Unngå funksjonsfabrikkfellen med KI-drevet innsikt

Flere funksjoner ≠ mer verdi

Produktledere arbeider ofte under konstant press for å levere. Det å lansere nye funksjoner raskt blir fort det vanligste målet på suksess – særlig i miljøer med høy vekst. Men når suksess utelukkende vurderes ut fra hva som lanseres, og ikke ut fra om det løser de riktige problemene, havner team i funksjonsfelle-spiralen.

Dette er et vanlig mønster. Team leverer i høyt tempo, men resultatene forblir uklare. Ifølge en rapport om innsikt i produktledelse fra 2023 blir 80 % av funksjonene i bedriftsprogramvare sjelden eller aldri brukt. Det er en enorm mengde bortkastet innsats.

Som Aakash Gupta påpeker i CPO Club-podkasten, oppstår dette problemet ofte gradvis:

«Jeg tror faktisk at alle veier fører til funksjonsfabrikken ... Mange ganger foregår det en nedenfra-og-opp-prosess og en ovenfra-og-ned-prosess parallelt, uten at det er synlig.»

Det er disse usynlige kreftene – motstridende prioriteringer, manglende oversikt og prosessmessig treghet – som holder team fast. Men med riktige data blir oversikten bedre. Og det er her AI-drevet innsikt kommer inn. Når den brukes på en gjennomtenkt måte, kan den hjelpe produktteam med å gå fra en leveranseorientert tankegang til en resultatorientert tilnærming.

Hva er en funksjonsfabrikk?

Begrepet «funksjonsfabrikk» ble lansert i 2016 av produktanalytikeren John Cutler og viser til organisasjoner som prioriterer levering fremfor utforskning – de lanserer funksjoner  uten å forstå eller måle effekten av dem. Dette fenomenet har også blitt omtalt som byggfellen (et begrep lansert av Melissa Perri), funksjonskryp, «lanser-og-forlat»-mentaliteten, funksjonsdrevet utvikling og den gode gamle «lansering for lanseringens skyld».

Gupta definerer det enkelt:

«Funksjonsfabrikk: Et programvareselskap som fokuserer på å bygge og lansere nye funksjoner kontinuerlig, i stedet for å bygge et produkt brukerne faktisk ønsker.»

Disse teamene ser ofte produktive ut på overflaten. De lanserer ofte, har veikart fulle av oppgaver og overholder tidsfristene sine. Men under overflaten er det liten forståelse for effekten. Funksjoner blir sjelden fjernet. Tilbakemeldingssløyfene fra brukerne er svake eller ikke-eksisterende. Og interessenter ber ofte om den neste funksjonen før den nåværende i det hele tatt er validert.

Du kan høre tegnene i forbifarten:
«Det er samme veikart om igjen.»
«Vi bygger reaktivt.»
«Produktkøen vår er en dumpeplass.»
«Vi lanserer artefakter, ikke løsninger.»

Dette er ikke bare tilfeldige kommentarer – de er symptomer på et team som sitter fast i en funksjonsorientert syklus og forveksler tempo med verdi.

Hvis dette høres kjent ut, er du ikke alene – og situasjonen er ikke håpløs. AI kan gjøre det usynlige synlig og gi produktledere dataene de trenger for å lede med trygghet. La oss se nærmere på hvordan.

Å forstå denne fellen er det første steget. Det neste er å finne en mer strategisk vei videre – en som prioriterer læring, brukerinnsikt og målbar verdi. Det er her AI kan utgjøre en meningsfull forskjell.

Refleksjon: Jobber dere som en funksjonsfabrikk?

Før dere peker fingre eller legger veikartene på nytt, kan det være nyttig å stoppe opp og observere. Mange velfungerende team glir uvitende inn i funksjonsfabrikkatferd – ikke på grunn av forsømmelse, men fordi det er veien med minst motstand når tidsfristene nærmer seg og oversikten er dårlig.

Bruk spørsmålene nedenfor som et verktøy for teamrefleksjon. Dere kan bruke dem som utgangspunkt for en samtale i neste retrospektiv eller strategimøte. Målet er ikke å «skåre» godt – det er å oppdage hvor vanene deres kanskje ikke er i samsvar med målene deres.

I stedet for å være en rigid selvdiagnose er denne refleksjonen ment å invitere til en ærlig diskusjon. Hvis bare noen få av disse spørsmålene vekker ubehag, er det ikke et nederlag – det er en nyttig innsikt. Mange team arbeider på denne måten ganske enkelt fordi de ikke har tilgang til riktige data, mønstre eller tilbakemeldingssløyfer.

Det er her AI-drevne innsikter kan hjelpe – ikke ved å erstatte produktfaglig skjønn, men ved å styrke det. De gir teamene klarheten og tryggheten de trenger for å prioritere det som betyr noe, vurdere det som ikke gjør det, og gå videre med tydelig retning.

Hvordan AI-drevne innsikter kan hjelpe

1. AI-drevet prioritering: Avgrens hva som faktisk betyr noe

Prioritering har alltid vært en av de vanskeligste delene av produktledelse. Tradisjonelle metoder baserer seg ofte på intuisjon, interne forespørsler eller prioriteringsrammeverk som ikke fanger opp reell brukeradferd. AI i produktledelse endrer dette ved å gi teamene et tydeligere bilde av hva som fungerer, hva som ikke gjør det, og hvor de reelle mulighetene ligger.

Gjennom klyngedannelse, bruksanalyse og naturlig språkbehandling kan AI i funksjonsprioritering avdekke mønstre på tvers av millioner av datapunkter – og hjelpe teamene med å forstå hvilke funksjoner som driver lojalitet eller frustrasjon. Spotify segmenterer for eksempel brukere basert på lytteadferd og risiko for frafall, slik at produktledere kan konsentrere seg om funksjoner som personaliserte spillelister, som direkte påvirker engasjementet.

Adobe bruker AI-motoren sin, Sensei, til å analysere hvilke verktøy i Creative Cloud som brukes oftest – og av hvem. Denne innsikten hjelper teamet med å avgjøre hvor de skal investere i forbedringer, i stedet for å legge til nye verktøy som svekker kjerneverdien.

Når team bruker AI til å håndtere produktkøen og styre prioriteringene sine, blir resultatet ikke bare bedre beslutninger – det blir også bedre samsvar med brukernes faktiske behov.

2. Forutsi funksjoners suksess før lansering

Det er notorisk vanskelig å forutsi hva brukerne vil elske (eller ignorere). Selv de beste produktteamene har lansert funksjoner som virket lovende, men som senere viste seg å ha lav bruk eller skape friksjon. AI bidrar til å redusere risikoen i denne prosessen ved å bringe simulering og prediksjon inn i utviklingssyklusen.

Prediktive analysemodeller som er trent på historisk brukeradferd, kan forutsi bruksrater, engasjementsnivåer eller mulige utløsere for frafall. Selskaper som Netflix bruker slike modeller til å teste hvordan endringer i grensesnittet vil påvirke brukerflyten – før endringene settes i produksjon.

Amazon baserer seg på lignende måte i stor grad på AI for å håndtere A/B-tester i stor skala. Eksperimenteringsmotoren deres kan teste flere varianter i sanntid og automatisk avslutte dem som presterer dårligst. Dette gjør det mulig å finjustere funksjoner for bestemte brukergrupper og unngå å rulle ut endringer som ikke gir noen merkbar effekt.

I stedet for å basere seg utelukkende på magefølelse eller påvirkning fra interessenter kan team som bruker AI, tilnærme seg produktlanseringer mer som pilotprosjekter – de lærer raskt og tilpasser seg basert på reelle signaler.

3. Automatiser beslutningsintelligens for kontinuerlige tilbakemeldingssløyfer

En av de mindre åpenbare fallgruvene ved en funksjonsfabrikk er antakelsen om at lanseringen av en funksjon er mållinjen. I virkeligheten er det bare begynnelsen. AI bidrar til å gjøre analysen og videreutviklingen etter lansering mer automatisk, og avdekker innsikter som ellers kunne ha blitt oversett.

Shopify bruker for eksempel AI i lanseringshåndtering for å følge med på hvordan forhandlere samhandler med nylig lanserte funksjoner. Hvis bruken synker eller oppgavegjennomføringen går tregere, anbefaler systemet forbedringer – eller til og med fjerning. Det handler ikke om perfeksjon ved lansering, men om evnen til å reagere etter lansering.

LinkedIn bruker en lignende tilnærming for funksjoner for innholdsdeling. AI-en deres følger med på hvilke formater som fungerer godt, og fører disse dataene tilbake til rangeringsalgoritmene, som tilpasser seg dynamisk for å fremme mer engasjerende samhandling.

Som Aakash Gupta påpeker, påvirkes mange produktbeslutninger av usynlige dynamikker mellom team og interessenter. AI kan avdekke disse mønstrene ved å følge med på hvordan beslutninger omsettes til resultater. Denne synligheten gjør det mulig for teamene å korrigere kursen tidlig, i stedet for å forsterke kostbare feilgrep.

I denne forstand er AI ikke bare et verktøy for beslutningsstøtte – det er en tilbakemeldingsmotor for kontinuerlig produktlæring.

Slik får du interessentenes støtte til en AI-drevet produktstrategi

1. Presenter AI som en muliggjører for virksomheten

En av de største utfordringene ved å ta i bruk en mer datadrevet tilnærming er å sikre støtte fra ledelsen. Ledere kan være interessert i AI i produktstrategien, men de er ofte skeptiske med mindre det knyttes direkte til strategiske mål. Når du skal argumentere for dette:

• Knytt AI til inntekter → Forutse hvilke funksjoner som vil drive mersalg eller redusere kundefrafall
• Knytt AI til effektivitet → Reduser bortkastet utviklingsarbeid på funksjoner brukerne ikke vil ta i bruk
• Knytt AI til risikoreduksjon → Kjør simuleringer før lansering for å forhindre fiaskoer, og redusere kostbare feil. 

I stedet for å presentere AI som en nyskapende kapasitet, bør du posisjonere det som en måte å redusere risikoen ved investeringer, begrense sløsing i utviklingen og ta bedre beslutninger.

2. Snakk ledelsens språk

I stedet for å si:

«Vi ønsker å bruke AI til å optimalisere prioriteringen.»

Si:

«Vi kan redusere sløsing i utviklingen med 20 % ved å forutsi funksjonenes ytelse før utviklingen starter.»

Når team oversetter AI-innsikt til forretningsmessige begreper, endrer samtalene seg. Det som kanskje føltes som en teknisk presentasjon, blir en strategisk diskusjon – en diskusjon der alle rundt bordet ønsker å bidra.

Praktiske anvendelser: Slik bruker ledende selskaper AI for å unngå fellen

På tvers av bransjer integrerer produktteam AI ikke for å erstatte menneskelig dømmekraft, men for å skjerpe den. Disse selskapene viser på en nyttig måte hvordan man kan komme seg ut av tankesettet fra en funksjonsfabrikk:

• Airbnb bruker AI til å forbedre søkeresultater og dynamisk prissetting, slik at nye funksjoner i bestillingsopplevelsen samsvarer med gjestenes preferanser og atferd. I stedet for å legge til flere filtre eller endringer i grensesnittet fokuserer de på å forbedre søk og tillit.
• Tesla har en iterativ tilnærming til programvaren i kjøretøyene sine og bruker trådløse oppdateringer basert på data fra faktisk kjøring. Funksjoner som Autopilot forbedres kontinuerlig basert på maskinlæringsmodeller som er trent på brukeradferd.
• Duolingo tilpasser læringsopplevelsen ved hjelp av AI-modeller som justerer innholdets vanskelighetsgrad basert på den enkeltes fremgang. Dette sikrer at funksjonsoppdateringer bidrar til bedre læringsresultater – ikke bare flere alternativer i appen.
• Salesforce Einstein bruker AI til å identifisere hvilke CRM-automatiseringer som gir størst salgseffektivitet. Produktteam bruker denne innsikten til å prioritere nye automatiseringsfunksjoner og avvikle funksjoner som brukes lite.
• Adobe bruker innsikt fra Sensei-plattformen i Photoshop og Premiere Pro. I stedet for å legge til funksjoner basert på intern intuisjon forbedrer selskapet eksisterende verktøy slik at de samsvarer med hvordan brukerne faktisk arbeider.

Alle disse eksemplene gjenspeiler et skifte i tankesett: fra levering av funksjoner til brukerverdi. AI gjør ikke arbeidet for dem – det hjelper dem med å gjøre det riktige arbeidet.

Veien videre: Bedre investeringer i funksjoner

Det finnes ingen universalløsning på problemet med funksjonsfabrikken. Men produktteam har flere verktøy enn noen gang for å skape klarhet. AI er ett av dem.

Det kan bidra til å identifisere hva som betyr noe, forutsi hva som sannsynligvis vil fungere, og lære av det som allerede har fungert. Men kanskje enda viktigere er det at AI kan synliggjøre det usynlige – og hjelpe team med å se forbi veikartet og inn i den reelle effekten av arbeidet deres.

Begynn i det små. Gå gjennom veikartet ditt. Still vanskelige spørsmål om hva som er levert, og hvilken verdi det skapte. Undersøk deretter hvordan AI kan støtte – ikke erstatte – produktdømmekraften din.

Målet er ikke å lansere mer. Det er å lansere smartere.

Neste steg

• Gå gjennom veikartet ditt for mønstre fra en «funksjonsfabrikk»
• Utforsk AI-verktøy for produktanalyse og prognoser
• Se webinaret vårt: Fører alle veier til funksjonsfabrikken?