Senior vice president för produktledning diskuterar skiftet från linjära processer till parallell iteration

Suman Chittimuri är Senior VP för produktledning på Kore.ai, där han leder AI-drivna produkter som betjänar miljontals användare inom företagsarbetsflöden som HR, IT, inköp och kundupplevelse.

Vi pratade med Suman för att förstå hur AI omformar produktutveckling som disciplin. Han menade att AI, i stället för att förbättra befintliga arbetsflöden, tvingar team att tänka om helt och hållet – från linjära processer till kontinuerlig, parallell iteration.

Att tillämpa AI i företagsarbetsflöden

Jag är Senior VP för produktledning på Kore.ai, där jag leder produktinitiativ som tillämpar AI i företagsarbetsflöden – inom HR, IT, inköp och kundupplevelse.

Vi utformar våra produkter för stora företag och betjänar både medarbetare och slutkunder i stor skala inom branscher som bank, hälso- och sjukvård samt detaljhandel, med stöd för miljontals interaktioner. Vi använder också en plattformsbaserad leveransmodell där vi bygger centrala AI-funktioner som återanvändbara komponenter och distribuerar dem i flera arbetsflöden – vilket gör att vi kan skala användningsfall snabbare samtidigt som vi upprätthåller konsekvens och kontroll.

Under det senaste året har AI gått från att vara ett stödjande lager till att bli ett centralt genomförandelager. Den förändringen påverkar inte bara funktioner, utan också hur vi utformar produkter, hur team arbetar och hur snabbt vi går från idé till resultat.

Den förändrade synen på produkter formade min resa mot produkttransformation driven av AI.

Så accelererar AI produktutvecklingens arbetsflöden

På grund av AI gick vi från en linjär produktutvecklingsmodell till ett mer kontinuerligt, AI-assisterat arbetsflöde.

Tidigare genomfördes upptäckt, framtagning av PRD:er, design och prototypframtagning sekventiellt. AI bryter upp den modellen. Den stöder vart och ett av dessa steg parallellt genom att generera forskningsunderlag, utarbeta specifikationer och skapa tidiga prototyper nästan samtidigt.

Resultatet blev ökad hastighet och fler iterationer. Det som tidigare tog dagar sker nu på timmar, vilket gör att team kan undersöka fler alternativ och förfina snabbare. Det innebär att team kan – och bör – undersöka fler alternativ innan de fattar beslut.

Allt detta kräver vissa förändringar:

• Från sekventiella överlämningar till kontinuerlig iteration
• Från att producera artefakter till att förfina resultat
• Från begränsad utforskning till snabba experiment

Flaskhalsen är inte längre att bygga – utan att besluta vad som ska byggas och att validera det effektivt. Vi har behövt stärka valideringslagren och tillämpa mänskligt omdöme mer medvetet.

Varför AI informerar produktbeslut – men människor fattar de slutliga besluten

Vi förlitar oss i hög grad på AI för att informera om och accelerera uppströmsaktiviteter och genomförandetunga aktiviteter:

• Stöd för upptäckt (sekundär efterforskning, konkurrentanalys)
• Problemformulering och inledande utforskning av lösningar
• Utarbetning av PRD:er och underlag för färdplanen
• UX-koncept och tidig prototypframtagning
• Experimentdesign och utforskning av tekniska avvägningar

Det här är områden där hastighet, bredd och iteration spelar roll. AI presterar bra här.

Mänsklig medverkan förblir uttrycklig i beslutsfattande och områden som kräver mycket kontext:

• Primär research och djup kundförståelse
• Slutlig prioritering och åtaganden i färdplanen
• Förfining av användarupplevelsen och designkonsistens
• Tolkning av experimentresultat
• Beslut om avvägningar mellan verksamhet, teknik och intressenter

Anledningen är enkel: AI är bra på att generera alternativ och mönster, men sämre på omdöme, kontext och ansvarsskyldighet.

Enligt min erfarenhet påskyndar AI ”hur” och ”vad som är möjligt”, medan mitt team och jag ansvarar för ”vad som är viktigt” och ”vad vi åtar oss”.

Hur AI ökar produkthastigheten men utmanar kvaliteten

Överlag har jag sett tydliga förbättringar i hastighet och genomströmning inom olika produktaktiviteter:

• Skapandet av PRD:er minskade från ~1 dag till ~2–3 timmar
• Tidig prototypframtagning minskade från ~2 dagar till ~4–6 timmar
• Analys av konkurrenter och marknaden minskade från ~5–6 timmar till ~1–2 timmar
• Dataanalyscyklerna förkortades med ~60–70 %

Detta gör det möjligt för team att utforska fler alternativ och iterera snabbare inom samma tidsramar.

På minussidan är kvalitet och konsekvens ojämna:

• AI-resultat kräver ofta omfattande validering och omarbetning.
• Team tenderar att lita för mycket på de första resultaten, vilket leder till ytligt tänkande.
• Konsekvensen i användarupplevelsen försämras när AI genererar prototyper utan stark designöversyn.
• Inom vissa områden planar träffsäkerheten ut (t.ex. 80–85 % vid strukturerad extrahering), vilket begränsar användningen i beslut med höga insatser.

AI förbättrar effektiviteten avsevärt, men resultaten beror fortfarande i hög grad på hur noggrant teamen granskar och förfinar det som AI producerar.

Suman delar med sig

AI förbättrar inte bara arbetsflöden — det tvingar dig att tänka om kring dem…AI förbättrar effektiviteten avsevärt, men resultaten beror fortfarande i hög grad på hur noggrant teamen granskar och förfinar det som AI producerar.

Varför AI kräver att produktarbetsflöden tänks om

Här är något som produktledare behöver veta: AI förbättrar inte bara arbetsflöden — det tvingar dig att tänka om kring dem.

De flesta team börjar med att lägga AI ovanpå befintliga processer och lägger till copiloter, assistenter eller automatisering i fördefinierade steg. Det leder vanligtvis till stegvisa förbättringar i hastighet eller effektivitet, men kärnsystemet förblir oförändrat.

Den verkliga möjligheten uppstår när ni utformar om arbetsflödena och utgår från att AI är en central komponent från början.

När ni gör det förändras några saker:

• Arbetet blir mindre linjärt och mer parallellt—upptäckt, prototypframtagning och validering kan ske samtidigt.
• Kostnaden för att skapa och testa idéer minskar avsevärt, vilket möjliggör fler iterationer.
• Teamens roll går från att generera resultat till att granska, förfina och fatta beslut.
• Flaskhalsarna flyttas från genomförande till bedömning, validering och samsyn.

Men detta kräver att ni tänker om, inte bara kring processer utan också kring roller, ansvar och hur ni mäter kvalitet.

Om ni inte förändrar systemet begränsar ni resultatet. Ni får snabbare versioner av samma arbetsflöden — inte arbetsflöden som är fundamentalt bättre.

Hur AI effektiviserade arbetsflödena för upptäckt och prototypframtagning

Låt oss prata om vårt arbetsflöde från produktupptäckt till prototypframtagning.

Vi börjar med AI-assisterad upptäckt, där AI sammanställer marknadssignaler, konkurrenternas agerande och interna data för att skapa en första bild av problemområdet. Människodriven primär research — kundsamtal och inspel från intressenter — kompletterar detta.

Därefter hjälper AI till med problemstrukturering och utforskning av lösningar genom att generera flera angreppssätt, avvägningar och inledande hypoteser.

Sedan går vi vidare till att skapa PRD:er, där AI utarbetar den första versionen av krav, användarflöden och specialfall. Produktchefer förfinar detta med verksamhetskontext, begränsningar och prioriteringar.

Samtidigt stöder AI konceptutveckling och tidiga prototyper för UX genom att generera wireframes eller flöden för snabb granskning och iteration.

Slutligen kör vi en valideringsloop innan vi börjar bygga:

• PM, design och utveckling granskar resultaten.
• Vi identifierar luckor, inkonsekvenser och risker.
• Vi använder AI igen för att förfina resultaten baserat på feedback.

Det som tidigare var en sekventiell process sker nu i en tät loop, vilket ofta komprimerar flera dagars arbete till timmar.

Varför AI-drivna produktarbetsflöden från början till slut fortfarande inte är verklighet

Med allt detta sagt är AI ännu inte kapabelt att hantera ett verkligt tillförlitligt, autonomt produktarbetsflöde från början till slut.

Vi ser stora framsteg i enskilda steg, men ett system som konsekvent går från problem → lösning → lanserad produkt med minimalt mänskligt ingripande finns fortfarande inte.

Luckor uppstår när det gäller:

• Att bibehålla sammanhanget mellan stegen
• Att hantera specialfall och tvetydighet
• Att säkerställa jämn kvalitet och överensstämmelse med affärsmålen

Potentialen är övertygande, men i dag kan AI bara påskynda arbetsflödet. Det kan inte på ett tillförlitligt sätt ta ansvar för det från början till slut.

Hur AI omformar produktteamens roller och kompetenser

När det gäller produktteam framträder några förändringar tydligt:

• PM:er blir ”byggare”, vilket innebär att de förväntas arbeta nära AI, iterera snabbt och förstå hur saker ska implementeras, inte bara vad som ska byggas.
• Design- och utvecklingsrollerna flyttas tidigare i cykeln och samarbetar från början i stället för att ansluta efter att kraven har definierats.
• Kvalitetsansvaret är mer utspritt. Alla ansvarar för att validera AI:s resultat, inte bara inom sitt funktionella område.

Vi ser också ett behov av nya förmågor:

• Ett starkare fokus på utvärdering och testning
• Förmåga att arbeta med tvetydighet och icke-deterministiska system
• Bekvämlighet med snabb iteration och experimenterande

Varför ledare måste se upp med AI:s falska självsäkerhet

Ledare underskattar en betydande risk: falsk tilltro till AI:s resultat.

AI producerar ofta välformulerade och välstrukturerade svar som känns korrekta — även när de är ofullständiga eller felaktiga. Team tenderar att lita på resultaten utan tillräcklig validering.

I liten skala leder detta till mindre fel. I stor skala kan det leda till systematiska misstag som sprids genom arbetsflöden — i produktbeslut, kundinteraktioner eller operativa processer.

Suman delar med sig

Ledare underskattar en betydande risk: falsk tilltro till AI:s resultat…Team tenderar att lita på resultaten utan tillräcklig validering.

Varför Claude är det mest värdefulla verktyget inom produktledning

Om jag bara fick behålla ett AI-verktyg skulle det vara en AI-arbetsyta för allmänna ändamål – Claude och Claude Work.

Inte för att det är perfekt, utan för att det är det mest mångsidiga verktyget genom hela produktlivscykeln — upptäckt, problemformulering, utformning av PRD:er, underlag för prototyper och till och med teknisk utforskning.

Värdet ligger inte bara i själva verktyget, utan också i hur enkelt det kan passa in i olika arbetsflöden utan att kräva omfattande konfigurering eller integrering.

Specialiserade verktyg är användbara, men de tenderar att lösa specifika steg. En AI-arbetsyta för allmänna ändamål fungerar som ett lager för tänkande och genomförande som kan användas i flera olika faser.

Varför utvärdering och omdöme är det som spelar roll för produktledare

Här är vad jag önskar att jag hade vetat innan jag började arbeta med AI:

1. Utvärderingsdriven utveckling är avgörande: Du behöver tydliga sätt att mäta kvaliteten på tidiga resultat. Utan detta är det svårt att lita på eller skala AI-system.
2. Experimentering är inte valfritt: AI-system är icke-deterministiska. Du uppnår inte ett bra resultat i ett enda försök; du itererar genom flera versioner.

Så det är mitt råd. Börja med robusta utvärderingsramverk. Om jag hade gjort det skulle vi ha undvikit omarbete och falsk trygghet kring de tidiga resultaten.

Förstå också detta: Ett starkt produkttänkande drivs inte längre främst av djup domänkunskap.

Tidigare byggde PM:er upp och förlitade sig på djup expertis över tid. AI gör nu en stor del av denna grundläggande kunskap — marknadskontext, insikter om konkurrenter och till och med analyser på grundnivå — lättillgänglig.

Det som spelar större roll nu är inte bara vad du vet, utan hur du ställer frågor, syntetiserar information och använder ditt omdöme. Djupet är fortfarande viktigt, men det är inte längre den enda särskiljande faktorn.

Följ med

Du kan prenumerera på Suman Chittimuris nyhetsbrev om AI-kompetens på LinkedIn och hans produktnyhetsbrev på Substack. Följ honom också på LinkedIn.

Fler intervjuer med experter kommer på The CPO Club!