Grunnlegger og tidligere produktleder i Apple sier at prosessene for produktkravsdokumenter må gjennomgås — her er planen

Sonia Vora har vært produktsjef og direktør for produktledelse i ulike helseselskaper. Hun ledet også produktarbeidet for et par av Apples helseprodukter. Nå er hun grunnlegger av et AI-helseselskap.

Vi satte oss ned med Sonia for å lære hvordan hun bruker agenter i arbeidsflyter for produktledelse. Dette fortalte hun oss.

Fordypning i AI-helseprodukter

Hei, jeg heter Sonia. Jeg startet karrieren min innen strategirådgivning hos McKinsey og GoogleX. Deretter ble jeg direktør for produktledelse i ACKO Insurance, et direkte-til-forbruker-forsikringsselskap i India i serie D. Senere ble jeg produktsjef i Narayana One Health, en integrert behandlingsenhet i et sykehussystem i India. Jeg ledet også produktarbeidet for to helseprodukter hos Apple – Attain-appen (utviklet i samarbeid med Aetna Insurance) og Lumihealth (utviklet i samarbeid med myndighetene i Singapore). Jeg har også fått anerkjennelse på Forbes' 30 Under 30-liste.

I 2017, før transformermodeller og LLM-er, undersøkte jeg AIs påvirkning hos McKinsey og Google og utforsket ML-baserte muligheter for å forbedre pasientbehandlingen hos Apple og ACKO. Men jeg hadde ikke jobbet direkte med AI siden den gang. For rundt halvannet år siden innså jeg at AI ville omforme ikke bare bransjen min (helse), men også produktledelse. Jeg satte umiddelbart i gang flere initiativer:

1. Å lære meg det grunnleggende om AI på egen hånd.
2. Å integrere ChatGPT/Gemini i produktteamets daglige PM-arbeid. Dette omfattet å utvikle ledetekster for mer gjennomarbeidede PRD-er, idémyldring rundt PRD-er, gjennomføre undersøkelser med Deep Research og bruke ChatGPT og Gemini til å gi tilbakemeldinger på design og avdekke UX-problemer.
3. Å eksperimentere med verktøy som Lovable for raskt å lage prototyper og innhente UX-tilbakemeldinger fra brukere og kjøpere.

Nå er jeg grunnlegger av Alongside Health, et AI x helse-selskap. Jeg har kombinert LLM-enes naturlige språkfunksjoner med deterministiske protokoller for å automatisere klinisk behandling. For å utvikle de første pilotene bruker jeg Claude Code daglig til å utforme deterministiske systemer og lansere agenter som pilotkundene våre kan teste. Jeg utvikler også prototyper og nettstedet vårt direkte med Claude Code.

Sonia deler

Produktledere må tenke helt nytt om systemet der produktledere skriver en PRD, overleverer den til design og deretter til utvikling.

Slik endrer AI PRD-prosessen

Produktledere må tenke helt nytt om systemet der produktledere skriver en PRD, overleverer den til design og deretter til utvikling. Målet er å fremskynde hele denne syklusen, hindre at PM-er og designere blir flaskehalser på grunn av utviklingsteamet, og involvere utviklingsteamet tidligere, der ekspertisen deres trengs mest.

Folk går frem på ulike måter, men jeg ser to tiltak med stor effekt og lav terskel:

1. Fremskynd den innledende «PRD-gjennomgangen» og idéutviklingen ved å tilby prototyper bygget med Claude, først av PM-er og deretter videreutviklet av designere. Dette gir utviklere et konkret grunnlag for å lage designdokumenter for nye funksjoner, i stedet for å starte med lange, skriftlige krav.
2. For en eksisterende funksjon har jeg funnet det nyttig å gi PM-er og designere full tilgang til å gjøre bestemte endringer og sende inn PR-er – så lenge disse endringene ikke påvirker arkitekturen grunnleggende. Hvis dere har en god kodegjennomgangsprosess, vil dere forhindre mye rotete ny kode når PM-er og designere sender inn endringer.

Personlig skriver jeg ikke lenger lange PRD-er på forhånd som prøver å håndtere alle unntakstilfeller. I stedet samarbeider jeg umiddelbart med Claude for å utdype det første kravdokumentet mitt gjennom spørsmål-og-svar-samtaler.

Deretter bruker jeg dette dokumentet som utgangspunkt for Claude Code og bruker den faktiske prototypen til å finne unntakstilfeller og integrere disse kravene tilbake i PRD-dokumentet med Claude før lansering.

Som et resultat produserer jeg arbeid av langt høyere kvalitet på samme tid. Jeg har en tankepartner og diskusjonspartner som hjelper meg med å være grundig, utforske alternativer raskere og undersøke nyttige ressurser på nettet.

Hvorfor eksperimentering er AIs superkraft

Jeg skal bryte ned hvordan jeg bruker AI innen produktledelse:

• Problemoppdagelse: AI er minst nyttig her fordi den ikke kjenner brukernes problemer i den virkelige verden. AI kan danne hypoteser, men disse er ikke basert på førstehånds erfaring og vil ikke avdekke sannheter som ikke er omforente. Ingenting kan måle seg med å sitte sammen med en bruker og forstå tankene deres.
• Prioritering: På samme måte kan AI tilby en «sunn fornuft»-basert første gjennomgang av prioriteringen, men den mangler reelle tilbakemeldinger fra brukere og produktforståelse, så du må følge AI nøye på dette området.
• Designsans og UX-beslutninger: AI tilbyr en god første gjennomgang, men den forstår ikke brukerne dine eller målene deres; den etterligner bare eksisterende flyter. Du må nøye vurdere det «menneskelige» elementet som hjelper brukerne med å utføre oppgavene sine. Jeg har iterert omfattende på UX for å sikre konsistens, ta hensyn til komponenter og oppnå en informasjonsarkitektur som virkelig samsvarer med brukernes forventninger og mål. Det er som å la en utvikler med fantastiske front-end-biblioteker utforme hver eneste skjerm – noen ganger ser det flott ut, men det hjelper ikke brukerne med å forstå hvordan de enkelt skal fullføre oppgavene sine.
• Planlegging: Dette er et område der AI utmerker seg ved å lage en første gjennomgang. Med tilstrekkelig kontekst kan den effektivt utvikle innledende tidsplaner og bistå med planleggingstaktikker. Jeg liker Linear spesielt godt.
• Identifisering av avveininger og konsekvensene av designbeslutninger: Kodeagenter gjør ofte ikke dette med mindre de blir bedt uttrykkelig om det. Når de får en slik instruksjon, presenterer de imidlertid effektivt flere fordeler, ulemper og interne diskusjoner, noe som hjelper deg med å tenke grundigere gjennom konsekvensene. Jeg finner fortsatt ofte mangler i RCA og idémyldring med kodeagenter, men noen ganger trekker de også frem poeng jeg ikke hadde vurdert med en gang.
• Eksperimentering: Dette er AIs virkelige superkraft. Fordi du kan bygge konsepter så raskt, kan du prøve mange forskjellige ting, oppleve produktet og deretter iterere basert på det du finner ut.

Slik kan AI støtte evalueringsarbeidsflyter

Her er et eksempel på en AI-arbeidsflyt jeg bruker i produktledelsen min.

Jeg brukte Claude til å lage et skript for en prosess der jeg for hver nye produktversjon ber OpenAI eller Gemini (via API-kall) om å etterligne en pasientpersona og svare agenten min i en simulert chat.

Jeg genererer pasientpersonaer fra et skript som oppretter alle protokollgrener og tester hver av dem. Skriptet innlemmer også personlighetstyper fra vår forskningsbaserte generator. Etter at hver persona har samtalt med den nye agentversjonen, ber vi Gemini eller OpenAI om å evaluere samtalen opp mot våre 10 evalueringskriterier og gi bestått/ikke bestått-resultater.

Deretter gjennomgår jeg evalueringsresultatene, lager en liste over foreslåtte endringer for å løse Claudes problemer, lanserer en ny agentversjon og kjører hele prosessen på nytt.

Jeg brukte Claude Code til å bygge frontenden, der jeg kan se evalueringsresultatene, de simulerte samtalene og de simulerte pasientpersonaene.

Det har vært til stor hjelp, men med et forbehold: AI er fortsatt ekstremt stokastisk. Jeg har hatt problemer på områder som krever pålitelighet. For eksempel gir AI ved evalueringer som denne, der en LLM fungerer som dommer, ofte bestått i én kjøring og ikke bestått i en annen, noe som er et stort problem.

Du kan utforme løsningen for å redusere inkonsekvens, men du må også alltid utforme den slik at den fanger opp potensielle feil fra AI.

Slik kan produktledere slutte å føle seg skremt av Claude Code

I begynnelsen følte jeg meg skremt av tanken på å bruke Claude Code effektivt som ikke-utvikler, særlig fordi de fleste brukte det i terminalen.

Men jeg begynte å bygge. Jeg behandlet Claude/Cursor som en junioransatt som trengte mye idémyldring og tett oppfølging, og det hjalp meg med å lære om de potensielle problemene ved koding i Claude-stil. Nå forebygger jeg dem i arbeidsflyten min.

Claude kan for eksempel virke «glemsk» fordi den komprimerer informasjon for å få plass i kontekstvinduet. For å omgå dette ber jeg den nå alltid skrive ned en plan og referere til den før den bygger noe, akkurat som du ville gjort med et ekte menneske – vi er også glemske!

Claude er nå spesielt enkel å bruke fordi modellene har blitt betydelig bedre. Selv med ufullstendig kontekst kan den, hvis du ber den stille spørsmål, ha en samtale med deg for først å utarbeide en omfattende plan. Deretter kan den gjennomføre mer pålitelig, slik at du i mindre grad trenger å bekymre deg for grunnarbeidet.

Hvorfor kodeagenter ikke er noen mirakelkur

Alle kan være en utvikler nå, med kodeagenter. Derfor bør vi holde ekspertene fokusert på det som bare de gjør godt, og la alle andre gjøre de enkle tingene. Tankesettet om at «alle er utviklere», er svært viktig.

Men det er verdt å merke seg at kodeagenter ikke kan fikse feil på magisk vis uten menneskelig inngripen. Ofte mangler kodeagenter sunn fornuft eller designkontekst, noe som fører til at de finner feil rotårsak eller løser problemer på feil måte.

Med litt instruksjon fungerer de mye bedre, men kontekstuelle begrensninger kan på en subtil måte føre til lat utførelse eller tankegang.

Det har likevel redusert utviklingstiden enormt, men det krever fortsatt betydelig omtanke å lansere et godt produkt.

Slik holder du tritt med AI-utviklingen

Begynn å bruke disse verktøyene i det virkelige arbeidet ditt nå! Jo senere du tar dem i bruk, desto mer vil du sakke akterut for kolleger som allerede har optimalisert arbeidsflytene sine med disse agentene.

Mens du gjør det, bør du ha et åpent sinn når det gjelder AI-styrker og -svakheter — og erkjenne at dette endrer seg nesten hver måned.

Eksperimenter. Bruk Claude Code eller andre verktøy i det daglige arbeidet ditt for å forstå modellenes styrker og svakheter. Hvis du bruker bare 30 minutter daglig på en oppgave, er det sannsynligvis verdt å investere én eller to timer i å automatisere den — den tiden vil gi stadig større gevinst.

Prøv flere LLM-chatverktøy når du leter etter svar, slik at du kan se hvordan ulike leverandører og modeller svarer. Og endre «dietten» din på LinkedIn for å holde deg oppdatert på personer som bruker AI til å bli best mulig som PM-er.

Alle føler seg overveldet akkurat nå, og det er helt greit. Jeg snakker med AI-fagfolk på heltid som føler seg overveldet — vær snill mot deg selv og feir små seire mens du holder tritt med AI-utviklingen.

Følg med videre

Du kan komme i kontakt med Sonia Vora på LinkedIn.

Det kommer flere ekspertintervjuer på The CPO Club!