Varför AI tvingar produktledare att omforma organisationen, inte bara produkten

Lukas Egger är VP för produktstrategi och innovation på SAP Signavio. Han är också skapare av podden Process Transformers.

Vi satte oss ner med Lukas för att ta reda på hur AI förändrar hans sätt att leda sin produktorganisation och hur det påverkar själva produkten. Här är vad han berättade.

Att skilja varaktigt värde från brus

Jag heter Lukas Egger och är VP för produktstrategi och innovation på SAP Signavio. Mitt arbete befinner sig i skärningspunkten mellan produktstrategi, verksamhetsomvandling och AI, särskilt hur stora organisationer kan omvandla ny teknik till användbara, tillförlitliga och ekonomiskt meningsfulla produkter.

Min väg till den här punkten handlar mindre om ett enskilt ”AI-uppvaknande” och mer om ett långvarigt intresse för hur organisationer skapar mening i komplexitet. Tidigare i karriären arbetade jag med data, analys, produkter och strategi, och jag blev alltmer intresserad av gapet mellan teknisk potential och organisatorisk verklighet. Många idéer ser övertygande ut i en demonstration eller prototyp, men det verkliga testet är om de klarar incitament, styrning, kundernas arbetsflöden, tekniska begränsningar och faktisk användning.

Jag tänker på AI inom produktledning på samma sätt. Det spännande är inte bara att modeller genererar text, kod, bilder eller analyser. Den djupare förändringen är att AI förändrar kostnadsstrukturen för kognitivt arbete inom företag. Det minskar kostnaden för att skapa, jämföra, sammanfatta, simulera och samordna arbete. Det får djupgående konsekvenser för produktteam, eftersom det förändrar inte bara vad vi kan bygga, utan också hur snabbt vi kan testa idéer, hur vi förstår kunder, hur vi utformar arbetsflöden och hur vi definierar värde.

På SAP Signavio ägnar jag mycket tid åt att fundera på hur AI kan stödja verksamhetsomvandling i ett seriöst företagskontext. Det innebär att gå bortom generella påståenden om produktivitet och ställa skarpare produktfrågor: Vilka nya kundproblem blir möjliga att lösa? Vilka arbetsflöden förbättras på ett väsentligt sätt? Var skapar AI mätbart affärsvärde? Var skapar det nya risker? Och hur minskar vi riskerna med innovation inom attraktivitet, genomförbarhet, lönsamhet och organisatorisk acceptans?

För produktledare är detta ett ovanligt ögonblick. AI är inte bara ytterligare ett funktionslager. Det tvingar oss att ompröva antaganden om användarupplevelse, differentiering, leveranshastighet, data, förtroende och själva programvarans roll. Produktledningens uppgift är därför inte att jaga det mest högljudda AI-användningsområdet, utan att bygga det omdöme, de system och de arbetssätt som hjälper team att skilja varaktigt värde från brus.

Att göra förändring enklare

Som bakgrund kan nämnas att mitt team stödjer LabSpace, en viktig innovationsmiljö med kundfokus. LabSpaces enkla idé är att låta företagskunder ta del av innovation tidigt, säkert och med mycket låg tröskel. I traditionell B2B-programvara, särskilt inom affärssystem och verksamhetsomvandling, är förändring ofta dyr, långsam och operativt riskfylld. LabSpace minskar detta hinder. I stället för att be kunderna genomföra en omfattande förändring direkt skapar vi en miljö där de kan utforska hur ett bättre arbetsflöde i framtiden skulle kunna se ut innan de bestämmer sig för användning, implementering eller storskalig utrullning.

Vår organisation har två typer av användare. Externt använder kunderna det för att förstå vad nya funktioner skulle kunna innebära för deras verksamhet. Internt använder produkt-, teknik- och innovationsteam det för att testa tidiga idéer med verklig kundåterkoppling utan att i förtid omvandla varje experiment till ett fullständigt produktåtagande.

I den meningen är LabSpace både ett skyltfönster och ett lärsystem. Det hjälper oss att testa attraktivitet, genomförbarhet, lönsamhet och organisatorisk passform på ett mycket mer konkret sätt. Omfattningen är bred: vi strävar efter att göra innovation tillgänglig för hela SAP Signavios kundbas och samtidigt ge interna team en repeterbar väg från lovande idéer till validerad produktriktning.

Leveransmodellen är medvetet lättviktig. Vi tvingar inte in kunder i omfattande implementeringscykler bara för att de ska kunna uppleva innovation. Vi skapar strukturerade sätt med låg risk att ta del av nya funktioner, samla in återkoppling och förstå var det finns verkligt värde. Den djupare produktfilosofin är att företagsprogramvara inte bara ska hjälpa företag att förändras; den ska göra själva förändringsprocessen enklare.

Hur produktmodellen omformar sig själv med AI

Vi har nyligen börjat tänka om kring vilket minsta möjliga team som krävs för produktinnovation i ett tidigt skede.

Historiskt sett krävdes det ofta en liten tvärfunktionell grupp för att ens ta fram ett trovärdigt första koncept inom företagsprogramvara: produkt, design, teknik, domänkompetens och ibland stöd inom data eller arkitektur. Det var logiskt eftersom varje roll innebar specialiserade uppgifter som var svåra att komprimera. Men AI började dela upp dessa roller i uppgifter med mycket olika grad av automatisering.

Under det senaste året såg vi tiden från idé till ett kundvaliderbart första koncept minska dramatiskt. Produktchefer och ingenjörer kan nu själva täcka mycket mer av den tidiga innovationsytan: sammanställa kundsignaler, generera alternativa koncept, skapa prototyper, utforska kantfall, utarbeta berättelser och förbereda mer sammanhängande kundsamtal. Detta eliminerar inte behovet av expertis, omdöme eller tvärfunktionellt samarbete, men det förändrar när — och för vad — dessa personer behöver involveras.

Resultatet är inte bara högre hastighet eller lägre kostnader. Den mer intressanta förändringen handlar om ägarskap. Mindre grupper, och i vissa fall individer, kan nu driva en idé tillräckligt långt för att skapa meningsfulla insikter innan de samlar ett större team. Detta minskar grindvaktsfunktionen mellan roller och ger personer med starka idéer större frihet att skapa effekt.

För mig är detta en av de mest spännande förändringarna som AI har fört med sig till produktarbete. Vi levererar inte bara mer resultat inom den gamla modellen. I stället förändras själva modellens form: färre överlämningar, snabbare inlärningsloopar och större handlingsutrymme för de personer som står närmast möjligheten.

Hur AI utökar beslutsytan medan människor fattar besluten

Jag tänker allt oftare mindre i termer av ”vilken produktaktivitet använder AI?” och mer i termer av ”vilken typ av beslut fattar vi?”

AI blir mycket effektivt i aktiviteter som är informationsbaserade, generativa, jämförande eller reversibla. AI stödjer nu i hög grad marknadsundersökningar, skrivbordsundersökningar, sammanställning av kundsignaler, konkurrensbevakning, första utkast till berättelser, konceptutforskning, alternativa inramningar och till och med tidig idéutveckling för prototyper. Inom många av dessa områden gör AI inte bara arbetet snabbare; det förändrar också grundförväntan på hur mycket kontext en produktledare eller ett team bör bearbeta innan ett beslut fattas.

Jag är betydligt mer försiktig med beslut som kräver omdöme under verklig osäkerhet. AI kan informera dessa beslut, men bör inte äga dem. Prioritering, inriktning för produktplanen, strategiska avvägningar, kundlöften, prismodeller, organisatoriska åtaganden och tekniska satsningar kräver fortfarande att människor tar ansvar. Det här är inte bara optimeringsproblem. De omfattar ofullständig information, motstridiga värderingar, politiska begränsningar, kundförtroende, timing och konsekvenser som vi inte fullt ut kan modellera på förhand.

Enkelt uttryckt: AI är utmärkt på att utöka beslutsytan. Det kan visa fler alternativ, mer bevis, fler motargument, fler risker och fler mönster än ett team kanske skulle kunna generera på egen hand. Men människor måste fortfarande avgöra vad som är viktigt, vad som är värt att satsa på och vilken risk organisationen är beredd att bära.

Den skillnaden blir ännu viktigare när innehåll blir billigare. Om alla team kan generera välpolerade undersökningar, trovärdiga strategier och övertygande berättelser är innehåll inte längre den knappa resursen. Det är förtroende. Produktledarskap handlar därför mindre om att producera fler artefakter och mer om att bygga det omdöme, den styrning och den trovärdighet som krävs för att veta vilka artefakter som förtjänar att omsättas i handling.

Hur AI kan hjälpa produktledare att förbättra sin kommunikation med team

Ett AI-drivet arbetsflöde som jag använder nästan varje dag är inte ett klassiskt produktarbetsflöde, men det har gjort mig till en bättre produktledare: att omvandla ofiltrerade tankar till kommunikation som andra kan ta till sig.

Produktledarskap innebär tvetydighet, spänningar och återkoppling. Ibland reagerar jag starkt på något: en strategi, ett förslag, ett möte, ett beslut eller ett mönster som jag ser växa fram. Tidigare översatte jag omedelbart den reaktionen till något välformulerat och diplomatiskt. Det kan vara användbart, men det kan också göra att man förlorar den ursprungliga signalen.

Nu använder jag ofta AI som ett översättningslager. Först fångar jag mina råa tankar ärligt: vad som frustrerar mig, vad som är fel, vad det verkliga problemet är och vilken avvägning vi undviker. Jag skickar inte den versionen till någon. Det är den privata, ofiltrerade analysen.

Sedan ber jag AI att hjälpa mig omvandla detta till något användbart för målgruppen: ett mejl, ett Slack-meddelande, återkoppling efter ett möte, ett beslutsunderlag eller en uppsättning frågor. Arbetsflödet är: rå tanke → strukturerad analys → målgruppsanpassad kommunikation → mänsklig granskning → slutligt meddelande.

AI ersätter inte mitt omdöme; i stället hjälper det mig att bevara återkopplingens sanning samtidigt som onödig hetta tas bort. Det gör att jag först kan vara ärligare mot mig själv och därefter mer effektiv med andra.

För produktledare är det viktigt eftersom jobbet inte bara handlar om att ha rätt analys. Det handlar om att hjälpa andra att lyssna på den, engagera sig i den och agera utifrån den utan att gå i försvarsställning. AI har blivit användbart som en bro mellan äkta reaktioner och konstruktiv kommunikation.

Varför AI-produktarbete kräver organisatorisk förändring

AI-produktarbete är inte bara en produkt- eller teknikutmaning. Det är en utmaning inom organisatorisk förändring.

Det är inte svårt att hitta en liten grupp människor som är entusiastiska över AI. Att bygga tidiga prototyper är inte heller den svåraste delen. Det är betydligt svårare att driva innovation i AI-tempo genom incitamentsstrukturer, styrmodeller, godkännandevägar och leveransprocesser som utformats för en annan mjukvaruepok.

Många av dessa strukturer finns av goda skäl. De skyddar kvalitet, säkerhet, konsekvens, varumärke, regelefterlevnad och kundförtroende. Men AI förändrar dramatiskt hastighet, omfattning och möjligheter, så vissa av dessa strukturer kan bli flaskhalsar om organisationer inte omprövar dem.

Därför behöver du ett mandat inte bara att köpa verktyg, utan också att utbilda människor eller bygga AI-funktioner. Du behöver även ett mandat att förändra hur arbetet rör sig genom organisationen: vem som får experimentera, hur beslut och risker utvärderas, hur feedback införlivas och hur snabbt en idé kan gå från utforskning till kundlärande.

Om jag hade förstått det tydligare tidigare skulle jag ha ägnat ännu mer tid åt de ”oheroiska” grunderna: incitament, behörigheter, granskningsmodeller, lärloopar och organisatoriskt förtroende. Det arbetet skapar inte alltid ett spektakulärt lanseringsögonblick. Men utan det kan processer som inte är utformade för AI:s hastighet lätt fånga in AI-innovation.

Och vi hade också kunnat undvika en del av den friktion som uppstod när vi bad människor att innovera med AI samtidigt som vi fortfarande tvingade dem att följa operativa begränsningar från tiden före AI.

Varför produktledare måste utforma om hur värde flödar

Produktledare måste ställa svåra frågor: Var flödar värdet? Vilka delar av produktens kontaktytor förblir värdefulla när agenter blir användare? Vilka arbetsflöden blir standardiserade? Vilka flaskhalsar flyttas från skapande till verifiering, förtroende, integration och införande? Saker som Wardley-mappning och analys av värdeflöden blir viktigare eftersom de tvingar dig att se var produkten och organisationen kan behöva förändras, inte bara var AI kan införas.

Vi har arbetat med att utforma om hur innovation når kunderna. Historiskt sett kunde innovation lätt koncentreras till ett specialiserat team, nästan som en nischad verksamhet som minskade riskerna med idéer för resten av organisationen. Det kan fungera i liten skala, men AI förändrar möjligheternas omfattning. Ett litet innovationsteam bör inte utföra intressant AI-arbete medan alla andra tittar på. Målet är att göra innovation till en bredare organisatorisk förmåga.

Det innebär att skapa system där fler människor kan engagera sig i nya idéer, testa dem med kunder, lära sig av feedback och bidra till produktens riktning. I praktiken innebär det att gå från ”innovation som team” till ”innovation som en repeterbar operativ modell”.

Lukas States

Resultatet är viktigare än enbart hastighet. Fler människor kan delta och validera idéer tidigare, vilket gör det möjligt för organisationen att mer effektivt skilja verkligt värde från imponerande demonstrationer.

Resultatet är viktigare än enbart hastighet. Fler människor kan delta och validera idéer tidigare, vilket gör det möjligt för organisationen att mer effektivt skilja verkligt värde från imponerande demonstrationer. För en AI-förstärkt framtid kan det vara en av de viktigaste förändringarna: inte ytterligare en funktion, utan ett produktsystem som hjälper hela organisationen att lära sig snabbare.

Varför produktorganisationer måste belöna nya beteenden för att få ut mesta möjliga av AI

Den största luckan har funnits i utformningen av incitament.

Att förändra vad organisationen belönar är svårare. AI-verktyg är lätta att få tillgång till, och det är lätt att hitta entusiastiska människor. Om människor fortfarande får incitament att skydda snäva yrkesgränser, undvika experiment, följa långsamma godkännandevägar och optimera för förutsägbar leverans, kommer AI-användningen att förbli ytlig.

AI skapar värde när människor kan röra sig över gränser, testa snabbt och ta ett större helhetsansvar. Det kräver tillåtelse, förtroende och incitament som stämmer överens med det nya arbetssättet.

Frågan är alltså inte bara om människor använder AI. Den bättre frågan är om organisationen belönar de beteenden som gör AI användbart.

Hur brist på sammanhang kan bli en flaskhals för avkastningen på investeringen

En stor del av företagsvärdet beror på tyst kunskap: hur processer fungerar, var undantag uppstår, vilka överlämningar som är viktiga, vilka regler som är formella respektive informella och var organisatoriska incitament i det tysta formar beteendet. System, dokumentation eller data fångar ofta inte denna kunskap på ett tydligt sätt. När företag inför AI kan AI därför verka imponerande på gränssnittsnivå, men det når inte nödvändigtvis kärnan i hur arbetet utförs.

Det är en av anledningarna till att avkastningen på investeringen har varit svårare att uppnå än många förväntade sig. Möjligheten är verklig och modellkostnaderna kommer att fortsätta sjunka, men flaskhalsen är ofta inte själva modellen. Flaskhalsen är sammanhanget. Om organisationen inte har gjort processer, beslut, data och ansvar tydliga och begripliga har AI begränsad hävstång.

Min besvikelse handlar alltså inte om att AI är svagt. Den handlar om att AI blottlade hur mycket organisatorisk kunskap företag aldrig strukturerade ordentligt från början.

Lukas States

Om organisationen inte har gjort processer, beslut, data och ansvar tydliga och begripliga har AI begränsad hävstång. Min besvikelse handlar alltså inte om att AI är svagt. Den handlar om att AI blottlade hur mycket organisatorisk kunskap företag aldrig strukturerade ordentligt från början.

Varför du inte bör montera AI utanpå en produkt

Dåliga resultat uppstår ofta när AI behandlas som ett tillägg. Den mest uppenbara varianten lägger till ett chatt- eller promptgränssnitt i ett befintligt arbetsflöde bara för att visa att AI finns med. Det kan skapa ett falskt löfte. Ett promptgränssnitt antyder obegränsad kapacitet, men företagsprogramvara behöver vanligtvis avgränsad, styrd och arbetsflödesspecifik intelligens. När AI-gränssnittet överstiger den faktiska kapaciteten urholkas förtroendet snabbt.

Jag ser inte AI som en legobit som du helt enkelt kan fästa på en produkt. Jag ser det mer som att byta ut en spelare i en lagsport. När en spelare byts ut förändras strategi, interaktioner, beroenden och alla sätt som saker kan gå fel på. Om du inte gör om det omgivande systemet kan du få en imponerande demonstration, men ofta skapar du mer komplexitet längre fram.

De bästa integrationerna är ofta de minst påtagliga. AI hjälper användarna att arbeta snabbare, förstå sammanhang, fatta bättre beslut eller undvika onödigt arbete — utan att de behöver hantera AI som något separat.

Varför produkter inte längre byggs enbart för människor

Produkter byggs inte längre enbart för mänskliga användare. AI introducerar en ny typ av användare: agenter, automatiseringar och maskinaktörer som interagerar med produkter på andra sätt än människor.

I årtionden har produktteam utgått från den mänskliga kunden: dennes mål, problem, arbetsflöden, uppmärksamhet, tålamod och förväntningar. Det är fortfarande avgörande. Men i många företagskontexter utformar vi nu produkter för en blandad miljö där både människor och agenter använder, tolkar och agerar utifrån produktens funktioner.

Det förändrar subtila men viktiga antaganden. Ta något så enkelt som sökning. En svarstid som känns omedelbar för en människa kan vara för lång för en agent som arbetar i ett större arbetsflöde. Ett gränssnittselement som hjälper en person att förstå sammanhanget kan vara irrelevant för en agent, medan strukturerade metadata, konsekventa API:er, behörighetsstyrning, spårbarhet och maskinläsbara semantiska betydelser blir viktigare.

Antagandet jag överger är alltså inte ”bygg för människor”. Det är ”människor är de enda betydelsefulla användarna”. AI tillför en ny användartyp med andra begränsningar: snabbhet, tillförlitlighet, komponerbarhet, observerbarhet och åtkomst till sammanhang.

Tre råd till produktledare som implementerar AI

Här är mina råd till produktledare:

1. Se inte AI som en upphandlingsövning. Att köpa verktyg, lägga till copiloter eller implementera agenter är inte själva omvandlingen. Omvandlingen handlar om att förstå hur AI förändrar uppdelningen av arbetet, gränserna mellan roller, överlämningarna i arbetsflödet och hur värde skapas för kunderna.
2. Optimera för ändamålsenlighet före effektivitet. AI bör inte bara minska arbetsinsatsen; det bör hjälpa produktteam att lösa problem som tidigare var för långsamma, för dyra eller för komplexa att hantera. Frågan bör inte bara vara: ”Kan vi göra detta billigare?” Den bör vara: ”Kan vi nu skapa ett bättre resultat som tidigare var utom räckhåll?”
3. Mät tillförlitliga resultat, inte AI-aktivitet. Att räkna uppmaningar, token, copiloter, agenter eller prototyper kan lätt bli produktivitetsteater. Produktledare bör i stället fråga: Fick kunden tillgång till värde snabbare? Förbättrades arbetsflödet? Gick genomloppstid, kvalitet, risk, regelefterlevnad eller kundupplevelse i rätt riktning? Fattade vi ett bättre beslut, eller producerade vi bara fler artefakter?

Kort sagt: AI bör få produktledare att bli mer ambitiösa, inte bara mer effektiva. Möjligheten ligger inte i att montera intelligens på det befintliga systemet. Möjligheten är att omforma systemet så att intelligens kan skapa ansvarsfullt, mätbart och varaktigt värde.

Följ med

Du kan följa Lukas Eggers arbete på LinkedIn och X. Lyssna också på hans podcast, Processtransformatorer.

Fler expertintervjuer kommer på CPO-klubben!