Grundlægger og tidligere Apple-produktchef siger, at PRD-processer skal gennemgribende ændres — her er planen

Sonia Vora har været produktchef og direktør for produktledelse i forskellige sundhedsvirksomheder. Hun har også stået i spidsen for produktudviklingen af et par af Apples sundhedsprodukter. Og nu er hun grundlægger af en virksomhed inden for kunstig intelligens og sundhed.

Vi satte os ned med Sonia for at lære, hvordan hun bruger agenter i arbejdsgange inden for produktledelse. Her er, hvad hun fortalte os.

Et dybere kig på AI-baserede sundhedsprodukter

Hej, jeg hedder Sonia. Jeg begyndte min karriere inden for strategisk rådgivning hos McKinsey og GoogleX. Derefter blev jeg direktør for produktledelse hos ACKO Insurance, et direkte-til-forbruger-forsikringsselskab i Indien i serie D. Senere blev jeg produktchef hos Narayana One Health, en integreret behandlingsenhed i et hospitalsystem i Indien. Jeg har også stået i spidsen for produktudviklingen af to sundhedsprodukter hos Apple – Attain-appen (udviklet i samarbejde med Aetna Insurance) og Lumihealth (udviklet i samarbejde med den singaporeanske regering). Og jeg blev anerkendt på Forbes' liste 30 Under 30.

I 2017, før transformere og LLM'er, undersøgte jeg AI's indvirkning hos McKinsey og Google og udforskede ML-baserede muligheder for at forbedre patientbehandlingen hos Apple og ACKO. Men siden da havde jeg ikke arbejdet direkte med AI. For omkring 1,5 år siden indså jeg, at AI ville transformere ikke kun min branche (sundhedssektoren), men også produktledelse. Jeg gik straks i gang med flere initiativer:

1. Selvstudium i AI-grundprincipper.
2. Integration af ChatGPT/Gemini i produktteamets daglige arbejde med produktledelse. Det omfattede udvikling af prompter til mere gennemarbejdede PRD'er, idéudvikling til PRD'er, gennemførelse af research med Deep Research samt brug af ChatGPT og Gemini til at give feedback på design og identificere UX-problemer.
3. Eksperimenter med værktøjer som Lovable for hurtigt at lave prototyper og indsamle UX-feedback fra brugere og købere.

Nu er jeg grundlægger af Alongside Health, en virksomhed i krydsfeltet mellem AI og sundhed. Jeg har kombineret LLM'ers naturlige sprogfunktioner med deterministiske protokoller for at automatisere klinisk behandling. For at udvikle vores indledende pilotprojekter bruger jeg Claude Code dagligt til at designe deterministiske systemer og levere agenter, som vores pilotkunder kan afprøve. Jeg bygger også prototyper og vores websted direkte med Claude Code.

Sonia deler

Productledere skal gentænke hele det system, hvor produktchefer skriver en PRD, giver den videre til designteamet og derefter til engineering.

Sådan ændrer AI PRD-processen

Productledere skal gentænke hele det system, hvor produktchefer skriver en PRD, giver den videre til designteamet og derefter til ingeniørteamet. Målet er at fremskynde hele denne cyklus, forhindre at produktchefer og designere bliver flaskehalse på grund af ingeniørteamet og inddrage ingeniørteamet tidligere, dér hvor deres ekspertise er mest nødvendig.

Folk griber det an på forskellige måder, men jeg ser to oplagte muligheder med stor effekt:

1. Fremskynd den indledende ‘PRD-gennemgang’ og idéudvikling ved at levere prototyper bygget med Claude, først af produktchefer og derefter videreudviklet af designere. Det giver ingeniørteamet et konkret fundament til at udarbejde designdokumenter for nye funktioner i stedet for at begynde med lange, skriftlige krav.
2. For en eksisterende funktion har jeg fundet det nyttigt at give produktchefer og designere fuld adgang til at foretage bestemte ændringer og indsende PR'er – så længe disse ændringer ikke fundamentalt påvirker arkitekturen. Hvis I har en stærk proces for kodegennemgang, forhindrer I en masse rodet ny kode, når produktchefer og designere skubber ændringer igennem.

Personligt skriver jeg ikke længere lange PRD'er fra starten, som forsøger at håndtere alle tænkelige særtilfælde. I stedet arbejder jeg straks sammen med Claude på at udfolde mine indledende krav gennem spørgsmål-og-svar-diskussioner.

Derefter bruger jeg dokumentet som udgangspunkt for Claude Code og bruger den faktiske prototype til at finde særtilfælde og integrere disse krav tilbage i PRD-dokumentet med Claude, før jeg lancerer.

Som resultat producerer jeg arbejde af langt højere kvalitet på den samme tid. Jeg har en tænke- og sparringspartner, som hjælper mig med at være grundig, udforske muligheder hurtigere og undersøge nyttige ressourcer på nettet.

Hvorfor eksperimentering er AI's superkraft

Jeg vil gennemgå, hvordan jeg bruger AI inden for produktledelse:

• Problemidentifikation: AI er mindst nyttig her, fordi den ikke kender brugernes problemer i den virkelige verden. AI kan danne hypoteser, men de er ikke baseret på førstehåndsviden og vil ikke afsløre sandheder, som ikke er konsensus. Intet kan sammenlignes med at sidde sammen med en bruger og forstå dennes tanker.
• Prioritering: På samme måde kan AI tilbyde en første prioritering baseret på "sund fornuft", men den mangler reel brugerfeedback og produktforståelse, så du skal overvåge AI nøje på dette område.
• Designsans og UX-beslutninger: AI giver en glimrende første version, men den forstår ikke dine brugere eller deres mål; den efterligner blot eksisterende flows. Du skal nøje overveje det "menneskelige" element, der hjælper brugerne med at løse deres opgaver. Jeg har itereret omfattende på UX for at sikre konsistens, tage komponenter i betragtning og skabe en informationsarkitektur, der virkelig matcher brugernes forventninger og mål. Det er som en ingeniør med fantastiske front-end-biblioteker, der designer hver skærm — nogle gange ser det godt ud, men det hjælper ikke brugerne med let at forstå, hvordan de løser deres opgaver.
• Planlægning: Dette er et område, hvor AI er fremragende til at skabe en første version. Med tilstrækkelig kontekst kan den effektivt udarbejde indledende tidsplaner og hjælpe med planlægningstaktikker. Jeg er især begejstret for Linear.
• Identifikation af afvejninger og konsekvenserne af designbeslutninger: Kodningsagenter gør ofte ikke dette, medmindre de bliver bedt eksplicit om det. Når de bliver bedt om det, præsenterer de imidlertid effektivt flere fordele, ulemper og interne overvejelser, hvilket hjælper dig med at tænke mere grundigt over konsekvenserne. Jeg finder stadig ofte mangler i RCA og brainstorming med kodningsagenter, men nogle gange påpeger de også ting, jeg ikke selv havde overvejet med det samme.
• Eksperimentering: Dette er AIs virkelige superkraft. Fordi du kan bygge koncepter så hurtigt, kan du afprøve mange forskellige ting, opleve produktet og derefter iterere baseret på dine resultater.

Sådan kan AI understøtte evalueringsarbejdsgange

Her er et eksempel på en AI-arbejdsgang, jeg bruger i min produktledelse.

Jeg brugte Claude til at skrive et script til en proces, hvor jeg for hver ny produktversion beder OpenAI eller Gemini (via API-kald) om at spille rollen som en patientpersona og svare min agent i en simuleret chat.

Jeg genererer patientpersonaer fra et script, der opretter alle protokolgrene og tester hver enkelt. Scriptet inkorporerer også personlighedstyper fra vores forskningsbaserede generator. Efter hver persona har samtalet med den nye agentversion, beder vi Gemini eller OpenAI om at evaluere samtalen i forhold til vores 10 evalueringskriterier og angive bestået/ikke bestået-resultater.

Derefter gennemgår jeg evalueringsresultaterne, oplister foreslåede ændringer for at løse Claudes problemer, lancerer en ny agentversion og kører hele pipelinen igen.

Jeg brugte Claude Code til at bygge frontend-delen, hvor jeg kan se evalueringsresultaterne, de simulerede samtaler og de simulerede patientpersonaer.

Det har været utrolig nyttigt, men med et forbehold: AI er stadig ekstremt stokastisk. Jeg har haft problemer på områder, der kræver pålidelighed. For eksempel giver AI ved evalueringer med LLM som dommer ofte et bestået-resultat i én kørsel og et ikke bestået-resultat i en anden, hvilket er et stort problem.

Du kan designe for at reducere inkonsistens, men du skal også altid designe, så potentielle AI-fejl opdages.

Sådan kan produktchefer holde op med at føle sig intimideret af Claude Code

I begyndelsen følte jeg mig intimideret af tanken om effektivt at bruge Claude Code som ikke-ingeniør, især fordi de fleste brugte det i terminalen.

Men jeg begyndte at bygge. Jeg behandlede Claude/Cursor som en junior-medarbejder, der krævede omfattende brainstorming og støtte, og det hjalp mig med at lære de potentielle problemer ved kodning i Claude-stil. Og nu foregriber jeg dem i min arbejdsgang.

Claude kan for eksempel virke "glemsom", fordi den komprimerer information for at få plads i sit kontekstvindue. For at omgå dette beder jeg den nu altid om at skrive en plan ned og henvise til den, før den bygger noget, ligesom man ville gøre med et rigtigt menneske — vi er også glemsomme!

Claude er nu særligt nem at bruge, fordi modellerne er blevet markant forbedret. Selv med ufuldstændig kontekst kan den, hvis du beder den om at stille spørgsmål, føre en samtale med dig for først at udarbejde en omfattende plan. Derefter kan den udføre arbejdet mere pålideligt, så du i mindre grad behøver bekymre dig om stilladseringen.

Hvorfor kodningsagenter ikke er mirakelløsninger

Nu kan alle være ingeniører ved hjælp af kodningsagenter. Derfor bør vi holde eksperterne fokuseret på de ting, som kun de gør godt, og lade alle andre gøre de simple ting. Tankegangen om, at "alle er ingeniører", er ekstremt vigtig.

Men det er værd at bemærke, at kodningsagenter ikke magisk kan løse fejl uden indgriben. Ofte mangler kodningsagenter sund fornuft eller designkontekst, hvilket får dem til fejlagtigt at identificere den grundlæggende årsag til problemer eller løse dem.

Med en smule promptning fungerer de meget bedre, men kontekstuelle begrænsninger kan på subtil vis føre til doven udførelse eller tænkning.

Det har stadig reduceret udviklingstiden enormt, men det kræver stadig betydelig omtanke at lancere et godt produkt.

Sådan følger du med i AI-udviklingen

Begynd at arbejde med disse værktøjer i dit rigtige arbejde nu! Jo senere du tager dem i brug, desto mere kommer du bagud i forhold til kolleger, der allerede har optimeret arbejdsgange med disse agenter.

Mens du er i gang, så hold et åbent sind over for AI's styrker og svagheder — og erkend, at dette ændrer sig næsten hver måned.

Eksperimentér. Brug Claude Code eller andre værktøjer i dit daglige arbejde for at forstå modellernes styrker og svagheder. Hvis du bruger bare 30 minutter dagligt på en opgave, er det sandsynligvis værd at investere en eller to timer i at automatisere den — den tid vil give afkast over tid.

Prøv flere LLM-chatværktøjer, når du søger svar, for at se, hvordan forskellige udbydere og modeller reagerer. Og ændr din LinkedIn-"kost" for at holde dig opdateret med folk, der anvender AI til at blive de bedst mulige PM'er.

Alle føler sig overvældede lige nu, og det er helt i orden. Jeg taler med AI-professionelle på fuld tid, som føler sig overvældede — vær venlig over for dig selv, og fejr de små sejre, mens du følger med i AI-udviklingen.

Følg med

Du kan komme i kontakt med Sonia Vora på LinkedIn.

Der kommer flere ekspertinterviews på The CPO Club!