Hvorfor kunstig intelligens tvinger produktledere til å redesigne organisasjonen, ikke bare produktet

Lukas Egger er VP for produktstrategi og innovasjon i SAP Signavio. Han er også skaperen av podkasten Process Transformers.

Vi satte oss ned med Lukas for å lære hvordan AI endrer måten han leder produktorganisasjonen sin på, og hvordan det også påvirker selve produktet. Her er det han delte.

Å skille varig verdi fra støy

Jeg heter Lukas Egger og er VP for produktstrategi og innovasjon i SAP Signavio. Arbeidet mitt ligger i skjæringspunktet mellom produktstrategi, virksomhetstransformasjon og AI, særlig hvordan store organisasjoner kan gjøre nye teknologier om til nyttige, pålitelige og økonomisk meningsfulle produkter.

Veien min frem til dette tidspunktet handler mindre om én enkelt «AI-oppvåkning» og mer om en langvarig interesse for hvordan organisasjoner skaper mening i kompleksitet. Tidligere i karrieren jobbet jeg med data, analyse, produkt og strategi, og jeg ble stadig mer interessert i gapet mellom teknologiske muligheter og organisatorisk virkelighet. Mange ideer ser overbevisende ut i en demonstrasjon eller en prototype, men den virkelige testen er om de overlever insentiver, styring, kundearbeidsflyter, tekniske begrensninger og faktisk bruk.

Jeg tenker også på AI i produktledelse på denne måten. Det spennende handler ikke bare om at modeller genererer tekst, kode, bilder eller analyser. Det dypere skiftet er at AI endrer kostnadsstrukturen for kognitivt arbeid i virksomheter. Det reduserer kostnadene ved å skape, sammenligne, oppsummere, simulere og koordinere arbeid. Dette har store konsekvenser for produktteam, fordi det ikke bare endrer hva vi kan bygge, men også hvor raskt vi kan teste ideer, hvordan vi forstår kundene, hvordan vi utformer arbeidsflyter, og hvordan vi definerer verdi.

I SAP Signavio bruker jeg mye tid på å vurdere hvordan AI kan støtte virksomhetstransformasjon i en seriøs bedriftskontekst. Det innebærer å gå lenger enn generelle påstander om produktivitet og stille skarpere produktspørsmål: Hvilke nye kundeproblemer blir det mulig å løse? Hvilke arbeidsflyter blir vesentlig bedre? Hvor skaper AI målbar forretningsverdi? Hvor skaper det ny risiko? Og hvordan reduserer vi risikoen ved innovasjon på tvers av attraktivitet, gjennomførbarhet, lønnsomhet og organisatorisk aksept?

For produktledere er dette et sjeldent øyeblikk. AI er ikke bare et nytt funksjonslag. Det tvinger oss til å revurdere antakelser om brukeropplevelse, differensiering, leveringshastighet, data, tillit og selve programvarens rolle. Produktledelsens oppgave er derfor ikke å jage den mest høylytte AI-bruken, men å bygge dømmekraften, systemene og arbeidsmodellene som hjelper teamene med å skille varig verdi fra støy.

Å gjøre endring enklere

For å sette det i perspektiv støtter teamet mitt LabSpace, et viktig innovasjonsmiljø rettet mot kunder. LabSpace bygger på en enkel idé: å la bedriftskunder ta del i innovasjon tidlig, trygt og med svært liten friksjon. I tradisjonell B2B-programvare, særlig innen ERP og virksomhetstransformasjon, er endring ofte kostbar, langsom og operasjonelt risikabel. LabSpace reduserer denne terskelen. I stedet for å be kundene gjennomføre en krevende endring på forhånd, skaper vi et rom der de kan utforske hvordan en bedre arbeidsflyt i fremtiden kan se ut, før de forplikter seg til bruk, implementering eller skalering.

Organisasjonen vår har to typer brukere. Eksternt bruker kundene det til å forstå hva nye funksjoner kan bety for virksomheten deres. Internt bruker produkt-, utviklings- og innovasjonsteam det til å vise tidlige ideer til reelle kundetilbakemeldinger uten å gjøre hvert eksperiment til en full produktforpliktelse for tidlig.

I den forstand er LabSpace både et utstillingsvindu og et læringssystem. Det hjelper oss med å teste attraktivitet, gjennomførbarhet, lønnsomhet og organisatorisk tilpasning på en langt mer konkret måte. Omfanget er bredt: Vi ønsker å gjøre innovasjon tilgjengelig for hele SAP Signavio-kundebasen, samtidig som vi gir interne team en repeterbar vei fra lovende ideer til validert produktretning.

Leveransemodellen er bevisst enkel. Vi tvinger ikke kundene inn i omfattende implementeringssykluser bare for at de skal få oppleve innovasjon. Vi skaper strukturerte måter med lav risiko for å ta i bruk nye funksjoner, innhente tilbakemeldinger og lære hvor den reelle verdien ligger. Den dypere produktfilosofien er at bedriftsprogramvare ikke bare skal hjelpe virksomheter med å endre seg; den skal gjøre selve endringsprosessen enklere.

Hvordan produktmodellen omformer seg selv med AI

Vi har nylig begynt å tenke på nytt om hva som er det minste levedyktige teamet for innovasjon i en tidlig produktfase.

Historisk sett krevde det ofte en liten tverrfunksjonell gruppe å komme frem til et troverdig første konsept innen bedriftsprogramvare: produkt, design, utvikling, domeneekspertise og noen ganger støtte innen data eller arkitektur. Dette ga mening fordi hver rolle innebar spesialiserte oppgaver som var vanskelige å komprimere. Men AI begynte å dele disse rollene opp i oppgaver med svært ulike nivåer av automatisering.

Det siste året har vi sett at tiden fra idé til et konsept som kan valideres av den første kunden, har falt dramatisk. Produktledere og utviklere kan nå selv dekke langt mer av det tidlige innovasjonsområdet: sammenstille kundesignaler, generere alternative konsepter, lage prototyper, utforske kantscenarioer, utarbeide fortellinger og forberede mer helhetlige kundesamtaler. Dette fjerner ikke behovet for ekspertise, dømmekraft eller tverrfunksjonelt samarbeid, men det endrer når — og hva — disse personene trenger å involveres i.

Resultatet handler ikke bare om hastighet eller kostnadsreduksjon. Den mer interessante endringen gjelder eierskap. Mindre grupper, og i noen tilfeller enkeltpersoner, kan nå drive en idé langt nok til å skape meningsfull læring før de setter sammen et større team. Dette reduserer portvoktingen mellom roller og gir personer med gode ideer større frihet til å skape effekt.

For meg er dette en av de mest spennende endringene AI har ført til i produktarbeid. Vi leverer ikke bare mer output innenfor den gamle modellen. I stedet endres selve modellens form: færre overleveringer, raskere læringssløyfer og større handlingsrom for menneskene som står nærmest muligheten.

Hvordan AI utvider beslutningsrommet mens mennesker tar avgjørelsene

Jeg tenker stadig mindre i retning av «hvilken produktaktivitet bruker AI?» og mer i retning av «hvilken type beslutning tar vi?»

AI blir svært effektiv i aktiviteter som er informasjonsbaserte, generative, komparative eller reversible. AI støtter nå i stor grad markedsundersøkelser, skrivebordsundersøkelser, sammenstilling av kundesignaler, konkurrentanalyser, førsteutkast til fortellinger, konseptutforskning, alternative innramminger og til og med tidlig idéutvikling for prototyper. På mange av disse områdene gjør AI ikke bare arbeidet raskere; det endrer også grunnforventningen til hvor mye kontekst en produktleder eller et team bør bearbeide før en beslutning tas.

Jeg er langt mer forsiktig med beslutninger som krever dømmekraft under reell usikkerhet. AI kan gi informasjon til slike beslutninger, men bør ikke eie dem. Prioritering, retningen på veikartet, strategiske avveininger, kundeløfter, prismodeller, organisatoriske forpliktelser og teknologiske satsinger krever fortsatt at mennesker tar ansvar. Dette er ikke bare optimaliseringsproblemer. De innebærer ufullstendig informasjon, motstridende verdier, politiske begrensninger, kundetillit, tidsaspekt og konsekvenser vi ikke fullt ut kan modellere på forhånd.

Enkelt sagt: AI er svært god til å utvide beslutningsrommet. Den kan vise flere alternativer, mer dokumentasjon, flere motargumenter, flere risikoer og flere mønstre enn et team kanskje ville ha generert på egen hånd. Men mennesker må fortsatt avgjøre hva som betyr noe, hva det er verdt å satse på, og hvilken risiko organisasjonen er villig til å bære.

Dette skillet blir enda viktigere etter hvert som innhold blir billigere. Hvis alle team kan generere gjennomarbeidede undersøkelser, plausible strategier og overbevisende fortellinger, er innhold ikke lenger den knappe ressursen. Det er tillit. Produktledelse handler derfor i mindre grad om å produsere flere leveranser og i større grad om å bygge dømmekraften, styringen og troverdigheten som trengs for å vite hvilke leveranser som fortjener handling.

Hvordan AI kan hjelpe produktledere med å forbedre kommunikasjonen med teamene sine

En AI-drevet arbeidsflyt jeg bruker nesten hver dag, er ikke en klassisk produktarbeidsflyt, men den har gjort meg til en bedre produktleder: å gjøre ufiltrerte tanker om til kommunikasjon andre kan ta imot.

Produktledelse innebærer tvetydighet, spenning og tilbakemeldinger. Noen ganger reagerer jeg sterkt på noe: en strategi, et forslag, et møte, en beslutning eller et mønster jeg ser utvikle seg. Tidligere oversatte jeg umiddelbart denne reaksjonen til noe gjennomarbeidet og diplomatisk. Det kan være nyttig, men det kan også føre til at man mister det opprinnelige signalet.

Nå bruker jeg ofte AI som et oversettelseslag. Først fanger jeg ærlig opp de rå tankene mine: hva som frustrerer meg, hva som er galt, hva det egentlige problemet er, og hvilken avveining vi unngår. Jeg sender ikke denne versjonen til noen. Det er den private, ufiltrerte analysen.

Deretter ber jeg AI om å hjelpe med å gjøre dette om til noe som er nyttig for målgruppen: en e-post, en Slack-melding, tilbakemeldinger på et møte, et beslutningsnotat eller et sett med spørsmål. Arbeidsflyten er: rå tanke → strukturert analyse → målgruppetilpasset kommunikasjon → menneskelig gjennomgang → endelig melding.

AI erstatter ikke dømmekraften min; i stedet hjelper den meg med å bevare sannheten i tilbakemeldingen samtidig som unødvendig temperatur fjernes. Den gjør det mulig for meg å være mer ærlig med meg selv først, og deretter mer effektiv overfor andre.

For produktledere er dette viktig fordi jobben ikke bare handler om å ha den riktige analysen. Det handler om å hjelpe andre med å høre den, engasjere seg i den og handle ut fra den uten å gå i forsvarsposisjon. AI har blitt nyttig som en bro mellom autentiske reaksjoner og konstruktiv kommunikasjon.

Hvorfor AI-produktarbeid krever organisatorisk endring

AI-produktarbeid er ikke bare en produkt- eller teknologiutfordring. Det er også en utfordring knyttet til organisatorisk endring.

Det er ikke vanskelig å finne en liten gruppe mennesker som er begeistret for AI. Det er heller ikke den vanskeligste delen å bygge tidlige prototyper. Det er langt vanskeligere å drive innovasjon i AI-tempo gjennom insentivstrukturer, styringsmodeller, godkjenningsprosesser og leveranseprosesser som er utformet for en annen programvareæra.

Mange av disse strukturene finnes av gode grunner. De beskytter kvalitet, sikkerhet, konsistens, merkevare, etterlevelse og kundetillit. Men AI endrer hastighet, omfang og muligheter dramatisk, så noen av strukturene kan bli flaskehalser hvis organisasjoner ikke vurderer dem på nytt.

Derfor trenger du et mandat som ikke bare gjelder kjøp av verktøy, men også opplæring av medarbeidere eller utvikling av AI-funksjoner. Du trenger også et mandat til å endre hvordan arbeidet beveger seg gjennom organisasjonen: hvem som kan eksperimentere, hvordan beslutninger og risiko vurderes, hvordan tilbakemeldinger innarbeides, og hvor raskt en idé kan gå fra utforskning til læring fra kunder.

Hvis jeg hadde forstått dette tydeligere tidligere, ville jeg ha brukt enda mer tid på det «uhelt heroiske» grunnarbeidet: insentiver, tillatelser, vurderingsmodeller, læringssløyfer og organisatorisk tillit. Dette arbeidet skaper ikke alltid et spektakulært lanseringsøyeblikk. Men uten det kan prosesser som ikke er utformet for AI-hastighet, lett kvele AI-innovasjon.

Vi kunne også ha unngått noe av friksjonen som oppsto da vi ba folk innovere med AI, samtidig som vi fortsatt tvang dem gjennom arbeidsbetingelser fra tiden før AI.

Hvorfor produktledere må utforme verdiflyten på nytt

Produktledere må stille vanskelige spørsmål: Hvor flyter verdien? Hvilke deler av produktets grensesnitt forblir verdifulle når agenter blir brukere? Hvilke arbeidsflyter blir standardiserte varer? Hvilke flaskehalser flyttes fra skapelse til verifisering, tillit, integrasjon og bruk? Ting som Wardley-kartlegging og analyse av verdiflyt blir viktigere fordi de tvinger deg til å se hvor produktet og organisasjonen kan trenge å endres, ikke bare hvor AI kan settes inn.

Vi har redesignet hvordan innovasjon når kundene. Historisk kunne innovasjon lett konsentreres i et spesialisert team, nesten som et nisjefirma som reduserte risikoen ved ideer for resten av organisasjonen. Det kan fungere i liten skala, men AI endrer mulighetenes størrelsesorden. Et lite innovasjonsteam bør ikke drive med interessant AI-arbeid mens alle andre ser på. Målet er å gjøre innovasjon til en bredere organisatorisk evne.

Det betyr å skape systemer der flere kan engasjere seg i nye ideer, teste dem med kunder, lære av tilbakemeldinger og bidra til produktretningen. I praksis betyr det å gå fra «innovasjon som team» til «innovasjon som en repeterbar arbeidsmodell».

Lukas States

Resultatet er viktigere enn hastighet alene. Flere kan delta og validere ideer tidligere, slik at organisasjonen mer effektivt kan skille reell verdi fra imponerende demoer.

Resultatet er viktigere enn hastighet alene. Flere kan delta og validere ideer tidligere, slik at organisasjonen mer effektivt kan skille reell verdi fra imponerende demoer. For en AI-forsterket fremtid kan dette være en av de viktigste redesignene: ikke enda en funksjon, men et produktsystem som hjelper hele organisasjonen med å lære raskere.

Hvorfor produktorganisasjoner må belønne ny atferd for å få mest mulig ut av AI

Det største gapet har vært utformingen av insentiver.

Det er vanskeligere å endre det organisasjonen belønner. AI-verktøy er enkle å få tilgang til, og det er lett å finne begeistrede mennesker. Hvis folk fortsatt motiveres til å beskytte snevre rollegrenser, unngå eksperimentering, følge langsomme godkjenningsprosesser og optimalisere for forutsigbar levering, vil AI-adopsjonen forbli overflatisk.

AI skaper verdi når folk kan bevege seg på tvers av grenser, teste raskt og ta mer helhetlig ansvar. Det krever tillatelse, tillit og insentiver som samsvarer med den nye arbeidsmåten.

Spørsmålet er derfor ikke bare om folk bruker AI. Det bedre spørsmålet er om organisasjonen belønner atferden som gjør AI nyttig.

Hvordan mangel på kontekst kan bli en flaskehals for avkastningen

Mye av verdien i virksomheter avhenger av taus kunnskap: hvordan prosesser gjennomføres, hvor unntak oppstår, hvilke overleveringer som er viktige, hvilke regler som er formelle versus uformelle, og hvor organisatoriske insentiver i det stille former atferd. Systemer, dokumentasjon eller data fanger ofte ikke denne kunnskapen på en tydelig måte. Når selskaper tar i bruk AI, kan AI derfor se imponerende ut på grensesnittnivå, men den når ikke nødvendigvis inn til kjernen av hvordan arbeidet faktisk blir utført.

Det er én av grunnene til at avkastningen har vært vanskeligere å oppnå enn mange forventet. Muligheten er reell, og modellkostnadene vil fortsette å falle, men flaskehalsen er ofte ikke selve modellen. Flaskehalsen er kontekst. Hvis organisasjonen ikke har gjort prosesser, beslutninger, data og ansvarlighet forståelige, har AI begrenset gjennomslagskraft.

Så skuffelsen min handler ikke om at AI er svakt. Den handler om at AI avdekket hvor mye organisatorisk kunnskap selskaper aldri strukturerte ordentlig i utgangspunktet.

Lukas States

Hvis organisasjonen ikke har gjort prosesser, beslutninger, data og ansvarlighet forståelige, har AI begrenset gjennomslagskraft. Så skuffelsen min handler ikke om at AI er svakt. Den handler om at AI avdekket hvor mye organisatorisk kunnskap selskaper aldri strukturerte ordentlig i utgangspunktet.

Hvorfor du ikke bør feste AI utenpå et produkt

Dårlige resultater oppstår ofte fordi AI behandles som et tillegg. Den mest åpenbare varianten legger til et chat- eller ledetekstgrensesnitt i en eksisterende arbeidsflyt bare for å vise at AI er til stede. Det kan skape et falskt løfte. Et ledetekstgrensesnitt antyder åpne og ubegrensede muligheter, men programvare for virksomheter trenger vanligvis avgrenset, styrt, arbeidsflytspesifikk intelligens. Når AI-grensesnittet lover mer enn den faktiske kapasiteten, forsvinner tilliten raskt.

Jeg ser ikke på AI som en legokloss du enkelt kan feste til et produkt. Jeg ser mer på det som å bytte ut en spiller i en lagidrett. Når én spiller byttes ut, endres strategi, samspill, avhengigheter og feilmønstre. Hvis du ikke redesigner systemet rundt, kan du få en imponerende demonstrasjon, men ofte skaper du mer kompleksitet senere.

De beste integrasjonene er ofte de mest diskrete. AI hjelper brukerne med å jobbe raskere, forstå kontekst, ta bedre beslutninger eller unngå unødvendig arbeid — uten at de må håndtere AI som en separat ting.

Hvorfor produkter ikke lenger bare bygges for mennesker

Produkter bygges ikke lenger bare for menneskelige brukere. AI introduserer en ny type bruker: agenter, automatiseringer og maskinaktører som samhandler med produkter på andre måter enn mennesker.

I flere tiår har produktteam tatt utgangspunkt i den menneskelige kunden: målene, utfordringene, arbeidsflytene, oppmerksomheten, tålmodigheten og forventningene deres. Det er fortsatt avgjørende. Men i mange virksomhetssammenhenger designer vi nå for et blandet miljø der både mennesker og agenter bruker, tolker og handler ut fra produktets funksjoner.

Det endrer subtile, men viktige antakelser. Ta noe så enkelt som søk. En svartid som oppleves som umiddelbar for et menneske, kan være for langsom for en agent som arbeider inne i en større arbeidsflyt. Et brukergrensesnittelement som hjelper en person med å forstå kontekst, kan være irrelevant for en agent, mens strukturerte metadata, konsekvente API-er, tilgangsstyring, sporbarhet og maskinlesbar semantikk blir viktigere.

Antakelsen jeg har lagt bort, er derfor ikke «bygg for mennesker». Den er «mennesker er de eneste meningsfulle brukerne». AI tilfører en ny brukertype med andre begrensninger: hastighet, pålitelighet, komponerbarhet, observerbarhet og tilgang til kontekst.

Tre råd til produktledere som implementerer AI

Her er mine råd til produktledere:

1. Ikke betrakt AI som en innkjøpsøvelse. Å kjøpe verktøy, legge til copiloter eller ta i bruk agenter er ikke transformasjonen. Transformasjonen handler om å forstå hvordan AI endrer oppdelingen av arbeidet, grensene mellom rollene, overleveringene i arbeidsflyten og måten verdi skapes for kundene på.
2. Optimaliser for effekt før effektivitet. AI bør ikke bare redusere innsatsen; det bør hjelpe produktteam med å løse problemer som tidligere var for tidkrevende, for kostbare eller for komplekse å håndtere. Spørsmålet bør ikke bare være: «Kan vi gjøre dette billigere?» Det bør være: «Kan vi nå skape et bedre resultat som tidligere var utenfor rekkevidde?»
3. Mål pålitelige resultater, ikke AI-aktivitet. Å telle forespørsler, token, copiloter, agenter eller prototyper kan lett bli produktivitetsteater. Produktledere bør i stedet spørre: Kom kunden raskere frem til verdien? Ble arbeidsflyten bedre? Gikk syklustid, kvalitet, risiko, etterlevelse eller kundeopplevelse i riktig retning? Tok vi en bedre beslutning, eller produserte vi bare flere artefakter?

Kort sagt: AI bør få produktledere til å bli mer ambisiøse, ikke bare mer effektive. Muligheten ligger ikke i å koble intelligens på det eksisterende systemet. Muligheten ligger i å redesigne systemet slik at intelligens kan skape ansvarliggjort, målbar og varig verdi.

Følg med

Du kan følge arbeidet til Lukas Egger på LinkedIn og X. Sjekk også ut podkasten hans, Prosess-transformatorer.

Flere ekspertintervjuer kommer på CPO-klubben!