Produktleder og medadministrerende direktør deler hvorfor det å bygge KI-produkter er en helt annen øvelse

Andrei Rebrov har bygget produkter hele livet og er medadministrerende direktør i Finsi, der han integrerer AI i alle deler av produktstrategien – både for teamet og kundene deres.

Vi spurte Andrei hvordan AI endrer både produktledelse og produktstrategi. Her er det han fortalte oss.

Integrering av AI i produktstrategien

Jeg heter Andrei Rebrov og er medadministrerende direktør i Finsi. Gjennom hele reisen min innen produktledelse har jeg hatt et sterkt fokus på å utvikle finansteknologi som virkelig tjener mennesker.

I Finsi leder jeg produktorganisasjonen bak en AI-drevet vekstplattform utviklet for e-handelsmerker. Produktet er en B2B SaaS-løsning som betjener DTC- og abonnementsbaserte e-handelsaktører – fra fremvoksende merkevarer med under 5 millioner dollar i inntekter til større SMB-er. Plattformen vår kobler seg til over 50 verktøy, blant annet Shopify, Klaviyo, Meta Ads, Google Ads og Recharge, og samler data på tvers av hele e-handelsstakken. Den bruker også fem AI-agenter som dekker inntektsinnsikt, annonseautomatisering, kundelojalitet og e-post, SEO og kundeundersøkelser.

Leveransemodellen er en fullstendig nettbasert SaaS-løsning, og vårt viktigste verdiforslag er å lukke gapet mellom analyse og gjennomføring: Vi viser ikke bare innsikt; vi utvikler og distribuerer kampanjene, flytene og segmentene for brukerne våre.

I arbeidet mitt i Finsi har jeg vært i front når det gjelder å integrere AI i produktstrategien vår – og utforsket hvordan AI kan effektivisere finansielle tjenester, forbedre brukeropplevelser og gi bedre beslutninger i stor skala.

Denne perioden med AI-transformasjon innen produktledelse føles både spennende og avgjørende. Jeg ser frem til å dele erfaringene og perspektivene jeg har fått underveis.

Hvordan AI endrer prosessene for produktprioritering

Produktledere må redesigne prosessen for produktprioritering. Nesten alle team jeg kjenner, prioriterer fortsatt gjennom regneark, subjektive poengmodeller og kvartalsvise planleggingsritualer som er utviklet for langsomme og kostbare utviklingssykluser.

AI endrer begge sider av ligningen: Det gjør utviklingen raskere (slik at du kan validere flere satsinger), og det kan behandle langt flere signaler enn noe menneske – bruksdata, tilbakemeldinger fra kundestøtten, mønstre for kundefrafall, konkurransesignaler og kundeintervjuer – for å gi innsikt i hva som er viktig.

Vi redesignet prioriteringsprosessen vår rundt et kontinuerlig lag med AI-signaler. Vi automatiserer uttrekk av oppgaver fra Granola-transkripsjoner, slik at vi ikke glemmer det vi har påtatt oss. I stedet for en kvartalsvis veikartøvelse har vi en levende backlogg der hvert element er merket med data fra flere kilder – frekvensen av kundetilbakemeldinger, estimert inntektseffekt, konkurransemessig hast og engasjementsmønstre. AI-en vår viser en rangert oversikt over denne backloggen hver uke og oppdaterer den etter hvert som signalene endrer seg.

Produktlederne våre tar fortsatt de endelige beslutningene, men de arbeider ut fra et langt rikere og mer dynamisk bilde enn tidligere.

Resultatet er at vi har halvert tiden fra vi identifiserer en mulighet til vi lanserer en løsning, omtrent, og vi har utviklet langt færre løsninger som ingen bruker.

Hvorfor AI trenger et solid fundament i produktstrategien

Det er viktig å merke seg at AI ikke kan reparere en ødelagt produktstrategi – den forsterker bare den strategien du allerede har.

Hvis du løser det riktige problemet for de riktige brukerne, vil AI hjelpe deg med å gjøre det raskere og i større skala. Men hvis den grunnleggende produkthypotesen din er feil, vil AI fremskynde veien mot feil destinasjon.

Jeg har sett dette utspille seg på nært hold. Tidlig i utviklingen av Finsi vurderte vi å legge til AI-funksjoner fordi de var imponerende og teknisk gjennomførbare – anbefaling av tiltak, forutsigelse av kundefrafall og innholdsproduksjon. Men ingenting av dette ville hatt betydning hvis vi ikke først hadde forstått den grunnleggende innsikten tydelig: E-handelsaktører har ikke et analyseproblem, de har et gjennomføringsgap. Først da vi hadde validert dette, ble AI det riktige virkemiddelet.

Når du arbeider med AI, trenger du den samme disiplinen som i alt godt produktarbeid – grundig problemdefinisjon, dyp empati med brukerne og ærlig prioritering. AI gjør alt dette enda viktigere fordi utviklingshastigheten innebærer at du kan utvikle og lansere feil løsning langt raskere enn noen gang før.

Hvordan en Claude Code-ferdighet skjerpet produktfokuset

En viktig endring for oss var å implementere en Claude Code-ferdighet kalt «Handelsbedriftenes forkjemper» for kodeagentene våre.

Jeg ga Claude kontekst om Finsis mål og produktfokus, samt et sammendrag av utskrifter fra Granola. Nå kjører vi nye krav gjennom denne ferdigheten, og den hjelper oss med å holde fast ved kjernen i oppdraget vårt: å levere programvare som reduserer arbeidet for handelsbedrifter.

På grunn av dette enkle steget i arbeidsflytene våre fjernet vi mange potensielle funksjoner fra veikartet vårt.

Hvorfor Cursor er avgjørende for rask prototyping av produkter

Cursor forvandlet måten utviklingsteamet vårt leverer på — ikke bare ved å skrive kode raskere, men også ved å redusere avstanden mellom produktutvikling og implementering.

Når jeg kan beskrive en funksjon på naturlig språk og se en fungerende prototype på få minutter, endrer det grunnleggende hvordan vi validerer ideer. Det gjør hele sløyfen for produktutvikling raskere og mer eksperimentell.

Her er et eksempel. Vi ønsket å teste et brukergrensesnitt for en «ukentlig informasjonsoppsummering» for en av agentene i produktet vårt. I stedet for å spesifisere det i Figma og vente på en sprint, beskrev vi oppsettet og datastrukturen for Cursor på vanlig språk og hadde en funksjonell prototype koblet til dataene i testmiljøet vårt i løpet av noen timer. Deretter presenterte vi den for tre kunder samme dag og fikk tilbakemeldinger som endret det endelige designet før vi skrev én eneste linje produksjonskode.

Hvorfor mennesker har ansvaret for beslutninger med store konsekvenser og relasjonelle beslutninger

Vi har med hensikt definert rollene til AI og mennesker i produktprosessene våre.

AI driver sammenstilling av data, mønstergjenkjenning, identifisering av avvik og gjennomføring — for eksempel automatisk oppdagelse av signaler på kundeavgang, omfordeling av annonsebudsjetter, generering av e-posttekster i en merkevares stemme og utrulling av Klaviyo-flyter. Dette er hyppige, datakrevende oppgaver der AI konsekvent overgår mennesker når det gjelder hastighet og skala.

AI bidrar også til prioriteringene våre ved å identifisere anbefalinger som gir størst innvirkning på inntektene på tvers av kundebasen vår, og hjelper oss med å forstå hvor vi bør fokusere produktutviklingen.

Mennesker tar imidlertid uttrykkelig beslutninger som krever skjønn, etikk og strategisk kontekst.

Det betyr at produktvisjon og retningen for veikartet fortsatt er menneskestyrt — vi må forstå ikke bare hva dataene sier, men også hva slags selskap vi ønsker å bygge og kundenes dypere ambisjoner. UX-beslutninger ledes fortsatt av mennesker fordi empati og intuisjon knyttet til brukernes følelser ennå ikke kan automatiseres på en pålitelig måte. Og alle beslutninger som kan sette en kundes virksomhet i fare — som en betydelig omfordeling av annonsebudsjettet — krever menneskelig godkjenning før de gjennomføres.

Prinsippet vårt er: AI håndterer det som kan gjentas og analyseres; mennesker har ansvaret for det som får store konsekvenser og det relasjonelle.

Hvorfor AI sliter med dyp kundeinnsikt

AI har tydeligst ikke innfridd forventningene våre når det gjelder dyp kundeinnsikt. I utgangspunktet trodde vi at AI på en pålitelig måte kunne sammenstille kvalitative signaler — supportsaker, anmeldelser og spørreundersøkelsessvar — og omsette dem til handlingsrettet produktinnsikt med minimal menneskelig involvering. I praksis er AI svært god på å kategorisere og gruppere tilbakemeldinger i stor skala, men den overser konsekvent nyansene i kundenes følelser, særlig for nisjepregede e-handelsvertikaler med spesifikke kulturelle eller operasjonelle kontekster. AI avdekker ofte reelle mønstre, men tolkningen av dem krever fortsatt et menneske som forstår kundens verden inngående.

Vi har også erfart at AI-generert kreativt innhold — annonsetekster og emnelinjer i e-poster — selv om det er raskt og nyttig som utgangspunkt, sjelden oppnår like gode resultater som innhold utformet av noen som virkelig kjenner merkevarens stemme og målgruppe. Det fremskynder produksjonen, men erstatter ennå ikke ekte kreativt skjønn.

Til slutt forventet vi at AI skulle forbedre den interne produktoppdagelsesprosessen vår betydelig, men den har ikke forkortet tiden det tar å identifisere genuint nye kundebehov — den hjelper oss med å behandle eksisterende informasjon, men den mest verdifulle innsikten kommer fortsatt fra direkte, ustrukturerte samtaler med kunder som ingen AI-verktøy hittil har klart å gjenskape eller erstatte.

Andreis tanker

AI er utmerket til å kategorisere og gruppere tilbakemeldinger i stor skala, men overser konsekvent nyansene i kundenes følelser.

Slik påvirker datakvalitet utviklingen av AI-produkter

Da jeg begynte å jobbe med AI, forsto jeg ikke hvor viktig datakvalitet er, eller hvor lang tid det tar å få den på plass.

Da vi bygget Finsis AI-agenter, antok vi at tilkobling til Shopify, Klaviyo og annonseplattformer ville gi oss rene og pålitelige data. Virkeligheten var langt mer komplisert. Ulike merkevarer strukturerer dataene sine forskjellig, sporer ulike hendelser, bruker ulike navnekonvensjoner og har hull og uoverensstemmelser i historiske data. Vi brukte langt mer tid enn forventet på datanormalisering, fjerning av duplikater og valideringsprosesser før AI-en produserte anbefalinger vi kunne stole på.

Hvis jeg hadde visst dette på forhånd, ville jeg ha investert tidligere og mer omfattende i datainfrastruktur, i stedet for å skynde meg med å bygge AI-laget oppå et ustabilt fundament.

Hvorfor brukertillit må tas med i vurderingen av AI-produkter

Hvis jeg skulle startet på nytt med AI-agentene i produktet vårt, ville jeg ha gått annerledes frem når det gjelder brukertillit.

Til å begynne med utformet vi AI-agentene våre slik at de var ganske autonome – de viste frem anbefalinger og gjorde det enkelt å godkjenne og utføre dem med ett klikk. Brukerne nølte, selv når anbefalingene var gode. De trengte å forstå «hvorfor» bak hvert forslag før de følte seg komfortable med å handle. Derfor bygget vi inn forklarbarhet i produktet etter lanseringen, men det ville vært langt bedre å designe for åpenhet fra første dag.

Tillit er ikke en funksjon du kan legge til senere – den må veves inn i selve brukeropplevelsen.

Hvorfor AI gjør valgmuligheter og konfigurerbarhet mindre viktig for brukerne

AI tvang meg også til å forkaste antakelsen om at et godt produkt innebærer å gi brukerne kontroll og mulighet til å konfigurere det.

I årevis var den rådende oppfatningen innen B2B SaaS at avanserte brukere ønsker fleksibilitet – flere innstillinger, flere oversikter og flere måter å tilpasse opplevelsen på. Vi bygget de tidlige versjonene av Finsi basert på denne antakelsen, slik at operatører kunne konfigurere sine egne oversikter, angi egne terskelverdier for KPI-er og tilpasse hvilke måltall de fulgte med på. Men da vi begynte å legge AI oppå dette, fant vi det motsatte: De mest suksessrike brukerne våre brukte mindre tid på konfigurering og mer tid på å handle ut fra AI-ens anbefalinger.

Operatører som ønsket å finjustere hver eneste innstilling, fikk ofte minst verdi fordi de optimaliserte verktøyet i stedet for virksomheten. AI viste at brukerne våre trengte mindre kognitiv belastning og større trygghet for hva de skulle gjøre videre. Dette tvang oss til å forenkle produktet betydelig, fjerne mye av konfigurerbarheten vi hadde bygget inn og i større grad satse på tydelige, AI-drevne standardinnstillinger.

Det var en kontraintuitiv lærdom: Noen ganger er den beste produktbeslutningen å ta valgmuligheter bort fra brukerne i stedet for å legge til flere.

Hvorfor en reell AI-transformasjon krever at man tenker nytt om et produkts verdikjede

De fleste «AI-drevne» produkter er ikke AI-produkter – de er funksjonsomslag med en LLM koblet på, og markedet vil etter hvert gjennomskue dem.

En reell transformasjon av et AI-produkt krever at man tenker nytt om hele verdikjeden, ikke at man setter inn et GPT-kall i en eksisterende arbeidsflyt. Selskapene som vil lykkes, er ikke de som la til AI raskest, men de som brukte AI til å stille spørsmål ved alle antakelser om hvordan produktkategorien deres fungerer.

Hvorfor produktledere må velge et lite antall tiltak med stor effekt

Unngå to like farlige impulser:

1. Trangen til å ta i bruk AI overalt på én gang
2. Trangen til å vente til ting føles sikrere

Produktledere som vil lykkes, velger et lite antall satsinger med stor effekt, går i dybden og bygger genuin organisatorisk forståelse — ikke bare kjennskap til verktøy — rundt AI. Begynn med problemene som koster dere mest: tid som går tapt til manuelt arbeid, beslutninger som tas uten tilstrekkelig data, og funksjoner som tar for lang tid å utvikle eller validere. Bruk AI til å løse nettopp disse problemene.

Og vær ærlig med teamene deres om hva AI innebærer for dem. Ledere som later som om AI ikke vil endre roller og ansvarsområder, vil miste tillit. De som har åpne og gjennomtenkte samtaler om hvordan AI kan styrke menneskelig dømmekraft, vil bygge kulturer som kan tilpasse seg.

Til slutt bør dere ikke optimalisere for å fremstå som AI-innfødte — optimaliser for resultater. Den beste AI-produktstrategien skaper målbar verdi for brukerne, ikke den mest imponerende demonstrasjonen. Hold fokus på problemet, så vil riktig bruk av AI følge etter.

Andreis tanker

Produktledere som vil lykkes, velger et lite antall satsinger med stor effekt, går i dybden og bygger genuin organisatorisk forståelse rundt AI.

Følg med

Du kan ta kontakt med Andrei Rebrov på LinkedIn. Og sjekk ut Finsi.

Flere ekspertintervjuer kommer på The CPO Club!