Produktledare på OpenAI berättar hur AI förändrar produktledning på högsta nivå

Kathy Korevec är en skapare som har arbetat som produktchef på Google Labs AI, VP för produkt och design på Vercel och senior produktledare på GitHub, för att nämna några. För närvarande arbetar hon med Codex på OpenAI. Den röda tråden är att skapa utvecklarverktyg med ett kompromisslöst fokus på användarcentrering och detaljer.

Vi satte oss ner med Kathy för att ta reda på hur AI förändrar produktledning på världens främsta teknikföretag. Här är vad hon hade att säga.

Att vara en ”kock som lagar mat åt kockar”

Jag har alltid varit skapare först och produktchef i andra hand.

Jag började inom utvecklarverktyg på företag som Heroku, GitHub och Vercel, vilket är en mycket specifik form av produktledning. Man levererar inte bara funktioner; man bygger för människor som omedelbart märker när man har tagit en genväg. Det är som att vara en kock som lagar mat åt kockar. Ribban är hög, och de kommer definitivt att märka om såsen inte är som den ska.

Några av mina bästa stunder som PM var inte traditionellt ”PM-arbete” alls. På GitHub skrev jag om delar av dokumentationen och gjorde till och med om webbplatsen för att återspegla min strategi med DX-principer. Jag har tillbringat helger med att omstrukturera min egen webbplats för att kapa ett par hundra millisekunder eftersom prestandan störde mig. Jag hjälpte till att driva ett projekt som hette Papercuts, där vi åtgärdade hundratals små irritationsmoment, eftersom dessa detaljer tillsammans avgör om människor älskar eller står ut med din produkt.

Det har på sätt och vis varit den röda tråden för mig. Jag ser inte PM:er som personer som bara identifierar luckor och fyller dem, eller som ”VD:n för din produkt”. Jag ser det som att komma obehagligt nära detaljerna. Tillräckligt nära för att börja bry sig om sådant som inte syns i en färdplan.

Och nu befinner vi oss i det här AI-ögonblicket, som ärligt talat känns lite som att ge alla en jetpack och hoppas att de inte flyger in i ett träd.

Jag ägnar mycket tid åt vibe-kodning på kvällar och helger och bygger enkla små verktyg med AI-agenter. Man kan gå från idé till fungerande produkt på en eftermiddag, vilket är otroligt. Samtidigt är grunderna viktigare än någonsin. Att förstå system, avvägningar och hur saker faktiskt fungerar under huven är det som skiljer något som lanseras från något som håller över tid.

Annars slutar det med en kyrkogård av oavslutade projekt och mystiska buggar.

Så min resa in i det här ögonblicket har egentligen inte handlat om att förändra hur jag arbetar. Den har handlat om att fördjupa mig ännu mer i det. Att hålla mig nära hantverket. Och att bygga saker själv.

Att minska avståndet mellan idé och validering

Fram till alldeles nyligen ledde jag produktarbetet för ett team på Google Labs som hette AIDA, vilket stod för AI-utvecklarassistans.

Vi arbetade ganska djupt ner i teknikstacken. Tidiga kodningsmodeller, träningsdata för kod som matades in i Gemini och sedan uppåt i abstraktionslagret till produkter som Colab Composer och Jules. Förskjutningen gick från ”Kan vi generera kod?” till ”Kan vi faktiskt hjälpa människor att bygga riktig programvara från början till slut?”

Organisationen jag ledde var därför i hög grad en hybrid. En del forskning, en del produktutveckling, en del ”Vi ska leverera något enkelt den här veckan och se om någon använder det”. Våra användare sträckte sig från professionella utvecklare till personer som aldrig hade skrivit kod tidigare, vilket är en ödmjukande målgrupp eftersom man måste tillgodose både djup och tillgänglighet samtidigt.

Leveransmodellen återspeglade det. Många snabba iterationer, täta återkopplingsloopar mellan modellens kapacitet och produktupplevelsen och en vilja att kasta bort saker om de inte fungerade. Det är mindre färdplan och mer målinriktat utforskande.

Nu är jag på OpenAI och arbetar med Codex, vilket på sätt och vis innebär att cirkeln sluts. Codex började som en modell och utvecklas nu till en agent och ett applikationslager inuti ChatGPT som hjälper människor att faktiskt få arbetet gjort. Skriva kod, automatisera arbetsflöden och koppla samman system.

Så i båda fallen är den röda tråden densamma. Att bygga verktyg som minskar avståndet mellan en idé och något som körs i den verkliga världen.

Varför PM:er bör fokusera på prototypdriven produktutveckling

Jag har slutat behandla specifikationer som den primära artefakten i produktarbetet. Det är en förändring som jag redan hade påbörjat, men AI har påskyndat den.

Tidigt i min karriär, särskilt på GitHub och Heroku, insåg jag hur mycket momentum betyder. Verklig användning spelar roll. Man lär sig mer av något som körs i produktion än man någonsin gör av ett perfekt skrivet dokument.

Det AI har gjort är att ta den filosofin och komprimera den ytterligare.

Nu bygger jag, i stället för att skriva en lång specifikation och diskutera den i en vecka, själv en grov version av produkten. Eller så kodar jag fram en prototyp på känsla på en eller två dagar. Något som man kan klicka på, ha sönder och reagera på. Det förändrar allt.

Man går från ”Vad tror vi kommer att hända?” till ”Vad händer faktiskt när man använder det här?” Det omvandlar en stor del av den abstrakta diskussionen till något konkret.

Det förändrar också produktchefens roll. Du formar inte bara idéer, utan stresstestar dem direkt. Du befinner dig närmare implementationen, så du upptäcker felaktiga antaganden tidigare.

Resultatet är förstås högre hastighet. Vi lanserar snabbare, avfärdar idéer snabbare och förfinar bra idéer snabbare.

Den viktigaste förändringen är dock att våra beslut är mer ärliga.

Varför nackdelarna med AI är subtila men viktiga

Men det finns definitivt nackdelar.

En av dem är det jag skulle kalla ”falsk hastighet”. Det känns som att man rör sig otroligt snabbt eftersom man producerar mycket. Kod, prototyper, dokument. Men allt är inte faktiskt bra eller användbart. Man kan generera en stor yta utan verkligt djup.

Ett annat problem är kvalitet och förtroende. AI-genererad kod kan vara förvånansvärt bra och samtidigt självsäkert felaktig. Om man inte förstår vad som händer under huven kan man råka lansera sådant som är skört, osäkert eller svårt att underhålla.

Och sedan finns det en mer subtil aspekt. Det är enklare än någonsin att påbörja saker. Det är inte nödvändigtvis enklare att slutföra dem på ett bra sätt. Vi kommer att få se betydligt fler halvfärdiga produkter, övergivna prototyper och system som fungerar någorlunda tills de plötsligt inte gör det längre. Jag har själv byggt några sådana.

Det övergripande resultatet är alltså något av en paradox. Vi är snabbare än någonsin på att komma fram till något. Vi har inte automatiskt blivit bättre på att göra det till något som håller över tid.

Kathy's tankar

Det är enklare än någonsin att påbörja saker. Det är inte nödvändigtvis enklare att slutföra dem på ett bra sätt. Vi kommer att få se betydligt fler halvfärdiga produkter, övergivna prototyper och system som fungerar någorlunda tills de plötsligt inte gör det längre. Jag har själv byggt några sådana.

Varför fyra principer förvandlar produkter från bländande nyheter till förtroende

Jag vill dela med mig av lite mer om förtroende, eftersom jag tror att produktledare underskattar risken med osynlig programvara av låg kvalitet.

AI gör det otroligt enkelt att bygga saker. Man kan sätta upp verktyg, funktioner och till och med hela appar på en bråkdel av den tid det brukade ta. Det låter som enbart en fördel, men resultatet blir mycket mer programvara som fungerar någorlunda.

Halvfärdiga funktioner, sköra system, saker som byggdes snabbt och aldrig gjordes robusta. De fallerar inte högljutt. De försämras bara med tiden. De går sönder på subtila sätt, skapar förvirring eller urholkar i tysthet förtroendet.

Risken handlar inte bara om teknisk skuld i traditionell bemärkelse. Det handlar om förtroendeskuld.

Här är fyra principer som jag har haft nytta av:

1. Gör systemet begripligt. Användarna ska kunna förstå vad AI:n gör och varför, åtminstone på en övergripande nivå. Inte fullständig teknisk transparens, men tillräckligt för att det inte ska kännas som en svart låda som fattar godtyckliga beslut. Det kan vara så enkelt som att visa steg, synliggöra antaganden eller låta användarna granska vad som har ändrats.
2. Utforma för korrigering. Systemet kommer att ha fel ibland. Det är ofrånkomligt. Det viktiga är hur enkelt det är för en användare att ingripa, rätta till det och gå vidare. Om det är besvärligt att korrigera systemet minskar förtroendet snabbt. Om det är enkelt kommer människor att fortsätta använda det även om det inte är perfekt.
3. Bygg för konsekvens i stället för bländande effekter. Många AI-produkter optimerar för ”wow”-ögonblicket. En enda riktigt imponerande interaktion. Förtroende kommer från motsatsen – att systemet gör det förväntade, om och om igen, utan överraskningar. Särskilt i utvecklarverktyg är förutsägbarhet viktigare än magi.
4. Visa återhållsamhet. Bara för att systemet kan göra något betyder det inte att det bör göra det. Om du automatiserar för mycket eller tar över för mycket kontroll märker användarna det. De förlorar känslan av att ha kontroll. De bästa produkterna ger dig hävstång utan att ta bort dig ur loopen.

Varför AI inte kan hantera produktdifferentiering eller automatisering från början till slut

Här är ytterligare ett par områden där AI inte räcker till.

Det talas mycket om agenter som bara kan ta en uppgift och genomföra den från början till slut. I praktiken kräver de flesta system jag har sett fortfarande mycket övervakning. Du vägleder, korrigerar och formulerar nya instruktioner. Det är mer som att leda en ivrig praktikant än att delegera till en helt självständig kollega.

Det är fortfarande användbart, men det skiljer sig från förväntningarna.

Och sedan har vi produktdifferentiering.

Många AI-funktioner i dag känns likadana. Du kan lägga till ett chattgränssnitt, generera kod och sammanfatta något. Det är grundläggande krav numera.

Det som har varit svårare är att omvandla dessa möjligheter till något som känns unikt värdefullt och djupt integrerat i ett arbetsflöde. Något som människor faktiskt skulle sakna om du tog bort det.

Jag tror att det är där många produkter inte räcker till.

Varför mänskligt omdöme fortfarande är avgörande för produktbeslut inom AI

Produktchefer måste fråga sig: ”Var har AI faktiskt gott omdöme? Och var saknar den det?”

Det finns delar av produktarbetet där AI nu är otroligt användbart för mig – allt som gynnas av bredd, snabbhet eller iteration lutar jag mig tungt mot AI för. Tidig upptäckt, utforskning av lösningsutrymmen, utkast till olika angreppssätt och till och med framtagning av grova UX-riktningar eller flöden. AI är bra på att hjälpa dig att komma vidare eller se fler alternativ än du skulle göra på egen hand.

Jag använder det också mycket för prototyper, som jag nämnde. Möjligheten att snabbt gå från en idé till något interaktivt har helt förändrat hur jag arbetar.

Och sedan finns allt arbete ”däremellan”. Att sammanfatta användarfeedback, hitta mönster i data och skriva utkast till dokument. Sådant som tidigare tog mycket tid och krävde mycket kontextväxling.

Det jag inte förlitar mig på AI för är sådant där omdömet verkligen spelar roll. Prioritering är ett stort exempel. AI kan hjälpa dig att lista alternativ, men den förstår inte de faktiska avvägningarna i ditt företag, ditt team eller dina begränsningar. Den känner inte kostnaden av att ha fel.

Samma sak gäller beslut om produktplanen. De handlar om övertygelse, timing och ibland om att våga satsa på något som inte ser rationellt ut i ett kalkylblad.

UX är ett annat intressant område. AI kan generera mycket användargränssnitt snabbt, men den har inget estetiskt omdöme. Den känner inte vad som är frustrerande eller förtjusande efter upprepad användning. Särskilt när man bygger för utvecklare är skillnaden mellan något som fungerar och något som känns bra avgörande.

Och sedan har vi tekniska avvägningar. AI kan föreslå arkitekturer, men den tar inte ansvar för de långsiktiga konsekvenserna av besluten. Det gör ditt team.

Hur AI utmanar traditionella antaganden om produkter

Jag tror att det största antagandet jag har behövt släppa är att marken du står på är stabil.

Under lång tid inom produktutveckling kunde man anta att vissa saker var relativt fasta. Gränssnittet, arbetsflödet och till och med vad produkten är. Man itererade inom den ramen. AI bryter upp den.

Modellen förbättras, och plötsligt är produktens yta fel. Ett nytt interaktionsparadigm dyker upp, och det som kändes som en stabil produktplan blir irrelevant. Saker som du trodde var begränsningar försvinner, och nya dyker upp som du inte hade planerat för.

Så du bygger inte bara på mark som skiftar. Du ifrågasätter ständigt om marken över huvud taget borde finnas. Det har inneburit en stor förändring i mitt sätt att tänka.

Det andra antagandet jag har släppt är att de bästa produkterna är de mest väldefinierade. Tidigare fanns det ett högt värde i tydlighet tidigt. Definiera problemet, definiera lösningen och genomför arbetet på ett strukturerat sätt.

Nu kommer mycket av värdet från att stanna kvar i utforskandet längre än vad som känns bekvämt. Att låta produkten vara lite odefinierad medan de underliggande möjligheterna fortfarande utvecklas.

Och det sista handlar om var värdet finns. Jag brukade tro att mycket av produktvärdet fanns i gränssnittet. Användargränssnittet, flödet och pixlarna. Nu finns mycket av värdet i beteendet. Hur systemet svarar, anpassar sig och samarbetar. Gränssnittet är fortfarande viktigt, särskilt för utvecklare, men det är inte längre tyngdpunkten.

Hur AI suddar ut yrkesroller

Yrkesroller suddas ut. Gränserna mellan produktchef, ingenjör och designer blir mycket tunnare.

Med AI kan du prototypa, skriva kod, utforska UX och stresstesta idéer mycket mer direkt. Det innebär att fler kan arbeta över det som tidigare var mycket tydligt avgränsade roller. Och det förändrar teamets form.

Du behöver färre överlämningar. Fler personer som själva kan ta en idé och driva den framåt, åtminstone till en meningsfull detaljnivå.

Jag har känt av det här ganska personligen. Nyligen gick jag tillbaka till att vara IC-PM, och det har varit otroligt givande. Jag är mycket närmare arbetet igen. Jag bygger saker, testar idéer och går in i detaljerna. Det påminner mig om att mycket av produktomdömet kommer från att faktiskt skapa saker, inte bara samordna dem.

Det betyder inte att chefer eller specialisering försvinner. Du behöver fortfarande djup expertis, särskilt inom områden som systemdesign eller UX av hög kvalitet. Men du behöver också fler ”fullstack-produktpersoner” som kan röra sig obehindrat genom hela teknikstacken och använda AI som hävstång.

Varför AI har förändrat användarnas förväntningar

AI förbättrar inte bara din produkt. Det förändrar vad användarna förväntar sig av alla produkter. Så du konkurrerar inte längre bara med dina direkta konkurrenter. Du konkurrerar med den bästa AI-upplevelse någon hade någonstans under den veckan.

Jag tror att jag underskattade hur snabbt den förändringen i förväntningar skulle ske.

I praktiken innebär det att tidsfönstren för vad som är ”tillräckligt bra” är mycket kortare. Något kan kännas magiskt på måndagen och föråldrat på fredagen. Om jag hade vetat det skulle jag ha optimerat mer för anpassningsförmåga och mindre för finslipning.

Kathys tankar

Jag tror att jag underskattade hur snabbt den förändringen i förväntningar skulle ske…I praktiken innebär det att tidsfönstren för vad som är ”tillräckligt bra” är mycket kortare.

Varför produktledare måste se AI som en förändring av disciplinen

Mitt råd är att se det här ögonblicket mindre som ett verktygsskifte och mer som en förändring av disciplinen.

Den viktigaste färdigheten just nu är förmågan att se klart. AI genererar stora mängder material. Idéer, kod, riktningar. Risken är att du börjar förväxla det materialet med sanningen. Så som produktledare är ditt jobb att förbli förankrad i det som faktiskt händer. Vad användarna gör, var saker går sönder och vad som håller över tid.

Det andra är att bygga det du är beroende av. Om du arbetar med AI-produkter bör du använda dem på djupet. Inte bara i demonstrationer eller granskningar, utan i dina egna arbetsflöden. Du kommer att känna av bristerna direkt. Var saker går långsamt, var de är förvirrande och var de nästan fungerar men inte riktigt gör det. Den typen av förstahandserfarenhet är svår att ersätta, och den förändrar kvaliteten på dina beslut.

Det tredje är att bli bekväm med spänningar. Just nu finns en verklig dragkamp mellan snabbhet och kvalitet, utforskande och disciplin, det som är möjligt och det som faktiskt är användbart. Den spänningen är inget som ska lösas. Det är själva arbetet. De bästa teamen jag har sett försöker inte eliminera den. De navigerar den medvetet. De rör sig snabbt när de lär sig, och saktar ner när något måste bli rätt.

Och slutligen: låt inte AI göra dig till en chef över resultat. Det är mycket lätt att luta sig tillbaka och orkestrera, att skriva uppmaningar, granska och gå vidare. Men de bästa produktledarna just nu är fortfarande mycket nära hantverket. De bygger, testar och åtgärdar sådant som stör dem.

För i slutändan har jobbet inte förändrats. Du ansvarar fortfarande för att skapa något som fungerar, som människor litar på och som passar in i deras liv. AI förändrar bara hur du tar dig dit.

Följ med

Du kan lära dig mer av Kathy på hennes blogg om produkthantverk eller på hennes personliga webbplats. Du kan också följa henne på X.

Fler expertintervjuer kommer på The CPO Club!