Grundare och tidigare Apple-produktchef säger att PRD-processerna måste göras om — här’är ritningen

Sonia Vora har varit produktchef och produktledningschef på flera olika vårdföretag. Hon ledde också produktarbetet för ett par av Apples hälsoprodukter. Och nu är hon grundare av ett AI-företag inom vård och hälsa.

Vi satte oss ner med Sonia för att lära oss hur hon använder agenter i produktledningsarbetsflöden. Här är vad hon berättade.

Att ge sig in i AI-baserade vårdprodukter

Hej, jag heter Sonia. Jag började min karriär inom strategisk rådgivning på McKinsey och GoogleX. Därefter blev jag produktledningschef på ACKO Insurance, ett direktförsäkringsbolag i Indien i serie D. Senare blev jag produktchef på Narayana One Health, en integrerad vårdenhet inom ett sjukhussystem i Indien. Jag ledde också produktarbetet för två hälsoprodukter på Apple — Attain-appen (utvecklad i samarbete med Aetna Insurance) och Lumihealth (utvecklad i samarbete med Singapores regering). Jag har även uppmärksammats på Forbes 30 Under 30.

År 2017, innan transformermodeller och LLM:er, undersökte jag AI:s påverkan på McKinsey och Google och utforskade ML-baserade möjligheter att förbättra patientvården på Apple och ACKO. Men sedan dess hade jag inte arbetat direkt med AI. För ungefär 1,5 år sedan insåg jag att AI skulle förändra inte bara min bransch (vård och hälsa), utan även produktledning. Jag satte genast igång med flera initiativ:

1. Att utbilda mig själv i AI-grunderna.
2. Att integrera ChatGPT/Gemini i det dagliga produktledningsarbetet i mitt produktteam. Detta innefattade att skapa promptar för mer förfinade PRD:er, brainstorma kring PRD:er, genomföra research med Deep Research samt använda ChatGPT och Gemini för att ge designfeedback och upptäcka UX-problem.
3. Att experimentera med verktyg som Lovable för att snabbt skapa prototyper och samla in UX-feedback från användare och köpare.

Nu är jag grundare av Alongside Health, ett AI- och vårdföretag. Jag har kombinerat LLM:ers naturliga språkförmågor med deterministiska protokoll för att automatisera klinisk vård. För att bygga våra första pilotprojekt använder jag Claude Code dagligen för att utforma deterministiska system och leverera agenter som våra pilotkunder kan testa. Jag bygger också prototyper och vår webbplats direkt med Claude Code.

Sonia berättar

Produktledare måste helt tänka om kring systemet där produktchefer skriver en PRD, lämnar över den till design och sedan till utveckling.

Hur AI förändrar PRD-processen

Produktledare måste helt tänka om kring systemet där produktchefer skriver en PRD, lämnar över den till design och sedan till utveckling. Målet är att snabba upp hela den här cykeln, förhindra att produktchefer och designers blir beroende av utvecklingsteamet som flaskhals och involvera utvecklingsteamet tidigare, där deras expertis behövs som mest.

Olika personer angriper detta på olika sätt, men jag ser två möjligheter med stor påverkan och låg tröskel:

1. Snabba upp den inledande ”PRD-bearbetningen” och idéutvecklingen genom att tillhandahålla prototyper byggda med Claude, först av produktchefer och sedan vidareutvecklade av designers. Det ger utvecklare en konkret grund för att skapa designdokument för nya funktioner, i stället för att börja med långa skriftliga krav.
2. För en befintlig funktion har jag upptäckt att det är bra att ge produktchefer och designers full åtkomst att göra vissa ändringar och skicka in PR:er — så länge ändringarna inte påverkar arkitekturen i grunden. Om ni har en stark process för kodgranskning förhindrar ni mycket rörig ny kod när produktchefer och designers skickar in ändringar.

Personligen skriver jag inte längre långa PRD:er från början som försöker hantera varje specialfall. I stället arbetar jag omedelbart med Claude för att utveckla mitt ursprungliga kravdokument genom frågor och svar.

Jag använder sedan det dokumentet som utgångspunkt för Claude Code och använder den faktiska prototypen för att hitta specialfall och integrerar dessa krav tillbaka i PRD-dokumentet med Claude innan lansering.

Resultatet är att jag producerar arbete av mycket högre kvalitet på samma tid. Jag har en tankepartner och diskussionspartner som hjälper mig att vara noggrann, utforska alternativ snabbare och hitta användbara resurser online.

Varför experimenterande är AI:s superkraft

Jag ska gå igenom hur jag använder AI inom produktledning:

• Upptäckt av problem: AI är minst hjälpsamt här eftersom det inte känner till användarnas problem i verkligheten. AI kan formulera hypoteser, men dessa bygger inte på förstahandsinformation och kommer inte att avslöja sanningar som inte delas av majoriteten. Inget kan jämföras med att sitta tillsammans med en användare och förstå deras tankar.
• Prioritering: På samma sätt kan AI erbjuda ett första försök till prioritering baserat på sunt förnuft, men det saknar verklig feedback från användare och produktkänsla, så du måste övervaka AI noggrant inom detta område.
• Designkänsla och UX-beslut: AI erbjuder ett bra första försök, men det förstår inte dina användare eller deras mål; det efterliknar bara befintliga flöden. Du måste noggrant ta hänsyn till den ”mänskliga” faktorn som hjälper användarna att utföra sina uppgifter. Jag har itererat omfattande kring UX för att säkerställa konsekvens, ta hänsyn till komponenter och uppnå en informationsarkitektur som verkligen motsvarar användarnas förväntningar och mål. Det är som en ingenjör med fantastiska frontendbibliotek som designar varje skärm – ibland ser det bra ut, men det hjälper inte användarna att enkelt förstå hur de ska slutföra sina uppgifter.
• Planering: Detta är ett område där AI utmärker sig när det gäller att skapa ett första försök. Med tillräckligt mycket kontext kan det effektivt ta fram preliminära tidsplaner och hjälpa till med planeringsstrategier. Jag uppskattar särskilt Linear.
• Identifiering av avvägningar och effekterna av designbeslut: Kodningsagenter gör ofta inte detta om de inte uttryckligen ombeds. När de får rätt instruktioner presenterar de dock effektivt flera fördelar, nackdelar och interna överväganden, vilket hjälper dig att tänka igenom konsekvenserna mer på djupet. Jag hittar fortfarande ofta luckor i grundorsaksanalys och brainstorming med kodningsagenter, men ibland tar de också upp saker som jag inte hade tänkt på direkt.
• Experimenterande: Detta är AI:s verkliga superkraft. Eftersom du kan bygga koncept så snabbt kan du prova många olika saker, uppleva produkten och sedan iterera utifrån dina resultat.

Så kan AI stödja utvärderingsarbetsflöden

Här är ett exempel på ett AI-arbetsflöde som jag använder i min produktledning.

Jag använde Claude för att skapa ett skript för en process där jag, för varje ny produktversion, ber OpenAI eller Gemini (via API-anrop) att anta rollen som en patientpersona och svara min agent i en simulerad chatt.

Jag genererar patientpersonor från ett skript som skapar alla protokollgrenar och testar var och en av dem. Skriptet införlivar också personlighetstyper från vår forskningsbaserade generator. Efter att varje persona har samtalat med den nya agentversionen ber vi Gemini eller OpenAI att utvärdera samtalet utifrån våra 10 utvärderingskriterier och ange godkänd/underkänd-resultat.

Jag granskar sedan utvärderingsresultaten, listar föreslagna ändringar för att åtgärda Claudes problem, lanserar en ny agentversion och kör hela processen igen.

Jag använde Claude Code för att bygga frontendgränssnittet, där jag kan se utvärderingsresultaten, de simulerade samtalen och de simulerade patientpersonorna.

Det har varit oerhört hjälpsamt, men med en reservation: AI är fortfarande extremt stokastiskt. Jag har haft svårt med områden som kräver tillförlitlighet. I utvärderingar där en LLM fungerar som domare, som denna, ger AI till exempel ofta godkänt i en körning och underkänt i en annan, vilket är ett stort problem.

Du kan utforma systemet för att minska inkonsekvensen, men du måste också alltid utforma det så att potentiella AI-missar upptäcks.

Så kan produktchefer sluta känna sig skrämda av Claude Code

Till en början kände jag mig skrämd av tanken på att använda Claude Code effektivt som icke-ingenjör, särskilt eftersom de flesta använde det i terminalen.

Men jag började bygga. Jag behandlade Claude/Cursor som en junior medarbetare som kräver mycket brainstorming och handledning, och det hjälpte mig att lära mig om de potentiella problemen med kodning i Claude-stil. Nu förebygger jag dem i mitt arbetsflöde.

Claude kan till exempel verka ”glömsk” eftersom det komprimerar information för att få plats inom sitt kontextfönster. För att hantera detta ber jag det nu alltid skriva ner en plan och hänvisa till den innan det bygger något, precis som man skulle göra med en riktig människa – vi är också glömska!

Claude är nu särskilt enkelt att använda eftersom modellerna har förbättrats avsevärt. Även med ofullständig kontext kan det, om du ber det ställa frågor, föra en dialog med dig för att först ta fram en heltäckande plan. Därefter kan det genomföra planen mer tillförlitligt, vilket minskar behovet av att du oroar dig för grundstrukturen.

Varför kodningsagenter inte är någon mirakelkur

Alla kan vara ingenjörer nu med hjälp av kodningsagenter. Därför bör vi låta experterna fokusera på sådant som bara de gör riktigt bra och låta alla andra ta hand om de enkla sakerna. Tankesättet att ”alla är ingenjörer” är oerhört viktigt.

Men det är värt att notera att kodningsagenter inte magiskt kan åtgärda buggar utan mänsklig inblandning. Ofta saknar kodningsagenter sunt förnuft eller designkontext, vilket leder till att de felaktigt identifierar grundorsaken eller löser problemen på fel sätt.

Med lite bättre instruktioner presterar de mycket bättre, men begränsningar i kontexten kan på ett subtilt sätt leda till slarvigt genomförande eller slarvigt tänkande.

Det har ändå minskat utvecklingstiden enormt, men det krävs fortfarande betydande eftertanke för att lansera en bra produkt.

Så håller du jämna steg med AI-utvecklingen

Börja arbeta med de här verktygen i ditt riktiga arbete redan nu! Ju senare du börjar använda dem, desto mer kommer du att hamna efter kollegor som redan har optimerat sina arbetsflöden med hjälp av dessa agenter.

När du ändå håller på, behåll ett öppet sinne kring AI:s styrkor och svagheter — och tänk på att detta förändras nästan varje månad.

Experimentera. Använd Claude Code eller andra verktyg i ditt dagliga arbete för att förstå modellernas styrkor och svagheter. Om du lägger ens 30 minuter om dagen på en uppgift är det sannolikt värt att investera en eller två timmar i att automatisera den — den tiden kommer att ge allt större utdelning.

Prova flera chattverktyg baserade på stora språkmodeller när du söker svar, så att du kan se hur olika leverantörer och modeller svarar. Ändra också din ”kost” på LinkedIn för att hålla dig uppdaterad om personer som använder AI för att bli så bra produktchefer som möjligt.

Alla känner sig överväldigade just nu, och det är okej. Jag pratar med AI-proffs som arbetar heltid och känner sig överväldigade — var snäll mot dig själv och fira små framsteg medan du håller dig uppdaterad om AI-utvecklingen.

Följ med

Du kan komma i kontakt med Sonia Vora på LinkedIn.

Fler expertintervjuer kommer på The CPO Club!