Dessa arbetsflöden behöver verkligen en AI-uppdatering, säger global produktledare

Tony Pagliocco är biträdande chef för global produktledning på Aldar, där han ansvarar för produktstrategi, operativa ramverk och arbetssätt i 24 produktdrivna team.

Han och hans team fokuserar på att bygga in AI direkt i sina produktarbetsflöden. Därför satte vi oss ner med honom för att ta reda på vilka arbetsflöden han för närvarande optimerar och hur han säkerställer att de används i hela organisationen. Här är vad han sa.

Komplexa problem i stor skala

Jag har ägnat de senaste 20+ åren åt att bygga och skala digitala produkter inom olika branscher, från media och spel till flyg, logistik och nu fastigheter här i Förenade Arabemiraten. Jag löser konsekvent komplexa problem i stor skala och bygger team som skapar resultat.

Tidigare i karriären arbetade jag mycket praktiskt — lanserade produkter och lärde mig att genomföra arbetet. Därefter ledde jag större produktorganisationer och drev omvandling på företagsnivå. Ett av de mest formativa kapitlen var på Boeing, där jag ledde produktarbetet för digitala plattformar för smarta fabriker som stödde programmen 777 och 787. Vi arbetade med datamiljöer på flera petabyte och tillämpade NLP och datorseende på arbetsflöden inom tillverkning och leveranskedjor. Vi byggde system för att förutsäga problem, optimera verksamheten och arbeta i global skala. Den erfarenheten formade hur jag ser på data, plattformar och nu AI.

På Aldar är AI djupt integrerat i det vi bygger, från plattformar för smarta städer och digitala tvillingar till verktyg för översiktsplanering och genomförbarhetsanalyser. Vi använder AI för att simulera, förutsäga och optimera beslut långt innan något byggs fysiskt, vilket förändrar hur verksamheten fungerar i grunden.

Det här är en brytpunkt. Vi går från att bygga programvara till att bygga intelligenta system — och produktledningens roll förändras från att hantera färdplaner till att samordna data, AI och verkliga resultat i stor skala.

Att leda produktstrategin

I dag är jag biträdande chef för global produktledning på Aldar och rapporterar till vår digitaliseringschef. Där leder jag produktstrategi, operativa ramverk och arbetssätt i 24 produktdrivna team.

Våra team täcker ett brett ekosystem som omfattar fastighetsförsäljning, detaljhandel, kommersiella fastigheter, bostäder, lojalitet och marknadsföring, e-handel, hotellverksamhet och IoT för smarta städer — och vår flaggskeppsplattform Live Aldar utgör grunden för allt. Vi stödjer både kundinriktade upplevelser och interna plattformar, med ett starkt fokus på att koppla samman allt till en sömlös resa från början till slut.

För leveransen arbetar vi genom tvärfunktionella team som är anpassade efter verksamhetens resultat, samtidigt som vi investerar i gemensamma plattformar för exempelvis identitet, betalningar, data och AI för att kunna skala i hela ekosystemet. Min roll är att säkerställa konsekvens i hur vi bygger, samtidigt som varje område får möjlighet att arbeta snabbt och skapa resultat.

Varför AI kräver en stabil grund

Tonys tankar

Team som har svårt att lyckas med AI försöker vanligtvis lägga det ovanpå bristfälliga grunder.

Här är det första som behöver sägas: AI är inte en funktion. Det är en förmåga som förändrar hur hela din produkt och organisation fungerar.

Många team närmar sig AI som vilken annan förbättring som helst — de lägger till en chattbot, automatiserar ett arbetsflöde eller förbättrar en funktion. Det tankesättet begränsar effekten. Den verkliga förändringen är att AI påverkar hur beslut fattas, hur produkter byggs och hur värde skapas.

Det synliggör också grunderna. Om dina data är fragmenterade, dina arbetsflöden otydliga eller ditt produkttänkande svagt kommer AI att förstärka dessa problem. Team som har svårt att lyckas med AI försöker vanligtvis lägga det ovanpå bristfälliga grunder.

Det verkliga arbetet handlar om att säkerställa att AI får rätt indata, struktur och skyddsräcken. Utan detta kan resultaten se bra ut på ytan men sakna den tillförlitlighet som krävs för verklig användning i produkter. Om jag hade känt till det från början skulle jag tidigare ha investerat i att rensa upp data, definiera problemområdet tydligare och sätta starkare gränser för hur AI får användas i produkten.

Detta skulle ensamt ha sparat tid genom att undvika orealistiska förväntningar. Det finns ofta en press att agera snabbt och visa upp AI, men utan rätt grundförutsättningar tvingas man iterera mer än nödvändigt — eller ännu värre, förlorar användarnas förtroende.

Så innan de sätter igång måste ledare fråga sig: "Har vi data, en operativ modell och den produktdisciplin som krävs för att dra nytta av detta?"

Så förändrar AI produktutvecklingsprocessen

En av de största förändringarna vi har gjort under det senaste året är att gå från statisk, dokumenttung produktutveckling till AI-assisterad, kontinuerlig upptäckt och leverans.

Traditionellt byggde vår process på strukturerade artefakter — PRD:er, affärsunderlag och forskningsdokument — som tog mycket tid att ta fram och ofta snabbt blev inaktuella. Vi introducerade AI direkt i det arbetsflödet för att sammanställa kundfeedback, analysera supportärenden, generera inledande produktkrav och till och med utmana antaganden under upptäcktsfasen.

Detta förändrade snabbheten och kvaliteten i beslutsfattandet. Produktchefer börjar inte längre från noll; de börjar med insikter. Vi ser snabbare cykler från idé till validering, bättre samsyn mellan intressenter och en mer datainformerad prioritering.

Det förändrade också hur våra team arbetar. I stället för att AI är ett separat verktyg är det nu integrerat i de dagliga arbetsflödena, oavsett om det handlar om att generera hypoteser, sammanfatta data eller påskynda leveransen. PM:ens roll har skiftat något, från skapare till kurator och beslutsfattare.

Så kan produktupptäckt omformas med AI

Av hela produktlivscykeln är det dock upptäcktsfasen som behöver omformas mest.

Historiskt sett var upptäcktsarbetet långsamt, manuellt och starkt beroende av små urval — intervjuer, enkäter och begränsad dataanalys. Med AI håller den modellen inte längre. Nu kan vi bearbeta enorma mängder kundfeedback, beteendedata och signaler nästan i realtid.

Men de flesta team arbetar fortfarande med upptäckt som om det vore 2015.

Vi började med att integrera Jira Product Discovery i vårt arbetsflöde för att bättre strukturera idéer, insikter och prioriteringar. Det gav oss en stabil grund, men vi ökade verkligen tempot när vi lade till Rovo AI-agenter och kopplade dem till vårt bredare ekosystem — dokumentation, tekniska utformningar, Figma och andra leveransverktyg.

Dessutom integrerade vi kontinuerliga dataströmmar — enkätresultat, loopar för kundfeedback, data från kontaktcenter och produktanalys — och matade in allt i ett enda upptäcktsflöde.

Nu kan teamen, i stället för att manuellt sammanfoga indata, snabbt sammanställa signaler, generera inledande krav och koppla upptäcktsarbetet direkt till genomförandet. Avståndet mellan ”insikt” och ”leverans” har minskat betydligt.

Detta leder till snabbare cykler och bättre kvalitet. Teamen utgår från en mer informerad grund, med bättre samsyn mellan produkt, design och teknik.

Varför AI informerar produktaktiviteter, men människor fattar besluten

Vi använder AI offensivt för skala, snabbhet och mönsterigenkänning — upptäckt, dataanalys och tidig idéutveckling. Det är nu vår utgångspunkt som standard, inte längre något extra.

AI sammanställer kundfeedback, supportärenden och beteendedata på några minuter, formar hypoteser och genererar till och med krav i ett första utkast. I vårt arbete med smarta städer och digitala tvillingar använder vi det också för att simulera scenarier, vilket hjälper teamen att undersöka beslut om planering och genomförbarhet innan något byggs.

Men vi är mycket tydliga med var AI:s gräns går.

Prioriteringar, beslut om färdplanen, UX-nyanser och avvägningar förblir mänskliga eftersom det är där sammanhang, erfarenhet och ansvar spelar roll. AI förstår inte strategi, politik eller risk på ett meningsfullt sätt. Det kan ge underlag för beslut, men bör inte fatta dem.

Vi använde till exempel AI för att analysera kundfeedback och supportärenden som underlag för prioriteringar. Modellen identifierade mönster och lyfte effektivt fram problem som nämndes ofta, men den kunde inte skilja mellan det som var högljutt och det som var viktigt. Problem med liten påverkan fick för stor representation helt enkelt eftersom kunder rapporterade dem oftare, medan mer kritiska men mindre frekventa problem fick för liten vikt.

Det saknades också sammanhang kring kundresan – varför något hände, inte bara att det hände. Mänskligt omdöme var avgörande för att tolka signalen korrekt.

Ur ett förtroendeperspektiv avfärdade intressenter snabbt sådant som AI lyfte fram om det inte stämde överens med deras intuition. Så enbart korrekthet räckte inte – det behövde gå att förklara och stämma överens med den verkliga kontexten.

Varför produktchefer måste vara försiktiga med att förlita sig för mycket på AI

Snabbhet och genomströmning är de största fördelarna med AI. Produktchefer går från idé till validerad riktning betydligt snabbare; sådant som tidigare krävde dagar av syntes och utformning sker nu på timmar. Över teamen uppskattar jag att hastigheten ökar med 30–50 % i de tidiga faserna av upptäckts- och dokumentationscykler.

Kvaliteten har också förbättrats. AI hjälper team att börja från en mer välinformerad utgångspunkt genom att samla in kundsignaler, lyfta fram mönster och minska blinda fläckar. Det leder till bättre initiala hypoteser och mer datainformerade diskussioner med intressenter.

Å andra sidan är överdrivet beroende den största risken jag har sett. Vissa team behandlade inledningsvis AI:s resultat som ”svar” i stället för underlag, vilket ledde till ytligt tänkande eller generiska lösningar. Vi var tvungna att aktivt coacha teamen att ifrågasätta och förfina det AI producerar i stället för att bara acceptera det.

Det finns också en skillnad i konsekvens. AI är bara så bra som den kontext du ger den. Erfarna produktchefer får exponentiellt större värde eftersom de vet hur de ska vägleda den. Mindre erfarna produktchefer kan få problem eller producera brusiga resultat.

Sammanfattningsvis är fördelarna verkliga. Snabbare cykler, bättre utgångspunkter – men bara med ett starkt produktperspektiv. Annars kommer du bara fram till fel svar snabbare.

Varför automatisering från början till slut gör produktchefer besvikna

Tidigt antog jag att AI på ett meningsfullt sätt kunde styra beslut om produktplanen eller ta fram lösningar av hög kvalitet som var redo att lanseras. I verkligheten är det den genererar ofta användbart på en övergripande nivå, men fortfarande generiskt. Det saknar den affärskontext, kundnyans och de avvägningar som erfarna team gör varje dag.

Automatisering från början till slut är ett annat område där det ännu inte har infriat förväntningarna. AI-agenter har stor potential när det gäller att köra arbetsflöden eller ersätta delar av leveransen, men i praktiken krävs fortfarande omfattande mänsklig övervakning för att det ska vara tillförlitligt i stor skala.

Skillnaden ligger alltså mellan förväntan och verklighet. AI är otroligt kraftfullt som en accelerator, men det ersätter inte produktomdöme – och team som behandlar det som en ersättare blir ofta snabbt besvikna.

Tonys tankar

AI är otroligt kraftfullt som en accelerator, men det ersätter inte produktomdöme – och team som behandlar det som en ersättare blir ofta snabbt besvikna.

Varför produktchefer måste gå från kontroll till förtroende med AI

Produktkvalitet kommer inte längre från strikt kontrollerade, deterministiska upplevelser. Vi måste släppa föreställningen att den gör det.

Traditionellt utformade vi produkter för att bete sig förutsägbart – tydliga flöden, definierade resultat och kartlagda specialfall. Med AI, särskilt generativ AI, introducerar du variation som standard. Samma indata kanske inte alltid ger exakt samma utdata, och det förändrar hur du ser på kvalitet.

Det tvingar fram en förskjutning från ”Är detta perfekt definierat?” till ”Är detta tillförlitligt användbart och inom acceptabla gränser?”

Det är en stor förändring i tankesättet. Du utformar inte längre varje utfall – du utformar system med skyddsräcken, återkopplingsloopar och sätt att kontinuerligt förbättras. Det innebär också att omfamna en viss grad av ofullkomlighet, så länge värdet finns där och riskerna hanteras.

Så jag gick från kontroll till förtroende – jag litade på att systemet skulle fungera inom givna gränser i stället för att försöka definiera alla möjliga utfall på förhand.

Hur AI förändrar dynamiken i produktteam

AI har inte förändrat teamets struktur så mycket som det har förändrat hur teamet arbetar.

Vi har inte ersatt roller, men förväntningarna på dessa roller har förändrats. Produktchefer ägnar mindre tid åt manuell syntes och dokumentation och mer tid åt omdöme, prioritering och att driva resultat. Kraven på tänkandet har höjts.

Det har också suddat ut vissa gränser mellan rollerna. Produktchefer kommer närmare data, designers använder AI för att iterera snabbare och ingenjörer använder det för att påskynda utvecklingen. Samarbetslooparna är tätare eftersom alla kan arbeta snabbare individuellt.

Samtidigt ser vi en tydlig klyfta växa fram: mellan personer som vet hur man arbetar med AI och de som inte gör det. De team som satsar på det är betydligt mer produktiva.

Hur AI i arbetsflöden förbättrar användningen

Att få människor att börja använda det har varit en utmaning. Alla tar inte till sig det i samma takt. Vissa satsar, experimenterar och anpassar sig snabbt. Andra tvekar, ifrågasätter det eller väntar tills det är perfekt innan de börjar använda det — och det är där klyftan blir synlig.

Vi gjorde AI-användningen synlig och förväntad — inte valfri.

I stället för att lansera det som ”här är ett nytt verktyg” byggde vi in det direkt i teamens arbetssätt. Vi uppdaterade till exempel våra produktarbetsflöden så att varje upptäckts- eller PRD-cykel innehöll ett första AI-assisterat utkast — oavsett om det handlade om att sammanställa kundfeedback, skapa de första kraven eller skissa på hypoteser. Det blev en del av processen, inte ett tillägg.

Vi införde också en enkel förväntan: Kom inte till en granskning eller diskussion med ett tomt blad. Börja med något AI-assisterat och visa sedan hur du har bearbetat det. Det förändrade snabbt inställningen från motstånd till praktisk användning.

Samtidigt lyfte vi fram framgångar — till exempel hur ett team halverade tiden för upptäcktsarbete eller förbättrade kvaliteten på sina första idéer med hjälp av AI. Den synligheten mellan kollegor skapade drivkraft.

Det handlade inte om att tvinga fram användning, utan om att göra den till en naturlig del av arbetsflödet och tydliggöra fördelarna genom verkliga exempel.

Varför produktledare måste satsa på AI — nu

Här är mitt råd: Vänta inte på tydlighet — satsa och börja nu.

Det här är ett tillfälle då de som agerar tidigt kommer att forma det som händer härnäst. Du kan antingen luta dig tillbaka och analysera det, eller kavla upp ärmarna och ta reda på hur det fungerar i verkliga arbetsflöden. En klyfta håller redan på att uppstå mellan dem som använder AI varje dag och dem som fortfarande pratar om det.

Var en förespråkare. Om du tror att det här är framtiden, agera också därefter. Låt handling följa orden—använd det i ditt eget arbete, utmana dina team att använda det och bygg in det i organisationens arbetssätt. Det handlar inte om att köra pilotprojekt vid sidan av, utan om att förändra hur ni utvecklar produkter.

Samtidigt måste du förbli realistisk. AI ersätter inte tänkande. Det förstärker det. Framgångsrika ledare kommer att kombinera ett starkt produktomdöme med en vilja att lära sig snabbt.

I grunden handlar det om lärande. Om du inte aktivt lär dig, experimenterar och utvecklas just nu kommer du att hamna på efterkälken. Så enkelt är det.

Satsa därför, behåll nyfikenheten och led framifrån.

Följ med

Du kan läsa mer om Tony Paglioccos arbete på tonypag.com eller ta kontakt med honom på LinkedIn.

Fler intervjuer med experter kommer på The CPO Club!