Teknologigründer og tidligere produktsjef sier at KI gjør produktteam dårligere – ikke bedre

Adam Root har hatt roller som produktdirektør i ulike teknologiselskaper. Han er for tiden grunnlegger av Root Ventures, der han bygger SaaS-produkter drevet av arbeidsflyter.

Vi satte oss ned med Adam for å forstå hvordan AI endrer produktets livssyklus – og hvordan det faktisk gjør enkelte team dårligere underveis. Her er det han fortalte oss.

AI gjør produktteam dårligere

AI gjør de fleste produktteam dårligere, ikke bedre – fordi det fjerner friksjonen som tidligere beskyttet team mot dårlige beslutninger.

De siste 17+ årene har jeg skalert SaaS-plattformer, ledet AI-drevne initiativer og skapt målbare resultater, blant annet ved å øke inntektene fra $20k til $400k MRR og levere resultater på bedriftsnivå. Tidligere i karrieren trodde jeg at den vanskeligste delen var å bygge, lansere funksjoner, skalere team og gjennomføre en veikartplan. Det jeg har lært, særlig de siste årene, er at den virkelige utfordringen er å omgjøre tvetydighet til overbevisning. AI har gjort dette skillet umulig å ignorere. 

I dag kan hvem som helst generere en prototype eller lansere raskt ved hjelp av AI-verktøy, men de fleste team sliter fortsatt med å omsette dette til reelt gjennomslag. Jeg ser stadig sterke tekniske team bygge raskere, men uten en tydelig produktvisjon. De legger AI oppå arbeidsflyter som aldri var utformet for å lykkes. Resultatet er mer produksjon, men ikke større effekt.

Denne erkjennelsen endret grunnleggende hvordan jeg tilnærmer meg produktledelse. Nå betrakter jeg hvert produkt som et sannhetssystem snarere enn en samling funksjoner. Det starter med å forstå problemet i dybden, validere det med dokumentasjon og prioritere beslutninger på en måte som skaper et fortrinn. Først da blir AI en reell multiplikator. Uten dette grunnlaget akselererer det bare støy.

Derfor handler fokuset mitt i dag mindre om verktøy og mer om å skape klarhet, samle teamene rundt det som betyr noe, hvorfor det betyr noe, og hvordan det skaper resultater. For når systemet er riktig, forsterkes gjennomføringen over tid.

Bygger en AI-basert portefølje

Akkurat nå bygger jeg en liten portefølje av AI-baserte og arbeidsflytdrevne SaaS-produkter på tvers av ulike domener, der hvert produkt er utviklet for å være sentralt i reell brukeradferd, ikke bare legge funksjoner oppå eksisterende løsninger.

Sotia er et intelligenssystem bygget rundt atferdsdata, med Slack som utgangspunkt, som hjelper ledelsen med å forstå gjennomføringshelsen i sanntid. Det omsetter kommunikasjonsmønstre til signaler om samkjøring, beslutningshastighet og risiko, og skaper dermed et nytt lag mellom rå aktivitet og innsikt for ledelsen.

Samtidig bygger jeg VowVista, en markedsplattform for bryllupslokaler med fokus på å løse behovet for beslutningstrygghet hos kjøpere i generasjon Z. Den håndterer et fragmentert kjøp med sterke følelser ved å kombinere åpenhet, strukturerte data og veiledede arbeidsflyter for å hjelpe brukerne fra utforskning til forpliktelse.

Ved siden av dette fortsetter jeg å utvikle AI-baserte plattformer for bygg og feltoperasjoner, der vi samler inn multimodale data som tale, bilder og video fra feltet og omgjør dem til strukturert, handlingsrettet intelligens for operatører og ledere.

Felles for alt dette er at vi bygger produkter som fungerer som systemer for registrering og intelligens, utformet for reelle arbeidsflyter, med en leveransemodell som kombinerer rask iterasjon med pålitelighet på produksjonsnivå.

Hvorfor produktledere bør fokusere på systemet, ikke AI-en

AI er ikke produktet. Det er systemet rundt som er produktet.

De fleste team begynner med å fokusere på modellen, funksjonen eller egenskapen. I praksis er imidlertid modellen den minst differensierte og ofte enkleste delen. Det virkelige arbeidet er alt rundt den: dataene, integrasjonen i arbeidsflyten, brukeropplevelsen, tillitsmodellen og hvordan resultatet fører til en faktisk beslutning eller handling.

Hvis du gjør dette feil, vil AI få produktet ditt til å se imponerende ut uten å gjøre det nyttig. Du lanserer funksjoner som fungerer godt i demonstrasjoner, men som ikke blir tatt i bruk, fordi de ikke er integrert i hvordan brukerne faktisk arbeider eller tar beslutninger.

Hvis du gjør det riktig, blir AI en multiplikator. Det omgjør rotete inndata til strukturert innsikt, reduserer friksjon i reelle arbeidsflyter og skaper et fortrinn på tvers av systemet.

Hvis jeg hadde visst det tidligere, ville jeg ha unngått å overinvestere i «intelligensen» før jeg validerte arbeidsflyten. I noen tilfeller bygde vi imponerende funksjoner som teknisk sett fungerte, men som ikke endret brukeratferden fordi de ikke var integrert i hvordan arbeidet faktisk ble utført. Vi måtte gå tilbake og redesigne med utgangspunkt i arbeidsflyten, ikke modellen.

Hvordan evidensbaserte systemer kan forbedre gjennomføringen

Jeg har gått fra å bygge funksjoner til å bygge evidensbaserte systemer før jeg skriver kode – og bruker AI som et tidlig lag for sammenstilling og validering i prosessen.

Tidligere gikk selv sterke team relativt raskt fra utforskning til spesifikasjoner. Den modellen bryter sammen i en AI-forsterket verden fordi kostnadene ved å bygge har sunket så mye. Du kan generere og lansere løsninger raskere enn du kan validere om de burde eksistere. Det skaper en ny type feil: Team skalerer feil ideer med utrolig høy hastighet.

Utforskning må nå bli en kontinuerlig, systemdrevet funksjon, ikke en fase. Det betyr:

• Å samle reelle signaler i stor skala, inkludert brukeradferd, kundestøttedata, vunnet/tapt-data og kvalitative innspill
• Å bruke AI til å sammenstille mønstre på tvers av disse innspillene, ikke bare oppsummere dem
• Å knytte problemer eksplisitt til arbeidsflyter og måle om produktet faktisk håndterer dem
• Å kontinuerlig validere antakelser på nytt etter hvert som nye data kommer inn

Jeg kjører for eksempel strukturerte instruksjoner på tvers av flere datakilder for å avdekke tilbakevendende problemer, knytte dem til arbeidsflyter og uttrykkelig teste om produktet faktisk løser dem. Denne prosessen avkrefter ofte de opprinnelige ideene eller endrer dem betydelig før de når design- eller utviklingsfasen.

Resultatet er en høyere kvalitet på overbevisningen. Vi bygger færre ting, men det vi bygger, er mye tettere knyttet til reelle problemer. Det endrer også hvordan team arbeider. I stedet for å diskutere meninger reagerer vi på sammenstilt evidens. For meg handler AI derfor mindre om å øke hastigheten på gjennomføringen og mer om å øke presisjonen i det vi velger å gjennomføre.

Hvordan AI komprimerer hele arbeidsflyten fra signal til lansering

Her er en ende-til-ende-AI-drevet arbeidsflyt jeg bruker for å gå fra rå brukersignaler til en lansert og validert produktløkke.

Det starter med signalaggregering. Jeg henter inn kvalitative og atferdsbaserte data, blant annet intervjuer med par, Reddit-tråder, anmeldelser av lokaler, frafallssteder i trakten og innkommende spørsmål. I stedet for å gjennomgå disse én etter én bruker jeg AI til å sammenstille informasjon på tvers av alle kildene og identifisere tilbakevendende problemer, hvor ofte de oppstår og hvor brukerne setter seg fast i beslutningsprosessen.

Derfra går jeg over til problemstrukturering. AI hjelper med å gruppere disse signalene i tydelige problemformuleringer knyttet til bestemte øyeblikk i arbeidsflyten. Deretter stresstester jeg problemene ved å spørre: «Er dette hyppig, smertefullt og noe produktet kan løse?»

Deretter kommer utformingen av løsningen. Jeg bruker AI til raskt å utforske ulike måter å løse problemet på – ikke bare funksjoner, men også endringer i arbeidsflyten. Det viktigste er å generere flere tilnærminger raskt og deretter snevre inn basert på hva som passer best med brukeratferden.

Så går vi over til bygging og instrumentering. Ved hjelp av AI-assisterte utviklingsverktøy går vi raskt fra konsept til en fungerende versjon, men med måleinstrumentering innebygd fra starten. Vi følger med på om brukerne engasjerer seg i den nye arbeidsflyten, hvor de faller fra, og om den forbedrer tryggheten i beslutningene eller fremdriften.

Etter dette blir det en læringssløyfe. AI analyserer bruksmønstre, kvalitative tilbakemeldinger og spesialtilfeller for å identifisere hva som fungerer og hva som ikke gjør det. Vi ser på om endringen faktisk endret atferden, ikke bare om brukerne samhandlet med den.

Til slutt gir dette grunnlag for videre iterasjon eller fjerning. Hvis arbeidsflyten forbedrer resultatene, utvider vi den. Hvis den ikke gjør det, forbedrer eller fjerner vi den raskt.

Claude, koblet til produktdataene og brukersignalene mine, håndterer det meste av denne arbeidsflyten.

Hvordan AI kan skape falsk trygghet

Det beste resultatet av AI som jeg ser, er en betydelig økning i hastigheten frem mot klarhet. AI har komprimert arbeid som tidligere tok dager, til noe som tar timer, særlig innen utforskning, sammenstilling og tidlig produktdefinisjon. Jeg kan gjennomgå langt flere innspill, oppdage mønstre raskere og stressteste ideer før teamet binder opp ressurser. Kvalitativt har dette ført til bedre innledende problemforståelse, færre svake ideer som kommer inn i diskusjoner om veikartet og bedre samordning på tvers av produkt, design og utvikling.

Det har også forbedret gjennomstrømningen i selve produktutviklingen. Det siste året har jeg brukt AI-assisterte arbeidsflyter til å gå fra konsept til fungerende produkt dramatisk raskere enn tradisjonelle sykluser ville tillatt. Det omfatter å gå fra problemforståelse til arkitektur, PRD-er og brukbar programvare på en brøkdel av den vanlige tiden. Fordelen er ikke bare hastighet. Det er muligheten til å teste reelle arbeidsflyter tidligere, noe som øker læringshastigheten.

Det er likevel ikke bare positivt. AI kan skape falsk trygghet. Team kan forveksle polert resultat med produktkvalitet. En prototype ser overbevisende ut, spesifikasjonen høres komplett ut, og alle føler at det skjer fremgang, selv når den underliggende arbeidsflyten, tillitsmodellen eller brukerbehovet fortsatt er uavklart. Jeg har også sett AI øke mengden støy når det brukes uten en tydelig produktidé. Det kan generere flere ideer, mer tekst, flere oppgaver og flere artefakter enn et team realistisk kan evaluere, noe som faktisk kan gjøre prioriteringen dårligere.

Adam deler

Det beste resultatet av AI som jeg ser, er en betydelig økning i hastigheten til klarhet. AI har komprimert arbeid som tidligere tok dager, til timer, spesielt innen utforskning, syntese og tidlig produktdefinisjon.

Der AI kommer til kort i produktarbeidet

AI har tydeligst ikke levert der jeg forventet at det skulle skape markante forbedringer i produktvurderinger og varig produkteffekt.

Jeg trodde først at AI ville forbedre prioriteringen og kvaliteten på veikartet betydelig ved å gjøre mønstre tydelige. Det hjelper med å avdekke mønstre, men løser ikke hva som faktisk betyr noe. Det vanskelige er fortsatt å tolke avveininger, forstå konsekvenser i andre ledd og forplikte seg til en retning under usikkerhet. AI informerer denne prosessen, men erstatter den ikke. Jeg har ikke sett at det konsekvent gir bedre produktbeslutninger på egen hånd.

Det har også kommet til kort når det gjelder å skape reell adopsjon. AI-funksjoner fungerer ofte svært godt i demonstrasjoner, men det fører ikke til gjentatt bruk med mindre de er dypt integrert i faktiske arbeidsflyter. Jeg har sett team lansere imponerende AI-funksjoner som brukerne prøver én gang, men ikke kommer tilbake til, fordi produktet ikke endret atferd eller ble en del av hvordan arbeidet utføres.

Et annet gap gjelder reduksjon av kompleksitet. Jeg forventet at AI skulle forenkle hvordan produkter bygges og driftes, men i mange tilfeller introduserer det nye lag, blant annet instruksjonslogikk, spesialtilfeller, evalueringsutfordringer og hensyn knyttet til tillit. I stedet for å fjerne arbeid flytter det arbeidet til nye områder som fortsatt krever sterk produkt- og ingeniørmessig disiplin.

Hvorfor ansvarligheten må forbli menneskelig

Jeg bruker AI mye overalt der skala og mønstergjenkjenning er viktig, og jeg sørger for at mennesker er involvert overalt der vurderingsevne, risiko eller smak avgjør resultatet.

På AI-siden bruker jeg det mest i utforskning og syntese. Jeg legger inn utskrifter, supportsaker, vinner-taper-data og atferdssignaler for å identifisere tilbakevendende problemer, kvantifisere hyppighet og knytte problemene til arbeidsflyter. Det er også nyttig i tidlig prioritering, ikke for å ta beslutninger, men for å stressteste antakelser ved å synliggjøre avveininger, konsekvenser i andre ledd og alternative innramminger jeg kanskje ikke har vurdert. I eksperimentering hjelper AI med å generere hypoteser, utarbeide varianter og analysere resultater raskt, særlig når man håndterer store mengder kvalitativ tilbakemelding.

Det jeg bevisst holder menneskelig, er overbevisning og forpliktelse. De endelige prioriteringsbeslutningene, rekkefølgen i veikartet og hva vi velger å ikke bygge, ligger fortsatt hos ledergruppen og meg. Det samme gjelder UX-beslutninger som krever smak, tillit og emosjonell kontekst. Tekniske avveininger styres også av mennesker, fordi de innebærer langsiktig systemtenkning, risikotoleranse og organisatoriske begrensninger som AI ikke fullt ut kan internalisere.

Grunnen er enkel: AI er svært god til å komprimere informasjon og utvide løsningsrommet, men det tar ikke ansvar for konsekvensene. Produktledelse handler til syvende og sist om å ta irreversible eller kostbare beslutninger under usikkerhet. Det ansvaret må forbli menneskelig.

Hvorfor produktledere må være oppmerksomme på falsk tillit i stor skala

Produktledere undervurderer ofte risikoen for falsk tillit i stor skala.

AI-systemer er svært gode til å produsere resultater som virker riktige, selv når de ikke er det. Faren er ikke åpenbare feil. Det er plausibel riktighet. Noe som ser riktig ut, høres selvsikkert ut og er feil på måter som ikke umiddelbart kan oppdages.

I liten skala kan en bruker oppdage det. I produktets skala blir den samme feilen gjentatt på tvers av tusenvis av interaksjoner, og former i det stille beslutninger, arbeidsflyter og resultater.

Jeg har sett dette dukke opp innen områder som dokumenttolkning, anbefalinger og arbeidsflytautomatisering. Systemet fungerer godt nok mesteparten av tiden til at brukerne begynner å stole på det, men det er i yttertilfellene den reelle risikoen ligger. Og disse yttertilfellene har ofte de alvorligste konsekvensene.

Det som gjør dette spesielt farlig, er at tradisjonell produktintuisjon ikke fanger det opp. Du ser ikke en nedgang i bruken eller en krasj. Du ser engasjement. Produktet «fungerer». Helt til det ikke gjør det.

Tiltaket er ikke bare bedre modeller. Det handler om å utforme for tillit og verifisering:

Adam deler

Produktledere undervurderer ofte risikoen for falsk tillit i stor skala …Det som gjør dette spesielt farlig, er at tradisjonell produktintuisjon ikke fanger det opp. Du ser ikke en nedgang i bruken eller en krasj. Du ser engasjement. Produktet “fungerer.” Helt til det ikke gjør det.

• Vise dokumentasjon, ikke bare svar
• Synliggjøre konfidens og usikkerhet
• Opprette tydelige kontrollpunkter med mennesker i løkken
• Instrumentere for når systemet tar feil, ikke bare når det brukes

Risikoen ligger i å anta at nøyaktigheten skalerer lineært med bruken. I virkeligheten øker risikoen raskere enn nøyaktigheten.

Hvordan kunstig intelligens kan få svak dømmekraft

Kunstig intelligens har hatt størst problemer der produktet må forstå menneskelige interesser, tvetydighet og kostnaden ved å ta feil – ikke bare generere et plausibelt svar.

Et godt eksempel finner vi i arbeidsflyter som er rettet mot etterlevelse, eller som krever høy tillit. Jeg har jobbet med produktkonsepter der kunstig intelligens kan hente ut informasjon fra dokumenter, flagge problemer og anbefale neste handlinger. På papiret ser dette ut som et perfekt bruksområde for kunstig intelligens. I praksis er utfordringen at modellen kan produsere et svar som høres svært sikkert ut, samtidig som den overser viktig kontekst, feiltolker en klausul eller ikke forstår hvorfor ett unntak er viktigere enn et annet.

Det skaper umiddelbart et tillitsproblem. Brukeren spør ikke: «Var dette resultatet imponerende?» De spør: «Kan jeg stole på dette uten å skape risiko senere i prosessen?»

Det jeg har lært, er at kunstig intelligens ofte har svak dømmekraft når:

• Konteksten er ufullstendig
• Konsekvensene av feil er uforholdsmessige
• Brukeren trenger en forklaring, ikke bare et resultat

Hvordan kunstig intelligens omstrukturerer team

Kunstig intelligens har endret formen på produktteamene mine, fra rollebaserte siloer til mindre, mer integrerte og systemorienterte team.

Tidligere var teamene strukturert rundt tydelige overleveringer: Produkt definerer, design designer, utvikling bygger, og data analyserer. Denne modellen bryter sammen når kunstig intelligens komprimerer gjennomføringen og introduserer sannsynlighetsbaserte systemer som krever tette tilbakemeldingssløyfer.

Nå heller jeg mot færre personer som kan arbeide på tvers av grenser. Produktledere forventes å gå dypere inn i data, utforming av ledetekster og arbeidsflytlogikk. Utviklere står nærmere problemet og brukerkonteksten, ikke bare implementeringen. Design handler mindre om statiske skjermer og mer om samhandlingsmønstre, tillit og hvordan systemet oppfører seg når det er usikkert eller tar feil.

Jeg har også sett fremveksten av nye ansvarsområder, snarere enn helt nye roller. Ting som:

• Å eie «systematferden» på tvers av yttertilfeller, ikke bare den forventede brukerreisen
• Å definere konfidensgrenser og tidspunkter for menneskelig medvirkning
• Å håndtere datakvalitet og tilbakemeldingssløyfer som sentrale produktanliggender

Hvordan produktledere bør bruke kunstig intelligens

Mitt råd er enkelt: Ikke bruk kunstig intelligens til å jobbe raskere. Bruk den til å få mer riktig.

Akkurat nå fokuserer de fleste team på fart, flere funksjoner, raskere sykluser og raskere resultater. Det er den åpenbare fordelen. Men fart uten klarhet skalerer bare feil.

Adams råd

Mitt råd er enkelt: Ikke bruk kunstig intelligens til å jobbe raskere. Bruk den til å få mer riktig …Det virkelige skiftet er dette: Det er ikke lenger byggingen som er begrensningen. Det er dømmekraften.

Det virkelige skiftet er dette: Det er ikke lenger byggingen som er begrensningen. Det er dømmekraften.

Så som produktleder handler rollen din mindre om å drive gjennomføringen fremover og mer om:

• Definere de riktige problemene
• Sekvensere beslutninger
• Sikre at det som bygges, faktisk endrer brukeratferd

Bruk AI til å utvide tankegangen din, sammenfatte signaler og kvalitetssikre ideer. Men ikke sett bort de vanskelige beslutningene. Det er der verdien ligger.

Gjør også om på hvordan teamet ditt arbeider:

• Se på utforskning som en kontinuerlig prosess, ikke en fase.
• Utform for tillit, ikke bare funksjonalitet.
• Bygg systemer, ikke funksjoner.

Og viktigst av alt: Motstå fristelsen til å hoppe over den krevende tenkingen.

Følg med

Du kan følge Adam Root på LinkedIn mens han fortsetter å bygge Sotia, VowVista og de andre SaaS-produktene i porteføljen sin.

Det kommer flere ekspertintervjuer på The CPO Club!