Disse arbeidsflytene trenger desperat en oppdatering med kunstig intelligens, sier global produktsjef

Tony Pagliocco er assisterende direktør for global produktledelse hos Aldar, der han har ansvar for produktstrategi, driftsrammeverk og arbeidsmetoder på tvers av 24 produktdrevne team.

Han og teamet hans fokuserer på å bygge AI direkte inn i produktarbeidsflytene sine. Derfor satte vi oss ned med ham for å finne ut hvilke arbeidsflyter han optimaliserer for øyeblikket, og hvordan han sikrer at de tas i bruk i hele organisasjonen. Her er det han sa.

Komplekse problemer i stor skala

De siste 20+ årene har jeg utviklet og skalert digitale produkter på tvers av bransjer, fra medier og spill til luftfart, logistikk og nå eiendom her i De forente arabiske emirater. Jeg løser konsekvent komplekse problemer i stor skala og bygger team som skaper resultater.

Tidligere i karrieren var jeg svært operativ – jeg lanserte produkter og lærte å gjennomføre. Deretter ledet jeg større produktorganisasjoner og drev transformasjon på virksomhetsnivå. Et av de mest formative kapitlene var hos Boeing, der jeg ledet produktarbeidet for digitale plattformer for smarte fabrikker som støttet 777- og 787-programmene. Vi arbeidet med datamiljøer på flere petabyte og brukte NLP og datasyn på arbeidsflyter innen produksjon og forsyningskjede. Vi bygde systemer for å forutsi problemer, optimalisere driften og operere i global skala. Denne erfaringen formet hvordan jeg tenker på data, plattformer og nå AI.

Hos Aldar er AI dypt integrert i det vi bygger, fra plattformer for smarte byer og digitale tvillinger til verktøy for overordnet planlegging og gjennomførbarhetsanalyser. Vi bruker AI til å simulere, forutsi og optimalisere beslutninger lenge før noe bygges fysisk, noe som grunnleggende endrer hvordan virksomheten drives.

Dette øyeblikket er et vendepunkt. Vi går fra å utvikle programvare til å bygge intelligente systemer – og produktledelsens rolle endres fra å håndtere veikart til å koordinere data, AI og resultater i den virkelige verden i stor skala.

Å lede produktstrategien

I dag er jeg assisterende direktør for global produktledelse hos Aldar og rapporterer til vår digitaldirektør. Der leder jeg produktstrategi, driftsrammeverk og arbeidsmetoder på tvers av 24 produktdrevne team.

Teamene våre dekker et bredt økosystem, blant annet eiendomssalg, detaljhandel, næringseiendom, boliger, lojalitet og markedsføring, netthandel, hotellvirksomhet og IoT for smarte byer – og flaggskipplattformen vår, Live Aldar, danner grunnlaget for alt. Vi støtter både kundeopplevelser og interne plattformer, med et sterkt fokus på å koble alt sammen til en sømløs helhetlig reise fra start til slutt.

For leveranser arbeider vi gjennom tverrfunksjonelle team som er tilpasset forretningsresultater, samtidig som vi investerer i delte plattformer for blant annet identitet, betalinger, data og AI for å skalere på tvers av økosystemet. Min rolle er å sikre konsekvens i hvordan vi bygger, samtidig som hvert område får mulighet til å bevege seg raskt og skape resultater.

Hvorfor AI krever et godt grunnlag

Tonys tanker

Team som har problemer med AI, prøver vanligvis å legge det oppå et sviktende grunnlag.

Her er det første som må sies: AI er ikke en funksjon. Det er en kapasitet som endrer hvordan hele produktet og organisasjonen din fungerer.

Mange team tilnærmer seg AI som enhver annen forbedring – de legger til en chatbot, automatiserer en arbeidsflyt eller forbedrer en funksjon. Denne tankegangen begrenser effekten. Den virkelige endringen er at AI påvirker hvordan beslutninger tas, hvordan produkter utvikles og hvordan verdi skapes.

AI synliggjør også grunnlaget. Hvis dataene dine er fragmenterte, arbeidsflytene dine er uklare eller produkttenkningen din er svak, vil AI forsterke disse problemene. Team som har problemer med AI, prøver vanligvis å legge det oppå et sviktende grunnlag.

Det virkelige arbeidet består i å sikre at AI får riktige inndata, struktur og sikkerhetsmekanismer. Uten dette kan resultatene se gode ut på overflaten, men mangle pålitelighet for reell produktbruk. Hvis jeg hadde visst dette på forhånd, ville jeg tidligere ha investert i datarydding, en tydeligere definisjon av problemområdet og sterkere grenser for bruk av AI i produktet.

Det alene ville ha spart tid ved å unngå urealistiske forventninger. Det finnes ofte et press om å gå raskt frem og vise frem AI, men uten det rette grunnlaget itererer man mer enn nødvendig – eller, enda verre, mister brukernes tillit.

Så før de setter i gang, må ledere spørre: «Har vi dataene, driftsmodellen og produktdisiplinen som trengs for å dra nytte av dette?»

Slik forvandler AI produktutviklingsprosessen

En av de største endringene vi har gjort det siste året, er å gå fra statisk, dokumenttung produktutvikling til kontinuerlig oppdagelse og levering med støtte fra AI.

Tradisjonelt var prosessen vår basert på strukturerte artefakter – PRD-er, forretningsplaner og forskningsdokumenter – som var tidkrevende å produsere og ofte raskt ble utdaterte. Vi introduserte AI direkte i denne arbeidsflyten for å sammenfatte tilbakemeldinger fra kunder, analysere kundestøttesaker, generere innledende produktkrav og til og med utfordre antakelser under oppdagelsesfasen.

Dette endret hastigheten og kvaliteten på beslutningstakingen. Produktledere starter ikke lenger fra grunnen av; de starter med innsikt. Vi ser raskere sykluser fra idé til validering, bedre samordning mellom interessenter og en mer datadrevet prioritering.

Det endret også hvordan teamene våre arbeider. I stedet for at AI er et separat verktøy, er det nå integrert i de daglige arbeidsflytene, enten det gjelder å generere hypoteser, oppsummere data eller fremskynde leveranser. Rollen til produktlederen har endret seg noe, fra skaper til kurator og beslutningstaker.

Slik kan produktoppdagelse redesignes med AI

Av hele produktlivssyklusen er det likevel oppdagelsesfasen som trenger den største redesignen.

Historisk sett var oppdagelsesfasen langsom, manuell og sterkt basert på små utvalg – intervjuer, undersøkelser og begrenset dataanalyse. Med AI holder ikke denne modellen lenger mål. Nå kan vi behandle enorme mengder tilbakemeldinger fra kunder, atferdsdata og signaler nesten i sanntid.

Men de fleste team gjennomfører fortsatt oppdagelsesarbeid som om det var 2015.

Vi startet med å integrere Jira Product Discovery i arbeidsflyten vår for å strukturere ideer, innsikt og prioritering bedre. Det ga oss et solid grunnlag, men vi satte virkelig fart på arbeidet da vi la til Rovo AI-agenter og koblet dem til det bredere økosystemet vårt – dokumentasjon, tekniske design, Figma og andre leveranseverktøy.

I tillegg integrerte vi kontinuerlige datastrømmer – resultater fra undersøkelser, løpende tilbakemeldinger fra kunder, data fra kontaktsenteret og produktanalyse – og samlet alt i én oppdagelsesflyt.

Nå kan teamene, i stedet for å sette sammen inndata manuelt, raskt sammenfatte signaler, generere innledende krav og koble oppdagelsesarbeidet direkte til gjennomføringen. Avstanden mellom «innsikt» og «leveranse» har blitt betydelig mindre.

Dette gir raskere sykluser og bedre kvalitet. Teamene starter med et mer informert utgangspunkt og bedre samordning mellom produkt, design og utvikling.

Hvorfor AI informerer produktaktivitetene, men mennesker tar beslutningene

Vi bruker AI aktivt for skala, hastighet og mønstergjenkjenning – i oppdagelsesarbeid, dataanalyse og tidlig idéutvikling. Det er nå vårt naturlige utgangspunkt, ikke lenger noe som bare er kjekt å ha.

AI sammenfatter tilbakemeldinger fra kunder, kundestøttesaker og atferdsdata på få minutter, former hypoteser og genererer til og med krav i første utkast. I arbeidet vårt med smarte byer og digitale tvillinger bruker vi det også til å simulere scenarier, slik at teamene kan utforske beslutninger om planlegging og gjennomførbarhet før de bygger noe.

Men vi er svært tydelige på hvor AI stopper.

Prioritering, veikartbeslutninger, nyanser i brukeropplevelsen og avveininger forblir menneskelige oppgaver, fordi det er her kontekst, erfaring og ansvarlighet betyr noe. AI forstår ikke strategi, politikk eller risiko på en meningsfull måte. Det kan gi informasjon til beslutninger, men bør ikke ta dem.

Vi brukte for eksempel AI til å analysere tilbakemeldinger fra kunder og kundestøttesaker for å veilede prioriteringen. Modellen identifiserte mønstre og avdekket effektivt problemer som ofte ble nevnt, men den klarte ikke å skille mellom det som var høylytt og det som var viktig. Problemer med liten innvirkning ble overrepresentert ganske enkelt fordi kundene rapporterte dem oftere, mens mer kritiske, men mindre hyppige problemer ble tillagt for liten vekt.

Det manglet også kontekst om kundereisen – hvorfor noe skjedde, ikke bare at det skjedde. Menneskelig dømmekraft var avgjørende for å tolke signalet riktig.

Fra et tillitsperspektiv ble noe som ble avdekket av kunstig intelligens, raskt avvist av interessenter dersom det ikke stemte overens med deres intuisjon. Nøyaktighet alene var derfor ikke nok – det måtte kunne forklares og være i tråd med konteksten i den virkelige verden.

Hvorfor produktledere må være forsiktige med å bli for avhengige av kunstig intelligens

De største fordelene med kunstig intelligens er hastighet og gjennomstrømning. Produktledere går betydelig raskere fra idé til validert retning; det som tidligere tok flere dager med syntese og utarbeiding, skjer nå på noen timer. På tvers av team vil jeg anslå en hastighetsøkning på 30–50 % i tidlige oppdagelses- og dokumentasjonssykluser.

Kvaliteten har også blitt bedre. Kunstig intelligens hjelper team med å starte fra et mer informert utgangspunkt, hente inn kundesignaler, fremheve mønstre og redusere blindsoner. Dette gir bedre innledende hypoteser og mer datainformerte diskusjoner med interessenter.

På den annen side er overdreven avhengighet den største risikoen jeg har sett. Noen team behandlet i begynnelsen resultater fra kunstig intelligens som «svar» i stedet for innspill, noe som førte til overfladisk tenkning eller generiske løsninger. Vi måtte aktivt veilede teamene til å utfordre og videreutvikle det kunstig intelligens produserer, i stedet for bare å akseptere det.

Det finnes også et konsistensgap. Kunstig intelligens er bare så god som konteksten du gir den. Sterke produktledere får eksponentielt større verdi fordi de vet hvordan de skal veilede den. Mindre erfarne produktledere kan få problemer eller produsere støyende resultater.

Alt i alt er oppsiden reell. Raskere sykluser og bedre utgangspunkter – men bare med sterk produktfaglig tenkning. Ellers kommer du bare raskere frem til feil svar.

Hvorfor ende-til-ende-automatisering skuffer PM-er

I begynnelsen antok jeg at kunstig intelligens i betydelig grad kunne styre veikartbeslutninger eller produsere løsninger av høy kvalitet som var klare til lansering. I virkeligheten er det den genererer, ofte nyttig i riktig retning, men fortsatt generisk. Den mangler forretningskonteksten, nyansene i kundebehovene og avveiningene som erfarne team gjør hver dag.

Ende-til-ende-automatisering er et annet område der det ikke har fått fullt gjennomslag. KI-agenter har stort potensial for å kjøre arbeidsflyter eller erstatte deler av leveransen, men i praksis kreves det fortsatt omfattende menneskelig oppfølging for at det skal være pålitelig i stor skala.

Gapet ligger altså mellom forventning og virkelighet. Kunstig intelligens er utrolig kraftig som en akselerator, men den er ikke en erstatning for produktfaglig dømmekraft – og team som behandler den slik, blir som regel skuffet ganske raskt.

Tonys tanker

Kunstig intelligens er utrolig kraftig som en akselerator, men den er ikke en erstatning for produktfaglig dømmekraft – og team som behandler den slik, blir som regel skuffet ganske raskt.

Hvorfor PM-er må gå fra kontroll til tillit med kunstig intelligens

Produktkvalitet kommer ikke lenger fra tett kontrollerte, deterministiske opplevelser. Vi må gi slipp på forestillingen om at det er slik.

Tradisjonelt utformet vi produkter slik at de oppførte seg forutsigbart – med tydelige flyter, definerte resultater og kartlagte ytterpunkter. Med kunstig intelligens, særlig generativ kunstig intelligens, introduserer du variasjon som standard. Det samme inndataet gir kanskje ikke alltid nøyaktig samme resultat, og det endrer hvordan du tenker om kvalitet.

Det tvinger frem et skifte fra «Er dette perfekt definert?» til «Er dette pålitelig nyttig og innenfor akseptable grenser?»

Det er en stor endring i tankesett. Du utformer ikke lenger hvert enkelt resultat – du utformer systemer med sikkerhetsnett, tilbakemeldingssløyfer og måter å forbedre dem kontinuerlig på. Det betyr også å omfavne en viss grad av ufullkommenhet, så lenge verdien er til stede og risikoene håndteres.

Derfor gikk jeg fra kontroll til tillit – jeg stolte på at systemet opererte innenfor gitte grenser, i stedet for å forsøke å definere alle mulige resultater på forhånd.

Hvordan kunstig intelligens endrer dynamikken i produktteam

Kunstig intelligens har ikke endret strukturen i teamet like mye som den har endret hvordan teamet arbeider.

Vi har ikke erstattet roller, men forventningene til disse rollene har endret seg. Produktledere bruker mindre tid på manuell syntese og dokumentasjon, og mer tid på dømmekraft, prioritering og å skape resultater. Kravene til tenkning har blitt høyere.

Den har også visket ut noen av grensene mellom rollene. PM-er kommer tettere på data, designere bruker kunstig intelligens til å iterere raskere, og utviklere utnytter den for å fremskynde utviklingen. Samarbeidssløyfene er tettere fordi alle kan bevege seg raskere individuelt.

Samtidig ser vi et tydelig skille vokse frem: mellom dem som vet hvordan de skal jobbe med AI, og dem som ikke gjør det. Teamene som satser på dette, er betydelig mer produktive.

Hvordan integrering av AI i arbeidsflyter øker bruken

Bruken har vært en utfordring. Ikke alle beveger seg i samme tempo. Noen satser på dette, eksperimenterer og tilpasser seg raskt. Andre nøler, stiller spørsmål ved det eller venter på at det skal bli perfekt før de engasjerer seg — og det er her forskjellen blir synlig.

Vi gjorde bruk av AI synlig og forventet — ikke valgfri.

I stedet for å rulle det ut som «her er et nytt verktøy», bygget vi det direkte inn i teamenes arbeidsprosesser. Vi oppdaterte for eksempel produktarbeidsflytene våre slik at hver oppdagelses- eller PRD-syklus inkluderte en første gjennomgang med hjelp av AI — enten det dreide seg om å sammenfatte tilbakemeldinger fra kunder, generere innledende krav eller skissere hypoteser. Det ble en del av prosessen, ikke et tillegg.

Vi innførte også en enkel forventning: Ikke kom til en gjennomgang eller diskusjon med et blankt ark. Start med noe som er laget med hjelp av AI, og vis deretter hvordan du har videreutviklet det. Dette endret raskt innstillingen fra motstand til praktisk bruk.

Samtidig løftet vi frem gode resultater — og viste hvordan ett team halverte tiden det brukte på oppdagelsesarbeid, eller forbedret kvaliteten på de innledende vurderingene sine ved hjelp av AI. Denne synligheten mellom kolleger skapte fremdrift.

Det handlet ikke om å tvinge frem bruk, men om å gjøre det til en naturlig del av arbeidsflyten og tydeliggjøre fordelene gjennom konkrete eksempler.

Hvorfor produktledere må satse på AI — nå

Her er mitt råd: Ikke vent på klarhet — sats på dette og kom i gang nå.

Dette er et tidspunkt der de som går tidlig inn, vil definere det som kommer. Du kan enten lene deg tilbake og analysere det, eller brette opp ermene og finne ut hvordan det fungerer i reelle arbeidsprosesser. Det er allerede i ferd med å oppstå et skille mellom dem som bruker AI hver dag, og dem som fortsatt bare snakker om det.

Vær en forkjemper. Hvis du tror at dette er fremtiden, må du handle deretter. La handling følge ord—bruk det i ditt eget arbeid, utfordre teamene dine til å bruke det, og bygg det inn i måten organisasjonen din fungerer på. Dette handler ikke om å kjøre pilotprosjekter på siden, men om å endre måten du utvikler produkter på.

Samtidig må du holde beina på jorda. AI er ikke en erstatning for tenkning. Det er en forsterker. Ledere som lykkes, vil kombinere godt produktfaglig skjønn med vilje til å lære raskt.

Dette handler i bunn og grunn om læring. Hvis du ikke lærer aktivt, eksperimenterer og utvikler deg akkurat nå, vil du sakke akterut. Så enkelt er det.

Så sats på dette, vær nysgjerrig og gå foran.

Følg med videre

Du kan lese mer om arbeidet til Tony Pagliocco på tonypag.com eller ta kontakt med ham på LinkedIn.

Flere intervjuer med eksperter kommer på The CPO Club!