Produktdesignchefen säger att produkt, design och teknik måste ha en gemensam AI-stomme för att samarbeta effektivt

Andy Vitale är vice vd för både produktdesign och AI-kompetenscentret på Taxwell.

Vi satte oss ner med Andy för att diskutera hur design, produkt och teknik effektivt kan samarbeta med AI. Här är vad han berättade.

Där design, teknik och organisation möts

Jag heter Andy Vitale och är designchef. Under det senaste decenniet har jag byggt och lanserat AI-aktiverade produkter. I dag leder jag designavdelningen och AI-kompetenscentret på Taxwell, där vi bygger mjukvaruprodukter som varje år stödjer tiotals miljoner deklarationer för fler än 90 000 skatteexperter och 3 miljoner personer som deklarerar på egen hand.

Arbetet sträcker sig från konsumentprodukter som måste kännas enkla under verklig ekonomisk press till professionella verktyg där djup och tillförlitlighet är viktigare än att hålla användaren i handen. Min organisation omfattar konsumentinriktade skatteprodukter, professionella skatteprodukter, den gemensamma plattformen som ligger till grund för båda samt nyare produktområden som vi fortfarande formar. Teamet är organiserat kring dessa områden, och vi går mot en AI-assisterad leveransmodell där design arbetar närmare produkten i stället för att lämna över arbetet till andra.

Min AI-resa började 2015 med behandling av naturligt språk inom sjukvården på 3M. Det var min första verkliga erfarenhet av att utforma produkter kring maskinell intelligens, inte bara gränssnitt. Därefter ledde jag designarbetet på Rocket och fick se hur teknik rör sig genom en stor organisation. Senare, som designchef på Constant Contact, såg jag hur generativ AI började förändra vad produkter kunde göra. Nu på Taxwell gör jag våra produkter smartare och våra team bättre på att bygga med AI på ett naturligt sätt.

Jag har alltid dragits till skärningspunkterna – där design, teknik och organisation möts. AI har gjort dessa skärningspunkter till den viktigaste delen av arbetet. Det här ögonblicket känns som det som hela min väg har förberett mig för.

Så bygger man en gemensam AI-grund över olika discipliner

Vi slutade behandla AI som en funktion som skulle läggas till och började i stället behandla det som infrastruktur att bygga. Under det senaste året har design, produkt och teknik samarbetat för att bygga en grund som gör att teamet kan arbeta snabbare utan att bli mer vårdslöst.

Det innebär gemensamma byggstrukturer och verktyg för att arbeta med modeller samt AI-aktiverade steg från idé till validering. Vi behöver inte vänta med att skapa ett sätt att testa en idé mot AI.

Den andra delen av förändringen är att teamet nu bygger med samma material och verktyg i stället för att designa på ett ställe och lämna över arbetet för återuppbyggnad någon annanstans. Det suddar ut de skärningspunkter där arbete vanligtvis går förlorat eller förvrängs. När en designer arbetar i samma miljö som produkten skapas i, handlar samtalet inte längre om specifikationer och överlämningar utan om själva produkten.

Resultatet är snabbhet och precision samtidigt, något som vanligtvis står i konflikt med varandra. Den gemensamma grunden gör att vi kan arbeta snabbare eftersom de svåra delarna redan är byggda och kan återanvändas. När vi arbetar med samma verktyg blir det färre översättningsfel, eftersom det behövs färre översättningar. Teamet lägger sin tid på bedömningar i stället för att bygga om varandras arbete.

Resultatet blev en serie lanseringar från noll till ett. Ett litet team kan nu ta en idé hela vägen och gå från koncept till fungerande programvara på några veckor i stället för genom cykler av planering och överlämningar.

Ett AI-aktiverat arbetsflöde från koncept till programvara

Jag ska gå igenom vår process för att ta en idé från koncept till fungerande programvara, eftersom AI har förändrat just detta arbetsflöde mest för oss.

Det börjar med upptäckt, och AI är involverat från första minuten. Innan någon utformar något använder vi AI för att samla in befintlig kunskap om problemet, mönster från forskning och supportdata, tidigare försök och relevanta skattesituationer. I stället för en tom sida börjar teamet med en syntetiserad ståndpunkt att reagera på och pröva kritiskt.

När vi formar idén använder vi syntetiska användare för idéarbete. Dessa användare bygger på vår beteendeforskning och låter oss utforska hur olika typer av deklaranter kan reagera på ett tillvägagångssätt innan vi binder oss till det. De är ett verktyg för idéarbete som breddar de riktningar vi överväger och hjälper oss att tidigt hitta svaga punkter i vårt tänkande – inte en ersättning för verkliga användare längre fram.

Därefter går vi vidare till byggandet, vilket är där den gamla överlämningen brukade ske. Som jag nämnde arbetar vi direkt med konceptet i gemensamma material och verktyg, alltså samma miljö där vi bygger produkten, i stället för att designa på ett ställe och skriva en specifikation som någon annan ska bygga om. En designer kan snabbt skapa en verklig, fungerande prototyp och inte bara en bild av en sådan. Det är viktigt eftersom vi nu resonerar kring produktens faktiska beteende, inte en representation av det.

Sedan validerar vi med verklig feedback. Vi använder AI för att moderera testomgångar, vilket gör att vi kan genomföra betydligt fler sessioner, mer konsekvent, än vad ett schema med mänsklig moderering skulle tillåta. Billig och snabb feedback kommer tidigt, och den förs direkt in i samma arbetsunderlag, inte i en ny omgång specifikationer. Eftersom design, prototyp och utveckling använder gemensamma verktyg är steget från ”vi lärde oss något” till ”produkten återspeglar nu detta” kort. Samtalet fokuserar på själva produkten i stället för på att översätta mellan dokument.

Under hela processen förblir en person ansvarig för resultatet. AI breddar underlaget och snabbar upp vägen framåt, men vi behåller omdömet kring vad som är korrekt, förenligt med regelverket och verkligen bra för någon som deklarerar under verklig stress. Inom ett reglerat område är det precis där ansvaret bör ligga.

Som ett resultat kan ett litet team ta en idé från ett grovt koncept till fungerande programvara på några veckor, och eliminera de översättningsförluster och den väntan som tidigare uppstod mellan de olika stegen.

Varför AI ansvarar för vägen fram till ett beslut, men inte för själva beslutet

Vi förlitar oss mest på AI i de utforskande arbetsfaserna, där kostnaden för att ha fel är låg och värdet av att röra sig snabbt är högt.

Under upptäcktsfasen hjälper AI oss att snabbt skaffa oss kunskap. Det sammanställer befintlig kunskap, identifierar mönster i undersöknings- och supportdata och ger oss ett försprång i förståelsen av ett problem, i stället för att vi börjar från noll.

Under experiment och prototypframtagning gör AI det möjligt för oss att gå från idé till något testbart på en bråkdel av tiden. Vi kan skapa en fungerande prototyp och använda AI för att moderera vissa användartester, vilket gör att vi kan genomföra fler sessioner, mer konsekvent, än vad ett schema med mänsklig moderering någonsin skulle tillåta.

För UX-beslut erbjuder AI ett snabbt andra utlåtande. Det hjälper oss att stresstesta flöden, granska beteendedata och identifiera var användare kan tveka eller avbryta. Det breddar det underlag som en designer arbetar med.

Men själva beslutet förblir mänskligt, och det är avsiktligt. AI är bra på att tala om för oss vad som händer och vad som brukar fungera. Det avgör inte vilken upplevelse vi levererar till personen på andra sidan skärmen. Prioriteringar och bedömningar av huruvida en upplevelse är bra, ärlig och respektfull mot någon som deklarerar under verklig stress förblir vårt ansvar.

Jag ser på det så här: AI breddar underlaget och skyndar på vägen fram till ett beslut. Det fattar inte beslut som kräver smak, ansvar eller omsorg om den person vi utformar för.

Andy delar med sig

Vi förlitar oss mest på AI i de utforskande arbetsfaserna, där kostnaden för att ha fel är låg och värdet av att röra sig snabbt är högt. Jag ser på det så här: AI breddar underlaget och skyndar på vägen fram till ett beslut. Det fattar inte beslut som kräver smak, ansvar eller omsorg om den person vi utformar för.

Hur AI:s fördelar också blottlägger svagheter

Det tydligaste positiva resultatet är snabbheten. Vi lanserade en rad produkter och funktioner från noll till ett under en enda deklarationssäsong, sådant som tidigare skulle ha tagit betydligt längre tid att få igång, däribland en anpassad Claude-anslutning som vi satte upp på några dagar i stället för månader. AI-modererade tester gjorde det möjligt för oss att genomföra betydligt fler omgångar, och att genomföra dem mer konsekvent, än vad vi kunde med enbart mänskliga moderatorer. Som ett resultat kunde vi fatta beslut baserade på mer evidens tidigare.

Men det höga tempot blottlade alla svagheter i vår process. Utan rätt skyddsräcken ledde snabbheten till omarbete, och tempot krävde mycket av teamet. AI förstärkte våra styrkor och gjorde våra brister tydligare.

Det verkliga resultatet, som jag vill att andra ledare ska ta till sig, är att de team som presterade bra hade en sund grund redan från början. AI är en accelerator. Det belönar goda processer och blottlägger brister; därför är det viktigare än någonsin att bygga denna grund, inte mindre viktigt.

Varför AI har svårt i komplexa produktscenarier

AI har tydligast presterat sämre än förväntat i arbetets röriga mellanläge, delen mellan en lovande prototyp och något som du med tillförsikt kan lansera.

Det är verkligen bra på att snabbt få dig fram till en första version. Det slutför inte den sista biten. Ju längre du kommer från ett rent och väldefinierat problem, desto mer arbete faller tillbaka på människor. Specialfall, komplexa skattesituationer som avviker från den vanliga vägen och bedömningar av vad som är korrekt och förenligt med reglerna kräver fortfarande samma mänskliga insats som tidigare.

Det är den verkliga begränsningen. Du är bara så snabb som den långsammaste delen av din process. Den tidiga snabbheten är verklig, men den får inte den förväntade kumulativa effekten eftersom resten av systemet inte förändras i samma takt.

Varför AI fungerar bäst som en tänkande partner

Enligt min erfarenhet ger AI mest när det behandlas som en tänkande partner, inte som en maskin som levererar svar.

Inom ett område som vårt är noggrannhet och ansvarsskyldighet inte valfria, så värdet ligger inte i att generera ett svar och gå vidare. Det ligger i att använda AI för att snabbare nå fram till ett mer genomtänkt svar.

När våra team använder det för att utforska alternativ, stresstesta sitt tänkande och snabbare ta sig igenom delar de redan behärskar fungerar det som en verklig förstärkare.

Andy delar med sig

Inom ett område som vårt är noggrannhet och ansvarsskyldighet inte valfria, så värdet ligger inte i att generera ett svar och gå vidare. Det ligger i att använda AI för att snabbare nå fram till ett mer genomtänkt svar.

Varför produktledare måste hantera hur användare tar emot en AI-produkt

Det svåraste med att lansera AI är inte tekniken, utan hur människor tar emot den.

Min första AI-produkt, 2015, handlade om automatiskt föreslagen medicinsk kodning inom hälso- och sjukvården. Systemet läste klinisk dokumentation och föreslog rätt koder, en uppgift som professionella medicinska kodare alltid hade utfört för hand. Jag fokuserade på om förslagen skulle vara korrekta. Jag underskattade frågan som kodarna själva tyst ställde: Är det här till för att ersätta mig?

Den rädslan påverkar allt, oavsett om du bemöter den eller inte. Den visar sig som motstånd, som tyst utebliven användning och som att människor tekniskt sett går med på det samtidigt som de hoppas att det misslyckas. Och den var helt rimlig.

Vi placerade ett verktyg framför människor som utförde en version av deras arbete utan att först förklara vad det innebar för dem, så de fyllde tystnaden med den värsta tänkbara tolkningen. Jag lärde mig att man inte kan bygga bort den rädslan med fler funktioner. Ingen grad av noggrannhet besvarar frågan de faktiskt ställer.

Jag har tagit med mig den lärdomen till varje AI-produkt sedan dess. Du introducerar förändringen och innebörden av förändringen samtidigt. Teknikfrågan är den enkla. Det är den mänskliga frågan som avgör om sådana här satsningar lyckas eller misslyckas.

Varför designsystem behöver ses över i grunden

Om ditt designsystem bara finns i en designfil blir varje AI-generering i företaget lite fel i förhållande till varumärket, och någon måste rätta till det senare. Detta avstämningsarbete är den nya kostnad som team i tysthet betalar för att inte ligga steget före.

Gör därför om designsystemet så att det inte längre behandlas som ett referensdokument, utan som en artefakt i körning — något som finns inuti de faktiska verktyg som genererar arbetet.

Det innebär mer än ett komponentbibliotek. Det innebär att paketera designvariabler och komponenter så att verktyg och team kan hämta in dem direkt i kod, distribuera dem som användbara paket och kombinera dem med tillhörande färdigheter och bästa praxis — de regler och det sammanhang som ett AI-verktyg behöver för att använda systemet korrekt. När standarder, komponenter och kunskap finns där arbetet utförs syns varumärket redan från den första prompten i stället för att läggas till i slutet.

När du får det rätt är dina designstandarder inbäddade i allt företaget levererar, oavsett vem som producerade det eller vilket verktyg de använde. Systemet slutar vara något som människor hänvisar till i efterhand och styr i stället tyst kvalitet i stor skala.

Varför CPO:er måste göra arbetet själva

Mitt råd är enkelt. Ta steget in. Gör arbetet själv, nu, med dina egna händer.

Många ledare överlämnar instinktivt AI till sina team, väntar på att bästa praxis ska växa fram och sätter sedan riktningen utifrån det de lär sig. Det fungerade vid tidigare förändringar. Det fungerar inte den här gången. Det går för snabbt, och klyftan mellan dem som använder verktygen och dem som diskuterar dem växer varje vecka. Om du föreskriver verktyg som du aldrig har öppnat kan alla i rummet se det.

Jag tillbringar en stor del av veckan med att arbeta praktiskt i de här verktygen, delvis för att jag verkligen tycker om arbetet, men framför allt för att jag anser att du inte kan leda ett team trovärdigt genom en förändring som du bara observerar. Genom att bygga med det lär du dig vad som är verkligt och vad som är hype. Du förtjänar rätten att sätta riktningen och kan fatta betydligt bättre beslut om var AI passar in och var det inte gör det.

Sluta därför behandla detta som något som ska delegeras och studeras på avstånd. Lägg verklig tid på arbetet. Leverera något litet. Känn efter var det hjälper och var det brister. De ledare som hamnar längst fram kommer att vara de som engagerar sig i det här ögonblicket, inte de som väntar på att det ska lägga sig.

Följ med

Du kan följa Andy Vitales arbete på andyvitale.com och på LinkedIn.

Fler expertintervjuer kommer på The CPO Club!