Produktchef och med-VD delar varför det är en helt annan sak att bygga AI-produkter

Andrei Rebrov har byggt produkter hela sitt liv och är med-vd för Finsi, där han integrerar AI i varje del av företagets produktstrategi – både för teamet och deras kunder.

Vi frågade Andrei hur AI förändrar både produktledning och produktstrategi. Här är vad han berättade.

Integrera AI i produktstrategin

Jag heter Andrei Rebrov och är med-vd för Finsi. Under min resa inom produktledning har jag haft ett starkt fokus på att bygga finansteknik som verkligen hjälper människor.

På Finsi leder jag produktorganisationen bakom en AI-driven tillväxtplattform för e-handelsvarumärken. Produkten är en B2B SaaS-lösning för DTC- och prenumerationsbaserade e-handelsaktörer – från framväxande varumärken med en omsättning under 5 miljoner dollar till större små och medelstora företag. Vår plattform integreras med över 50 verktyg, däribland Shopify, Klaviyo, Meta Ads, Google Ads och Recharge, och samlar data från hela e-handelsstacken. Den använder dessutom fem AI-agenter som hanterar intäktsanalys, annonsautomatisering, kundlojalitet och e-post, SEO samt kundundersökningar.

Leveransmodellen är helt webbaserad SaaS, och vårt centrala värdeerbjudande är att sluta gapet mellan analys och genomförande: Vi visar inte bara insikter, utan bygger och lanserar kampanjerna, flödena och segmenten åt våra användare.

I mitt arbete på Finsi har jag legat i framkant när det gäller att integrera AI i vår produktstrategi – och undersökt hur AI kan effektivisera finansiella tjänster, förbättra användarupplevelser och möjliggöra smartare beslutsfattande i stor skala.

Det här skedet av AI-omställningen inom produktledning känns både spännande och avgörande. Jag ser fram emot att dela med mig av de lärdomar och perspektiv jag har fått längs vägen.

Så förändrar AI processerna för produktprioritering

Produktledare behöver göra om sin process för produktprioritering. Nästan alla team jag känner prioriterar fortfarande med hjälp av kalkylblad, subjektiva poängmodeller och kvartalsvisa planeringsrutiner som utformats för långsamma och kostsamma utvecklingscykler.

AI förändrar båda sidorna av ekvationen: Det gör utvecklingen snabbare (så att ni kan validera fler satsningar), och det kan bearbeta betydligt fler signaler än någon människa – användningsdata, supportfeedback, mönster för kundbortfall, konkurrenssignaler och kundintervjuer – för att avgöra vad som är viktigt.

Vi gjorde om vår prioriteringsprocess kring ett kontinuerligt AI-baserat signallager. Vi automatiserar extraheringen av uppgifter från Granola-transkript så att vi inte glömmer vad vi har åtagit oss. I stället för en kvartalsvis färdplansövning underhåller vi en levande backlogg där varje punkt märks med data från flera källor – frekvensen av kundfeedback, uppskattad intäktspåverkan, konkurrensmässig angelägenhetsgrad och engagemangsmönster. Vår AI visar varje vecka en rangordnad vy av denna backlogg och uppdaterar den när signalerna förändras.

Våra produktledare fattar fortfarande de slutliga besluten, men de utgår från en betydligt rikare och mer dynamisk bild än tidigare.

Resultatet: Vi har halverat tiden från att en möjlighet identifieras till att en lösning lanseras, och vi har byggt betydligt färre lösningar som ingen använder.

Varför AI behöver en stabil grund i produktstrategin

Det är viktigt att påpeka att AI inte kan laga en trasig produktstrategi – den förstärker bara den strategi ni redan har.

Om ni löser rätt problem för rätt användare kommer AI att hjälpa er att göra det snabbare och i större skala. Men om er centrala produkthypotes är felaktig kommer AI att påskynda er väg mot fel destination.

Jag har sett detta på nära håll. Tidigt när vi byggde Finsi övervägde vi att lägga till AI-funktioner eftersom de var imponerande och tekniskt genomförbara – rekommendera åtgärder, förutsäga kundbortfall och generera innehåll. Men inget av detta hade spelat någon roll om vi först inte tydligt hade förstått den grundläggande insikten: E-handelsaktörer har inte ett analysproblem, utan ett genomförandegap. Först när vi hade validerat detta blev AI rätt verktyg.

När ni arbetar med AI behöver ni samma disciplin som i allt bra produktarbete – rigorös problembeskrivning, djup användarförståelse och ärlig prioritering. AI höjer insatserna inom alla dessa områden, eftersom utvecklingstakten innebär att ni kan bygga och lansera fel sak mycket snabbare än någonsin tidigare.

Så vässade en Claude Code-funktion produktfokuset

En avgörande förändring för oss var att implementera en Claude Code-funktion kallad "Merchant Advocate" för våra kodningsagenter.

Jag gav Claude kontext om Finsis uppdrag och produktfokus, samt en sammanfattning av transkriptioner från Granola. Nu när vi får ett nytt krav kör vi det genom den funktionen, och den hjälper oss att hålla fast vid vårt kärnuppdrag: att leverera programvara som minskar handlarnas arbete.

Vi tog bort många möjliga funktioner från vår färdplan tack vare detta enkla steg i våra arbetsflöden.

Varför Cursor är avgörande för snabb produktprototypning

Cursor förändrade hur vårt utvecklingsteam levererar — inte bara genom att skriva kod snabbare, utan genom att minska avståndet mellan produktidéer och implementering.

När jag kan beskriva en funktion på naturligt språk och se en fungerande prototyp på några minuter förändrar det i grunden hur vi validerar idéer. Det gör hela produktutvecklingsloopen snabbare och mer experimentell.

Här är ett exempel. Vi ville testa ett gränssnitt för en "veckovis informationsöversikt" för en av våra produkters agenter. I stället för att specificera det i Figma och vänta på en sprint beskrev vi layouten och datastrukturen för Cursor på vanlig svenska och hade en fungerande prototyp ansluten till våra testdata inom några timmar. Därefter testade vi den på tre kunder samma dag och fick feedback som förändrade den slutliga designen innan vi hade skrivit en enda rad produktionskod.

Varför människor ansvarar för det avgörande och relationella

Vi har medvetet definierat AI:s och människors roller i våra produktprocesser.

AI driver vår datasammanställning, mönsterdetektering, avvikelseidentifiering och genomförande — till exempel genom att automatiskt upptäcka signaler på kundbortfall, omfördela annonsbudgetar, skapa e-posttexter i ett varumärkes röst och distribuera Klaviyo-flöden. Det här är frekventa, dataintensiva uppgifter där AI konsekvent överträffar människor i hastighet och skala.

AI bidrar också till vår prioritering genom att identifiera rekommendationer som ger störst intäktseffekt i hela vår kundbas, vilket hjälper oss att förstå var vi ska fokusera produktutvecklingen.

Människor fattar däremot uttryckligen beslut som kräver omdöme, etik och strategisk kontext.

Det innebär att produktvisionen och riktningen för färdplanen fortfarande är mänskliga — vi måste förstå inte bara vad data säger, utan också vilken typ av företag vi vill bygga och våra kunders djupare ambitioner. UX-beslut leds fortfarande av människor, eftersom empati och intuition kring användarnas känslor ännu inte kan automatiseras på ett tillförlitligt sätt. Och alla beslut som riskerar en kunds verksamhet — som en större omfördelning av annonsutgifter — kräver mänskligt godkännande före genomförandet.

Vår operativa princip är: AI hanterar det repetitiva och analytiska; människor ansvarar för det avgörande och relationella.

Varför AI har svårt att förstå kunder på djupet

Det är framför allt när det gäller djup kundförståelse som AI inte har levt upp till våra förväntningar. Till en början trodde vi att AI på ett tillförlitligt sätt kunde sammanställa kvalitativa signaler — supportärenden, recensioner och enkätsvar — och omvandla dem till användbara produktinsikter med minimalt mänskligt deltagande. I praktiken är AI mycket bra på att kategorisera och gruppera feedback i stor skala, men missar konsekvent nyanserna i kundernas känslor, särskilt inom nischade e-handelssegment med specifika kulturella eller operativa sammanhang. AI hittar ofta verkliga mönster, men att tolka dem kräver fortfarande en människa som verkligen förstår kundens värld.

Vi har också upptäckt att AI-genererat kreativt material — annonstexter och ämnesrader för e-post — visserligen är snabbt och användbart som utgångspunkt, men sällan når upp till resultatet hos texter som skapats av någon som verkligen känner till varumärkets röst och målgrupp. Det påskyndar produktionen, men ersätter ännu inte genuint kreativt omdöme.

Slutligen förväntade vi oss att AI skulle förbättra vår interna process för produktupptäckt på ett meningsfullt sätt, men den har inte förkortat tiden det tar att identifiera verkligt nya kundbehov — den hjälper oss att bearbeta befintlig information, men de mest värdefulla insikterna kommer fortfarande från direkta, ostrukturerade samtal med kunder som inget AI-verktyg ännu har kunnat återskapa eller ersätta.

Andreis tankar

AI är utmärkt på att kategorisera och gruppera feedback i stor skala, men missar konsekvent nyanserna i kundernas känslor.

Hur datakvalitet påverkar utvecklingen av AI-produkter

När jag började arbeta med AI insåg jag inte hur viktig datakvaliteten är eller hur lång tid det tar att få den rätt.

När vi byggde Finsis AI-agenter antog vi att anslutningar till Shopify, Klaviyo och annonsplattformar skulle ge oss rena och tillförlitliga data. Verkligheten var betydligt rörigare. Olika varumärken strukturerar sina data på olika sätt, spårar olika händelser, använder olika namnstandarder och har luckor och inkonsekvenser i sina historiska register. Vi lade betydligt mer tid än väntat på datapipelines för normalisering, deduplicering och validering innan AI:n började ge tillförlitliga rekommendationer.

Om jag hade vetat detta från början skulle jag ha investerat tidigare och mer omfattande i datainfrastruktur, i stället för att skynda mig att bygga AI-lagret ovanpå en instabil grund.

Varför användarnas förtroende måste beaktas med AI-produkter

Om jag fick börja om med vår produkts AI-agenter skulle jag hantera användarnas förtroende på ett annat sätt.

Inledningsvis utformade vi våra AI-agenter för att vara ganska autonoma – de presenterade rekommendationer som användarna enkelt kunde godkänna och genomföra med ett enda klick. Användarna tvekade, även när rekommendationerna var bra. De behövde förstå ”varför” bakom varje förslag innan de kände sig bekväma med att agera. Därför byggde vi in förklarbarhet i produkten efter lanseringen, men det hade varit mycket bättre att utforma den för transparens från dag ett.

Förtroende är inte en funktion som du kan lägga till senare – det måste vävas in i kärnupplevelsen.

Varför AI gör valmöjligheter och konfigurerbarhet mindre viktiga för användarna

AI tvingade mig också att överge antagandet att en bra produkt innebär att ge användarna kontroll och möjlighet att konfigurera den.

I flera år var den konventionella uppfattningen inom B2B SaaS att avancerade användare vill ha flexibilitet – fler inställningar, fler instrumentpaneler och fler sätt att anpassa sin upplevelse. Vi byggde de tidiga versionerna av Finsi utifrån det antagandet och lät operatörerna konfigurera sina egna instrumentpaneler, ange sina egna KPI-tröskelvärden och anpassa vilka mätvärden de följde. Men när vi började lägga till AI upptäckte vi motsatsen: Våra mest framgångsrika användare ägnade mindre tid åt konfigurering och mer tid åt att agera på AI:ns rekommendationer.

Operatörer som ville finjustera varje inställning fick ofta ut minst värde, eftersom de optimerade verktyget i stället för sin verksamhet. AI visade att våra användare behövde mindre kognitiv belastning och större säkerhet i vad de skulle göra härnäst. Det tvingade oss att förenkla produkten avsevärt, ta bort mycket av den konfigurerbarhet vi hade byggt in och i högre grad förlita oss på tydligt utformade, AI-drivna standardinställningar.

Det var en kontraintuitiv lärdom: Ibland är det bästa produktbeslutet att ta bort val från användarna i stället för att lägga till fler.

Varför en verklig AI-transformation kräver att man tänker om kring en produkts värdekedja

De flesta ”AI-drivna” produkter är inte AI-produkter – de är funktionsskal med en LLM påklistrad, och marknaden kommer till slut att genomskåda dem.

En verklig transformation av en AI-produkt kräver att man tänker om kring hela värdekedjan, inte att man infogar ett GPT-anrop i ett befintligt arbetsflöde. De företag som kommer att lyckas är inte de som lade till AI snabbast, utan de som använde AI för att ifrågasätta alla antaganden om hur deras produktkategori fungerar.

Varför produktledare måste välja ett litet antal satsningar med stor hävstång

Motstå två lika farliga impulser:

1. Driften att införa AI överallt på en gång
2. Driften att vänta tills saker och ting känns mer säkra

Produktledare som kommer att lyckas väljer ut ett litet antal satsningar med stor hävstång, går på djupet och bygger upp genuin organisatorisk AI-kompetens — inte bara kännedom om verktyg. Börja med de problem som kostar er mest: tid som går förlorad på manuellt arbete, beslut som fattas utan tillräckligt med data och funktioner som tar för lång tid att lansera eller validera. Använd AI för att lösa just dessa problem.

Och var ärlig mot era team om vad AI innebär för dem. Ledare som låtsas att AI inte kommer att förändra roller och ansvarsområden kommer att förlora förtroende; de som har öppna och genomtänkta samtal om hur AI förstärker mänskligt omdöme kommer att bygga kulturer som kan anpassa sig.

Optimera slutligen inte för att se AI-infödd ut — optimera för resultat. Den bästa AI-produktstrategin skapar mätbart värde för användarna, inte den mest imponerande demon. Håll fokus på problemet, så kommer rätt användning av AI att följa.

Andreis tankar

Produktledare som kommer att lyckas väljer ut ett litet antal satsningar med stor hävstång, går på djupet och bygger upp genuin organisatorisk AI-kompetens.

Följ med

Du kan komma i kontakt med Andrei Rebrov på LinkedIn. Besök också Finsi.

Fler expertintervjuer kommer på The CPO Club!