Zendesk’s produktdirektør opfordrer produktledere til at anlægge en menneskelig tilgang til implementering af AI

Mirza Besirovic er Director of Product hos Zendesk, hvor han leder 15 produktteams med fokus på agentiske systemer.

Vi bad Mirza fortælle os om sin rejse med implementeringen af AI i Zendeks produktorganisation. Han fortalte os, hvordan sporadisk implementering kan blive mere konsekvent på tværs af teams.

En ukonventionel rejse inden for produktledelse

For tyve år siden var jeg poesioversætter. En række tilfældigheder og valg førte mig til at blive AI-produktleder.

Den teknologiske del af min rejse begyndte hos et netværk for forskere, hvor vi for mange år siden byggede datasæt til alle former for ML-eksperimenter. I de seneste 15 år har jeg arbejdet med rejseteknologi, fintech, streaming, datalogi og i de seneste år med konversations-AI og automatisering.

I dag er jeg Director of Product hos Zendesk, hvor jeg leder en gruppe på lige under 15 produktteams, som ejer en portefølje inden for AI-agenter og agentiske systemer, RAG- og informationssøgningsplatforme, analyse, integrationer samt AI-drevet onboarding og selvbetjening. Vi er et distribueret team, der hovedsageligt befinder sig i Europa, og som arbejder globalt sammen med vores hovedkontor i San Francisco, partnere i APAC og kunder verden over.

Jeg kom til Zendesk via opkøbet af Ultimate.ai i 2024 som Head of Product. Siden da har vi lanceret et par generationer af generative bots, konversationsautomatiseringsprodukter og et autonomt agentisk system, der automatiserer millioner af kundeservicesamtaler via tekst- og talekanaler for globale brands som Netflix, Vimeo, Levi's og mange andre.

I løbet af de seneste 18 måneder har mit team skaleret AI-agenter til over $100MM i ARR og udvidet vores rækkevidde til alle verdenshjørner.

Hvordan AI udvider rollerne inden for produktudvikling

Takket være AI har vi udvidet det potentielle ansvarsområde for hver enkelt bidragyder: designere bygger GitHub-repositorier, PM'er indsender pull requests, og ingeniører træffer produktbeslutninger. AI, især kodningsagenter, har udvidet alles evne til at træde uden for deres komfortzoner, lære og engagere sig i tilstødende fagområder. Denne ændring gjorde det muligt for os at bygge bro over huller og arbejde hurtigere, samtidig med at vi fastholdt det ønskede kvalitetsniveau.

Vi havde for eksempel en Figma-prototype til en ny testoplevelse, men manglede et fuldt etableret team til at eje arbejdet. I stedet brugte en af vores fantastiske produktdesignere sine færdigheder og en kodningsagent til at bygge et fungerende produkt.

Muligheden for, at vores team kunne udføre bedre dataanalyse, forbedrede også produktkvaliteten. Selvom vi fortsat arbejder tæt sammen med datalogi og produktanalyse, kan PM'er i langt højere grad end nogensinde før selv betjene sig selv for at udarbejde analyser af høj kvalitet, der påvirker produktbeslutninger.

Derudover eksperimenterer vi med teamformater og organisationsdesign. Vi har set mindst ét team bestående af tre AI-native individuelle bidragydere bruge kodningsagenter til at levere resultatet fra et langt større team.

Hvor produktledere bør begrænse brugen af AI

Mit team bruger AI gennem hele produktlivscyklussen.

Og i min rolle som produktleder har jeg opbygget en ekstra hjerne og en arbejdskopilot. Det, der begyndte som et Obsidian-hvælv, er blevet omdannet til et personligt repo, hvor jeg brainstormer idéer og udvikler strategier.

Jeg sammenfatter data langt hurtigere end nogensinde før, håndterer samtaler på tværs af en omfattende portefølje og diskuterer med en strategisk sparringspartner, der udfylder forskellige forudtrænede roller, husker tidligere information og forstår min arbejdsstil.

Mirza siger

Jeg begrænser brugen af AI, når det handler om mennesker: Nogle ting kræver trods alt et menneskeligt nærvær.

Men jeg begrænser brugen af AI, når det handler om mennesker: mit team, deres udvikling, karrierevækst og vores arbejdsrelation. Selvom jeg måske beder min copilot om at rapportere om aktiviteter (ved at hente oplysninger fra interne systemer), stoler jeg på det gode gamle menneskelige instinkt, når jeg leder og udvikler mit team.

Nogle ting kræver trods alt et menneskeligt nærvær.

Hvorfor de tidlige resultater med AI er positive

Nogle teams har øget udviklingshastigheden 3-4 gange — men det er tidlige resultater, som endnu ikke er statistisk signifikante. Vi venter på at kunne knytte den øgede produktion og hastighed til forsinkede indikatorer og langsigtede resultater, før vi drager en konklusion.

De tidlige kvalitative tegn er også positive: beslutninger af højere kvalitet inden for UX, bedre researchmateriale, hurtigere gennemløbstid og færre overdragelser mellem teams. AI fungerer i højere grad end forventet som organisatorisk lim. Personligt gør det mig i stand til at arbejde på tværs af en større portefølje og bevare overblikket.

Hvad gør man, når anvendelsen af AI er ujævn?

Når det er sagt, er anvendelsen ujævn, og det er endnu ikke blevet almindeligt eller fuldt udbredt. Ligesom alle andre befinder vi os i begyndelsen af den omtalte rejse mod 10-dobbelt produktivitet. Det er ikke gået så hurtigt, som hypen antyder, fordi forandring handler om mennesker. Mange har stadig brug for at omskole sig og integrere AI i deres arbejdsgange. Det tager tid.

Vi har gjort nogle få ting for at gøre anvendelsen mere ensartet:

• Opbygget en intern AI-gateway, der giver alle adgang til et sæt kodningsagenter, enten via en TUI eller en mere brugervenlig browserversion, som begge overholder vores interne informationssikkerhedspolitikker
• Startet en AI-produktgruppe og flere udvekslingsformater, programmer og sammenkomster om generativ AI for at vise, hvordan folk bruger AI, hvilke værktøjer de bygger, og hvilke problemer de løser
• Påbegyndt redesign af arbejdsgange til produktion af livscyklusartefakter som PRD'er, prototyper osv., så de fungerer sammen med kodningsagenter
• Opbygget en række MCP'er og integrationer, der gør det muligt for teams at oprette forbindelse til interne systemer og få sikker adgang til data i overensstemmelse med regler og politikker

Og her er nogle få tips:

• Sørg for lige adgang for tekniske og ikke-tekniske medarbejdere: tokens, CLI, desktopapps.
• Tilskynd til mangfoldighed blandt LLM'er, agenter og værktøjer. Lad dit team eksperimentere for at finde ud af, hvad der fungerer bedst i jeres miljø.
• Det kræver et budget. Sørg for at få det på plads, og samarbejd med dine kolleger inden for softwareudvikling om at udarbejde en plan. Forbered dig på involvering fra økonomi- og driftsfunktionerne, efterhånden som AI bliver en driftsudgift i stedet for IT-COGS.
• Deling er omsorg. Lad dit team vise deres arbejde frem.
• Hjælp med at komme i gang. Byg selv artefakter og arbejdsgange for at løse gentagne PM-opgaver (udarbejdelse af produktbriefs, skrivning af strategidokumenter osv.).

Hvorfor produktteams skal blive tekniske

Jeg er blevet mere overbevist om, at PM'er skal blive mere tekniske.

Jeg plejede at tro, at en generel forståelse af grundlæggende termer og koncepter inden for softwareudvikling var tilstrækkelig. Men med AI mener jeg nu, at vi alle har brug for at blive mere tekniske. Det betyder ikke, at dygtige produktfolk ikke kan komme fra alle baggrunde. Jeg er uddannet lingvist, og før jeg begyndte i teknologibranchen, var jeg poesioversætter.

Men vi er nødt til at anlægge en mere universalistisk tilgang til læring. At være teknisk er ikke det samme som at blive udvikler. Det handler dog om nysgerrighed, om at forstå, hvad der driver de produktoplevelser, vi bygger, om at eksperimentere og om at anlægge en skabermentalitet. For det har aldrig været nemmere at lære alt, der er teknisk.

Hvordan en ekstra hjerne kan hjælpe produktledere

Den ekstra hjerne, jeg nævnte tidligere, er et AI-drevet personligt operativsystem, der hjælper mig med at arbejde som produktdirektør på tværs af hele organisationen, hvor Claude Code fungerer som den primære grænseflade.

Input strømmer ind i det, og det håndterer hele processen: behandling af transskriptioner, udtrækning af viden og krydsreferencering med en stor mængde hukommelsesfiler.

Systemet prioriterer, kortlægger afhængigheder og forbehandler relevante data i målgruppespecifikke formater. For eksempel uformelle Slack-punkter til mit team, strukturerede opdateringer til ledelsen eller fortællende afsnit til strategidokumenter. Systemet erstatter i praksis det, der traditionelt ville kræve en stabschef og en analytiker.

Det vedligeholder min to-do-liste, følger strategiske tråde, som jeg håndterer, og sammenfatter en omfattende læsekø til indekserede referencer, så jeg effektivt kan prioritere min tid. Jeg bruger min anden hjerne til at holde styr på igangværende arbejde og hurtigt sammenfatte enorme mængder data, når jeg har brug for information her og nu.

Dataenes aktualitet og kvalitet er vedvarende bekymringer. Forældede data kan skævvride LLM-drevne arbejdsgange og føre til negative resultater. Jeg filtrerer, renser og vedligeholder indkommende data, men eftersom jeg også forbinder mig til tredjepartssystemer, hvor jeg ikke altid har kontrol over dataene, implementerer jeg kvalitetskontroller for outputtet. En regel, jeg har hørt folk sige, er, at man bør vide, hvilket output man ønsker, før man giver systemet input, og teste derefter. Det er ikke ligefrem idiotsikkert, men med tilstrækkelig finjustering af instruktioner og hukommelse leverer systemet en tilstrækkelig høj kvalitet.

Jeg har passeret den tærskel, hvor jeg kan stole på 80-90 % af det output, min anden hjerne leverer.

Hvorfor produktledere og deres teams skal eksperimentere med AI

Her er mit råd til CPO'er:

1. Tag det til jer. Begynd at udforske AI i jeres arbejde og private sammenhænge. Start med at opbygge en personlig copilot, strukturere jeres data, lade den ræsonnere over dataene og afdække nye mønstre. Start egne projekter, og realisér den idé, I har haft i årevis. Produktledere er af natur kreative eksperimentatorer, men mange af os begyndte ikke som ingeniører, så vi følte os altid begrænsede. Det har ændret sig hurtigt og drastisk.
2. Gør ikke AI-implementering obligatorisk uden værktøjer, ressourcer eller strukturel støtte. Hvis I gør det, kæmper I i praksis mod vindmøller. Entusiasterne når i mål med eller uden jer, men resten af organisationen kommer bagud.
3. Hold øje med jeres team, og støt dem på denne rejse. Der findes mange bekymringer og betænkeligheder, for ikke at nævne frygtskabende indlæg på LinkedIn, om hvad AI's fremkomst betyder for produktchefer og andre inden for teknologi og forretning. Tag ærlige samtaler med jeres team, og hjælp med at strukturere læringsplaner. Jeg vil gøre mere for at hjælpe mit team med at skabe mere tid til at tænke, eksperimentere og prøve ting af.
4. I skal være omhyggelige med sikkerheden. Desuden er omkostningerne ved, at jeres brugere genererer AI, hurtigt ved at afslutte token-bryllupsrejsen.

Mirza siger

Gør ikke AI-implementering obligatorisk uden værktøjer, ressourcer eller strukturel støtte. Hvis I gør det, kæmper I i praksis mod vindmøller. Entusiasterne når i mål med eller uden jer, men resten af organisationen kommer bagud.

Følg med

Du kan følge Mirza Besirovics arbejde på LinkedIn, hans You Are The Product-nyhedsbrev og hans websted.

Der kommer flere ekspertinterviews på The CPO Club!