Visepresidenten for produktdesign sier at produkt, design og utvikling må ha et felles KI-rammeverk for å samarbeide effektivt

Andy Vitale er visepresident for både produktdesign og AI-senteret for fremragende praksis i Taxwell.

Vi satte oss ned med Andy for å diskutere hvordan design, produkt og utvikling effektivt kan samarbeide med AI. Dette er det han fortalte oss.

Der design, teknologi og organisasjon møtes

Jeg heter Andy Vitale og er designleder. Det siste tiåret har jeg utviklet og lansert AI-baserte produkter. I dag leder jeg designavdelingen og AI-senteret for fremragende praksis i Taxwell, der vi utvikler programvareprodukter som støtter titalls millioner skattemeldinger hvert år for mer enn 90 000 skatteeksperter og 3 millioner gjør-det-selv-brukere.

Arbeidet spenner fra forbrukerprodukter som må oppleves enkle under reelt økonomisk press, til profesjonelle verktøy der dybde og pålitelighet er viktigere enn tett veiledning. Organisasjonen min dekker forbrukerskatt, profesjonell skatt, den felles plattformen under begge deler og nyere produktområder vi fortsatt former. Teamet organiserer seg rundt disse områdene, og vi går over til en AI-assistert leveransemodell, slik at design jobber tettere på produktet i stedet for å overlevere til det.

AI-reisen min startet i 2015 med naturlig språkbehandling innen helsevesenet hos 3M. Dette var min første virkelige erfaring med å utforme produkter rundt maskinell intelligens, ikke bare grensesnitt. Deretter ledet jeg designarbeidet hos Rocket, hvor jeg fikk se hvordan teknologi beveger seg gjennom en stor organisasjon. Senere, som designsjef hos Constant Contact, så jeg hvordan generativ AI begynte å endre hva produkter kunne gjøre. Nå, hos Taxwell, gjør jeg produktene våre smartere og teamene våre bedre i stand til å utvikle med AI på en naturlig måte.

Jeg har alltid vært tiltrukket av overgangene – der design, teknologi og organisasjonen møtes. AI har gjort disse overgangene til den viktigste delen av jobben. Dette øyeblikket føles som det hele veien min har forberedt meg på.

Slik bygger du et felles AI-grunnlag på tvers av fagområder

Vi sluttet å behandle AI som en funksjon som skulle legges til, og begynte å behandle det som infrastruktur som skulle bygges. Det siste året har design, produkt og utvikling samarbeidet om å bygge et grunnlag som gjør at teamet kan bevege seg raskere uten å bli mer uforsiktige.

Det innebærer felles byggesteiner og rammeverk for arbeid med modeller, samt AI-baserte trinn fra idé til validering. Vi trenger ikke å vente med å etablere en måte å teste en idé mot AI på.

Den andre delen av denne endringen er at teamet nå bygger ved hjelp av de samme materialene og verktøyene, i stedet for å designe på ett sted og overlevere for gjenoppbygging et annet sted. Det fjerner overgangene der arbeidet vanligvis går tapt eller blir forvrengt. Når en designer arbeider i det samme miljøet som produktet blir laget i, handler samtalen ikke lenger om spesifikasjoner og overleveringer, men om selve produktet.

Resultatet er både hastighet og nøyaktighet, noe som vanligvis går på bekostning av hverandre. Det felles grunnlaget gjør at vi beveger oss raskere fordi de vanskelige delene allerede er bygget og kan gjenbrukes. Når vi arbeider med de samme verktøyene, blir det færre oversettelsesfeil fordi det er færre oversettelser. Teamet bruker tiden på vurderinger i stedet for å bygge hverandres arbeid på nytt.

Resultatet ble en rekke lanseringer fra null til én. Et lite team kan nå føre en idé hele veien fra konsept til fungerende programvare på noen uker, i stedet for gjennom flere runder med planlegging og overleveringer.

En AI-basert arbeidsflyt fra konsept til programvare

Jeg skal gå gjennom prosessen vår for å ta en idé fra konsept til fungerende programvare, fordi AI har forvandlet denne arbeidsflyten mer enn noe annet for oss.

Det starter med utforskning, og AI er involvert fra første minutt. Før noen designer noe som helst, bruker vi AI til å samle eksisterende kunnskap om problemet, mønstre fra forskning og kundestøttedata, tidligere forsøk og relevante skattesituasjoner. I stedet for en blank side starter teamet med et syntetisert perspektiv som de kan reagere på og stressteste.

Når vi utformer ideen, bruker vi syntetiske brukere til idéutvikling. Disse brukerne er basert på atferdsforskningen vår og lar oss utforske hvordan ulike typer skattytere kan reagere på en tilnærming før vi forplikter oss til den. De er et verktøy for idéutvikling som utvider retningene vi vurderer og hjelper oss med å finne svake punkter i tankegangen vår tidlig – ikke en erstatning for ekte brukere senere.

Deretter går vi over til byggingen, som er der den gamle overleveringen pleide å finne sted. Som nevnt arbeider vi direkte med konseptet i felles materialer og verktøy, i det samme miljøet som vi bygger produktet i, i stedet for å designe på ett sted og skrive en spesifikasjon som noen andre skal bygge på nytt. En designer kan raskt lage en ekte, fungerende prototype, ikke bare et bilde av en slik prototype. Dette er viktig fordi vi nå vurderer produktets faktiske atferd, ikke en representasjon av den.

Deretter validerer vi med reelle tilbakemeldinger. Vi bruker AI til å moderere testrunder, slik at vi kan gjennomføre langt flere økter, mer konsekvent, enn en menneskemoderert plan ville tillatt. Billige, raske tilbakemeldinger kommer tidlig, og de mates direkte inn i det samme arbeidsartefaktet, ikke inn i en ny runde med spesifikasjoner. Fordi design, prototyping og utvikling bruker felles verktøy, er veien fra «vi lærte noe» til «produktet gjenspeiler det nå» kort. Samtalen handler om selve produktet i stedet for å oversette mellom dokumenter.

Gjennom hele prosessen er en person fortsatt ansvarlig for resultatet. AI utvider innspillene og gjør veien raskere, men vi beholder vurderingsevnen når det gjelder hva som er korrekt, i samsvar med regelverket og virkelig bra for noen som leverer under reelt stress. I et regulert domene er det akkurat slik det bør være.

Resultatet er at et lite team kan ta en idé fra et grovt konsept til fungerende programvare på noen uker, samtidig som oversettelsestapene og ventetiden som tidligere oppsto mellom fasene, elimineres.

Hvorfor AI har ansvar for veien frem til en beslutning, men ikke for selve beslutningen

Vi støtter oss mest på AI i de utforskende arbeidsfasene, der kostnaden ved å ta feil er lav, og verdien av å bevege seg raskt er høy.

I innsiktsfasen hjelper AI oss med å bli informert raskt. Den sammenstiller eksisterende kunnskap, identifiserer mønstre på tvers av forsknings- og kundestøttedata og gir oss et forsprang i forståelsen av et problem, i stedet for at vi må begynne helt fra grunnen.

I eksperimentering og prototyping gjør AI det mulig for oss å gå fra idé til noe som kan testes, på en brøkdel av tiden. Vi kan lage en fungerende prototype og bruke AI til å moderere enkelte brukertester, noe som gjør det mulig å gjennomføre flere økter, mer konsekvent, enn en menneskemoderert plan noen gang ville tillatt.

For UX-beslutninger gir AI en rask vurdering nummer to. Den hjelper oss med å stressteste flyter, gå gjennom atferdsdata og identifisere hvor brukere kan nøle eller falle fra. Den utvider innspillene en designer arbeider med.

Men selve beslutningen forblir menneskelig, og det er helt bevisst. AI er svært god til å fortelle oss hva som skjer, og hva som pleier å fungere. Den avgjør ikke hvilken opplevelse vi leverer til personen på den andre siden av skjermen. Prioritering og vurderinger av om en opplevelse er god, ærlig og respektfull overfor noen som leverer skattemeldingen under reelt stress, forblir vårt ansvar.

Jeg ser på det slik: AI utvider innspillene og gjør veien frem til en beslutning raskere. Den tar ikke beslutninger som krever sans for kvalitet, ansvarlighet eller omtanke for personen vi designer for.

Andy deler

Vi støtter oss mest på AI i de utforskende arbeidsfasene, der kostnaden ved å ta feil er lav, og verdien av å bevege seg raskt er høy. Jeg ser på det slik: AI utvider innspillene og gjør veien frem til en beslutning raskere. Den tar ikke beslutninger som krever sans for kvalitet, ansvarlighet eller omtanke for personen vi designer for.

Hvordan fordelene med AI også avdekker svakheter

Det tydeligste gode resultatet er hastighet. Vi lanserte en rekke produkter og funksjoner fra null til én i løpet av én skattesesong, som tidligere ville ha tatt langt lengre tid å få i gang, blant annet en spesialtilpasset Claude-kobling som vi satte opp på noen dager i stedet for måneder. AI-moderert testing gjorde det mulig for oss å gjennomføre langt flere runder, og å gjennomføre dem mer konsekvent, enn vi kunne med menneskelige moderatorer alene. Som et resultat kunne vi ta beslutninger basert på mer dokumentasjon tidligere.

Men det å bevege seg raskt avdekket alle svakhetene i prosessen vår. Uten de riktige sikkerhetsnettene førte hastigheten til merarbeid, og tempoet stilte store krav til teamet. AI forsterket styrkene våre og gjorde manglene våre tydeligere.

Det virkelige resultatet, som jeg ønsker at andre ledere skal merke seg, er at teamene som presterte godt, hadde et solid fundament fra før. AI er en akselerator. Den belønner gode prosesser og avdekker mangler. Derfor er det viktigere enn noen gang å bygge dette fundamentet, ikke mindre viktig.

Hvorfor AI sliter i komplekse produktsituasjoner

AI har tydeligst levert under forventning i den rotete mellomfasen av arbeidet, delen mellom en lovende prototype og noe du kan lansere med trygghet.

AI er virkelig fremragende til å få deg raskt frem til en første versjon. Den fullfører ikke den siste etappen. Jo lenger du kommer bort fra et ryddig, veldefinert problem, desto mer arbeid faller tilbake på mennesker. Grensetilfeller, komplekse skattesituasjoner som avviker fra den vanlige fremgangsmåten, og vurderinger av hva som er korrekt og i samsvar med regelverket, krever fortsatt den samme menneskelige innsatsen som alltid.

Det er den virkelige begrensningen. Du er bare så rask som den tregeste delen av prosessen din. Den tidlige hastigheten er reell, men den akkumuleres ikke som forventet fordi resten av systemet ikke endres i samme tempo.

Hvorfor AI fungerer best som en tenkepartner

Etter min erfaring leverer AI mest når den behandles som en tenkepartner, ikke en svarmaskin.

I et fagområde som vårt er nøyaktighet og ansvarlighet ikke valgfritt, så verdien ligger ikke i å generere et svar og gå videre. Den ligger i å bruke AI til å komme raskere frem til et mer grundig gjennomtenkt svar.

Når teamene våre bruker den til å utforske alternativer, utfordre sine egne resonnementer og bevege seg raskere gjennom deler de allerede forstår, fungerer den som en reell multiplikator.

Andy deler

I et fagområde som vårt er nøyaktighet og ansvarlighet ikke valgfritt, så verdien ligger ikke i å generere et svar og gå videre. Den ligger i å bruke AI til å komme raskere frem til et mer grundig gjennomtenkt svar.

Hvorfor produktledere må styre hvordan brukerne tar imot et AI-produkt

Den vanskeligste delen av å lansere AI er ikke teknologien; det er hvordan mennesker tar imot den.

Mitt første AI-produkt, i 2015, innebar automatisk foreslått medisinsk koding i helsesektoren. Systemet leste klinisk dokumentasjon og foreslo de riktige kodene, en oppgave profesjonelle medisinske kodere alltid hadde utført manuelt. Jeg fokuserte på om forslagene ville være nøyaktige. Jeg undervurderte spørsmålet koderne selv stilte i stillhet: Er dette her for å erstatte meg?

Den frykten former alt, enten du forholder deg til den eller ikke. Den viser seg som motstand, som stille manglende adopsjon, som at folk teknisk sett blir med på det, samtidig som de håper at det mislykkes. Og den var fullstendig rimelig.

Vi satte et verktøy foran folk som utførte en variant av jobben deres, uten først å forklare hva det betydde for dem, så de fylte stillheten med verst tenkelige scenario. Jeg lærte at du ikke kan overvinne den frykten med flere funksjoner. Ingen grad av nøyaktighet besvarer spørsmålet de faktisk stiller.

Jeg har tatt med meg den lærdommen inn i hvert AI-produkt siden. Du introduserer endringen og betydningen av endringen samtidig. Teknologispørsmålet er det enkle. Det menneskelige spørsmålet er der disse tingene lykkes eller mislykkes.

Hvorfor designsystemer må gjennomgås grundig

Hvis designsystemet ditt bare finnes i en designfil, blir hver AI-generering i selskapet litt feil i forhold til merkevaren, og noen må avstemme den senere. Dette avstemningsarbeidet er den nye kostnaden teamene i det stille betaler for å ikke ligge i forkant av dette.

Derfor bør du redesigne designsystemet slik at du slutter å behandle det som et referansedokument og begynner å behandle det som en kjøretidsartefakt — noe som lever inne i de faktiske verktøyene som genererer arbeidet.

Dette betyr mer enn et komponentbibliotek. Det betyr å pakke designtokens og komponenter slik at verktøy og team kan hente dem direkte inn i kode, distribuere dem som pakker som kan tas i bruk, og kombinere dem med tilhørende ferdigheter og beste praksis — reglene og konteksten et AI-verktøy trenger for å bruke systemet riktig. Når standarder, komponenter og kunnskap finnes der arbeidet utføres, kommer merkevaren til uttrykk allerede fra den første forespørselen, i stedet for å bli lagt til på slutten.

Når du lykkes, er designstandardene dine innebygd i alt selskapet leverer, uansett hvem som produserte det eller hvilket verktøy de brukte. Systemet slutter å være noe folk konsulterer i etterkant, og styrer i stedet stille kvaliteten i stor skala.

Hvorfor CPO-er må gjøre jobben selv

Rådet mitt er enkelt. Sett i gang. Gjør jobben selv, nå, med egne hender.

Mange ledere overlater instinktivt AI til teamene sine, venter på at beste praksis skal oppstå, og setter deretter retningen basert på det de lærer. Det fungerte ved tidligere omstillinger. Det fungerer ikke for denne. Utviklingen går for raskt, og avstanden mellom dem som bruker verktøyene og dem som diskuterer dem, øker hver uke. Hvis du foreskriver verktøy du aldri har åpnet, kan alle i rommet se det.

Jeg bruker mye av arbeidsuken min på å jobbe praktisk med disse verktøyene, delvis fordi jeg genuint liker arbeidet, men først og fremst fordi jeg mener at du ikke kan lede et team på en troverdig måte gjennom en endring du bare observerer. Ved å bygge med det lærer du hva som er virkelig, og hva som er haussing. Du gjør deg fortjent til å sette retningen og ta langt bedre beslutninger om hvor AI passer inn, og hvor det ikke gjør det.

Så slutt å behandle dette som noe du kan delegere og studere på avstand. Bruk reell tid på arbeidet. Lever noe lite. Kjenn etter hvor det hjelper, og hvor det svikter. Lederne som kommer best ut av dette, vil være de som engasjerer seg i dette øyeblikket, ikke de som venter på at det skal roe seg.

Følg med

Du kan følge Andy Vitales arbeid på andyvitale.com og på LinkedIn.

Flere ekspertintervjuer kommer på The CPO Club!