere en måde at teste en idé op mod AI på.

Den anden del af ændringen er, at teamet nu bygger ved hjælp af de samme materialer og værktøjer i stedet for at designe ét sted og overdrage arbejdet til genopbygning et andet sted. Det fjerner de overgange, hvor arbejdet normalt går tabt eller bliver forvrænget. Når en designer arbejder i det samme miljø, som produktet bliver skabt i, handler samtalen ikke længere om specifikationer og overdragelser, men om selve produktet.

Resultatet er både hastighed og nøjagtighed, som normalt står i modsætning til hinanden. Det fælles grundlag betyder, at vi bevæger os hurtigere, fordi de vanskelige dele allerede er bygget og kan genbruges. Når vi arbejder med de samme værktøjer, opstår der færre oversættelsesfejl, fordi der er færre oversættelser. Teamet bruger sin tid på vurderinger frem for at genopbygge hinandens arbejde.

Resultatet blev en række lanceringer fra nul til ét. Et lille team kan nu føre en idé hele vejen igennem og gå fra koncept til fungerende software på uger i stedet for gennem gentagne cyklusser med planlægning og overdragelser.

En AI-aktiveret arbejdsgang fra koncept til software

Jeg vil gennemgå vores proces for at føre en idé fra koncept til fungerende software, fordi AI har ændret denne arbejdsgang mest for os.

Det begynder med afdækning, og AI er involveret fra første minut. Før nogen designer noget, bruger vi AI til at indsamle eksisterende viden om problemet, mønstre fra undersøgelser og supportdata, tidligere forsøg og relevante skattescenarier. I stedet for en tom side begynder teamet med et sammenfattet synspunkt, som det kan reagere på og teste kritisk.

Mens vi former idéen, bruger vi syntetiske brugere til idégenerering. Disse brugere er baseret på vores adfærdsundersøgelser og giver os mulighed for at undersøge, hvordan forskellige typer skatteydere kan reagere på en tilgang, før vi forpligter os til den. De er et værktøj til idégenerering, som udvider de retninger, vi overvejer, og hjælper os med at finde svage punkter i vores tænkning tidligt — ikke en erstatning for rigtige brugere senere.

Derefter går vi videre til opbygningen, som er det sted, hvor den gamle overdragelse plejede at finde sted. Som jeg nævnte, arbejder vi direkte med konceptet i fælles materialer og værktøjer, altså det samme miljø, som vi bygger produktet i, i stedet for at designe ét sted og skrive en specifikation, som en anden skal genopbygge. En designer kan hurtigt skabe en ægte, fungerende prototype og ikke kun et billede af en sådan. Det er vigtigt, fordi vi nu vurderer produktets faktiske adfærd og ikke en gengivelse af den.

Derefter validerer vi med reel feedback. Vi bruger AI til at moderere testrunder, så vi kan gennemføre langt flere sessioner og mere konsekvent, end en menneskemodereret plan ville tillade. Billig, hurtig feedback kommer tidligt, og den føres direkte ind i det samme arbejdsartefakt – ikke ind i endnu en omgang specifikationer. Fordi design, prototype og udvikling alle bruger fælles værktøjer, er vejen fra »vi har lært noget« til »produktet afspejler det nu« kort. Samtalen fokuserer på selve produktet i stedet for på at oversætte mellem dokumenter.

Under hele processen er en person fortsat ansvarlig for resultatet. AI udvider inputtene og gør vejen hurtigere, men vi bevarer vurderingen af, hvad der er korrekt, i overensstemmelse med reglerne og reelt godt for en person, der indberetter under et stort pres. I et reguleret område er det præcis sådan, det bør være.

Som følge heraf kan et lille team føre en idé fra et råt koncept til fungerende software på få uger og eliminere de oversættelsestab og den ventetid, der tidligere opstod mellem faserne.

Hvorfor AI er ansvarlig for vejen frem til en beslutning, men ikke for selve beslutningen

Vi støtter os mest til AI i de udforskende arbejdsfaser, hvor omkostningen ved at tage fejl er lav, og værdien af at bevæge sig hurtigt er høj.

I afdækningsfasen hjælper AI os med hurtigt at blive velinformerede. Den samler eksisterende viden, identificerer mønstre på tværs af undersøgelses- og supportdata og giver os et forspring i forståelsen af et problem i stedet for at starte fra bunden.

I eksperimenter og prototyper gør AI det muligt for os at gå fra idé til noget, der kan testes, på en brøkdel af tiden. Vi kan skabe en fungerende prototype og bruge AI til at moderere noget af brugertestningen, hvilket gør det muligt for os at gennemføre flere sessioner og mere konsekvent, end en menneskemodereret plan nogensinde ville tillade.

Til UX-beslutninger giver AI en hurtig ekstra vurdering. Den hjælper os med at stressteste brugerforløb, gennemgå adfærdsdata og identificere, hvor brugere måske tøver eller falder fra. Den udvider de input, en designer arbejder med.

Men selve beslutningen forbliver menneskelig, og det er helt bevidst. AI er fremragende til at fortælle os, hvad der sker, og hvad der typisk virker. Den beslutter ikke, hvilken oplevelse vi leverer til personen på den anden side af skærmen. Prioritering og vurderinger af, om en oplevelse er god, ærlig og respektfuld over for en person, der indberetter sin skat under et stort pres, forbliver vores ansvar.

Jeg tænker på det på denne måde: AI udvider inputtene og fremskynder vejen frem til en beslutning. Den træffer ikke beslutninger, der kræver sans for kvalitet, ansvarlighed eller omsorg for den person, vi designer til.

Andy deler

Vi støtter os mest til AI i de udforskende arbejdsfaser, hvor omkostningen ved at tage fejl er lav, og værdien af at bevæge sig hurtigt er høj. Jeg tænker på det på denne måde: AI udvider inputtene og fremskynder vejen frem til en beslutning. Den træffer ikke beslutninger, der kræver sans for kvalitet, ansvarlighed eller omsorg for den person, vi designer til.

Hvordan fordelene ved AI også afslører svagheder

Det tydeligste gode resultat er hastigheden. Vi leverede en række produkter og funktioner fra nul til færdigt produkt i løbet af en enkelt skattesæson, som tidligere ville have taget langt længere tid at få i gang, herunder en tilpasset Claude-forbindelse, som vi etablerede på få dage i stedet for måneder. AI-modereret testning gjorde det muligt for os at gennemføre langt flere runder og gennemføre dem mere konsekvent, end vi kunne med menneskelige moderatorer alene. Som følge heraf kunne vi træffe beslutninger baseret på mere evidens tidligere.

Men det at bevæge sig hurtigt afslørede enhver svaghed i vores proces. Uden de rette sikkerhedsforanstaltninger førte hastigheden til omarbejde, og tempoet krævede meget af teamet. AI fremskyndede vores styrker og gjorde vores mangler mere tydelige.

Det reelle resultat, som jeg gerne vil have andre ledere til at høre, er, at de teams, der klarede sig godt, havde et sundt fundament fra begyndelsen. AI er en katalysator. Den belønner gode processer og afslører mangler; derfor er det vigtigere end nogensinde at opbygge dette fundament – ikke mindre vigtigt.

Hvorfor AI har svært ved komplekse produktscenarier

AI har tydeligst leveret under forventningerne i arbejdets besværlige mellemled, altså delen mellem en lovende prototype og noget, du trygt kan sende ud.

Det er oprigtigt fremragende til hurtigt at få dig frem til en første version. Det fuldfører ikke den sidste del. Jo længere du bevæger dig væk fra et rent og veldefineret problem, desto mere arbejde falder tilbage på mennesker. Særlige tilfælde, komplekse skatteforhold, der afviger fra den normale fremgangsmåde, og vurderinger af, hvad der er korrekt og i overensstemmelse med reglerne, kræver stadig den samme menneskelige indsats, som de altid har gjort.

Det er den reelle begrænsning. Du er kun så hurtig som den langsomste del af din proces. Den tidlige hastighed er reel, men den vokser ikke som forventet, fordi resten af systemet ikke ændrer sig i samme tempo.

Hvorfor AI fungerer bedst som sparringspartner

Efter min erfaring leverer AI mest, når det behandles som en sparringspartner og ikke som en svarmaskine.

I et område som vores er nøjagtighed og ansvarlighed ikke valgfrie, så værdien ligger ikke i at generere et svar og gå videre. Den ligger i at bruge AI til hurtigere at nå frem til et mere grundigt gennemtænkt svar.

Når vores teams bruger det til at udforske muligheder, afprøve deres overvejelser kritisk og bevæge sig hurtigere gennem dele, de allerede forstår, fungerer det som en reel multiplikator.

Andy fortæller

I et område som vores er nøjagtighed og ansvarlighed ikke valgfrie, så værdien ligger ikke i at generere et svar og gå videre. Den ligger i at bruge AI til hurtigere at nå frem til et mere grundigt gennemtænkt svar.

Hvorfor produktledere skal styre, hvordan brugerne modtager et AI-produkt

Den sværeste del ved at lancere AI er ikke teknologien; det er, hvordan mennesker modtager den.

Mit første AI-produkt i 2015 handlede om automatisk foreslået medicinsk kodning i sundhedssektoren. Systemet læste klinisk dokumentation og foreslog de rigtige koder, en opgave, som professionelle medicinske kodere altid havde udført manuelt. Jeg fokuserede på, om forslagene ville være nøjagtige. Jeg undervurderede det spørgsmål, som koderne selv stillede i stilhed: Er det her kommet for at erstatte mig?

Den frygt former alt, uanset om du tager hånd om den eller ej. Den viser sig som modstand, som manglende anvendelse i stilhed og som mennesker, der teknisk set går med til det, mens de håber, at det mislykkes. Og den var helt rimelig.

Vi stillede et værktøj foran mennesker, der udførte en version af deres arbejde, uden først at forklare, hvad det betød for dem, så de udfyldte stilheden med den værst tænkelige version. Jeg lærte, at man ikke kan overvinde den frygt med flere funktioner. Uanset hvor nøjagtigt systemet er, besvarer det ikke det spørgsmål, de faktisk stiller.

Jeg har taget den læring med mig ind i hvert AI-produkt siden. Man introducerer forandringen og betydningen af forandringen på samme tid. Det teknologiske spørgsmål er det nemme. Det menneskelige er dér, hvor disse ting lykkes eller mislykkes.

Hvorfor designsystemer skal gennemgås grundigt

Hvis dit designsystem kun findes i en designfil, kommer hver AI-generering i virksomheden til at afvige en smule fra brandet, og nogen skal efterfølgende få det til at hænge sammen. Dette afstemningsarbejde er den nye skat, som teams stille betaler for ikke at komme på forkant med dette.

Udform derfor designsystemet på ny, så det ikke længere behandles som et referencedokument, men som et artefakt i kørselstid — noget, der findes inde i de faktiske værktøjer, som genererer arbejdet.

Det betyder mere end et komponentbibliotek. Det betyder at pakke designtokens og komponenter, så værktøjer og teams kan hente dem direkte ind i kode, distribuere dem som pakker, der kan anvendes, og kombinere dem med tilhørende kompetencer og bedste praksis — de regler og den kontekst, et AI-værktøj har brug for for at anvende systemet korrekt. Når standarder, komponenter og knowhow alle findes dér, hvor arbejdet foregår, er brandet til stede allerede fra den første prompt i stedet for at blive sat på til sidst.

Når du rammer rigtigt, er dine designstandarder indlejret i alt, hvad virksomheden sender ud, uanset hvem der har produceret det, eller hvilket værktøj de har brugt. Systemet holder op med at være noget, folk slår op i bagefter, og styrer i stedet stille og roligt kvaliteten i stor skala.

Hvorfor CPO'er selv skal udføre arbejdet

Mit råd er enkelt. Gå i gang. Udfør selv arbejdet nu med dine egne hænder.

Mange ledere giver instinktivt AI videre til deres teams, venter på, at bedste praksis opstår, og sætter derefter retningen ud fra det, de lærer. Det fungerede ved tidligere forandringer. Det fungerer ikke ved denne. Det går for hurtigt, og kløften mellem dem, der bruger værktøjerne, og dem, der diskuterer dem, vokser hver uge. Hvis du foreskriver værktøjer, du aldrig selv har åbnet, kan alle i rummet se det.

Jeg bruger en stor del af min uge praktisk på disse værktøjer, dels fordi jeg oprigtigt nyder arbejdet, men mest fordi jeg mener, at du ikke kan lede et team troværdigt gennem en forandring, som du kun observerer. Ved at bygge med det lærer du hvad der er reelt, og hvad der er hype. Du gør dig fortjent til at sætte retningen og træffe langt bedre beslutninger om, hvor AI passer ind, og hvor det ikke gør.

Så hold op med at behandle dette som noget, der skal delegeres og studeres på afstand. Brug reel tid på arbejdet. Send noget lille ud. Mærk, hvor det hjælper, og hvor det bryder sammen. De ledere, der kommer foran, vil være dem, der engagerer sig i dette øjeblik, ikke dem, der venter på, at det falder til ro.

Følg med

Du kan følge Andy Vitales arbejde på andyvitale.com og på LinkedIn.

Flere ekspertinterviews kommer på The CPO Club!