Kunstig intelligens er den perfekte modenhedstest for enhver softwareproduktorganisation. På grund af udviklingshastigheden af nye store sprogmodeller (LLM) og guldfeberen omkring disse modeller er der stor strategisk usikkerhed med hensyn til omfanget og hastigheden af forandringer i alle softwareproduktkategorier. Usikkerheden afspejles i samtalen om kunstig intelligens, som strækker sig fra de vilde fremtidsscenarier, hvor vi alle bliver arbejdsløse, til de teknologi-skeptiske indlæg, der ser endnu et forsøg fra Silicon Valley til at rejse eksorbitante beløb til at udvikle algoritmer, som basalt set kan vælge det næste ord i en sætning baseret på en stokastisk variabel.
Vi har altså en teknologi med stort artikuleret potentiale og stor risiko med hensyn til vores mulighed for at indfri dette potentiale. Den gode produktledelsespraksis er netop gearet til at håndtere en sådan opgave, hvor risikoen ikke bare er teknisk, men strækker sig ind i brugervenlighed, bæredygtighed, og mulighed for at skabe værdi for både kunden og den virksomhed, som tilbyder produktet.
Du kan således bruge mine syv eksperimenter med kunstig intelligens til at vurdere modenheden af din produktledelsespraksis. Vi starter i den tunge ende. Hvis du kan gå i gang med det første (eller andet) eksperiment i morgen, så har du som produktansvarlig en meget moden praksis og er del af en god softwareudviklingspraksis. Jo længere ned af listen du kommer, jo mindre modenhed er nødvendig for at gå i gang.
ADVARSEL: Artiklen her er udelukkende en målestok for modenhed. Jeg vil ikke nødvendigvis anbefale dig at gå i gang med eksperimenterne uden en forudgående proces, hvor I vælger hvordan I vil arbejde med kunstig intelligens. Husk at Udsyn og Udforskning kommer altid før Udvikling i de tre uundgåelige U’er.
1. Autogenerering af integrationer med partnere
Medmindre du allerede er i gang med at lave dit eget IDE baseret på kunstig intelligens, så kræver dette eksperiment den højeste modenhed, da det involverer allokering af tekniske ressourcer, som kan skabe automatiske API-integrationer mellem dit system og partneres systemer ud fra tekstbaserede prompter i form af den tilgængelige dokumentation. Gennem et API til en stor sprogmodel (LLM) skal løsningen kunne fortolke partnerens API-dokumentation, generere kode til integrationen og sætte den endelig løsning i produktion. Eksperimentet kræver en produktgruppe, som kan arbejde med en løsning i minimum 1-2 sprint. Kan de få MVP’en til at generere 80-90% af koden med et rimeligt kvalitetsniveau, så kan man overveje at lancere med en concierge-service for at minimere investeringen i kode, før du får rigtige indsigter fra brugerne.
2. Chatbot baseret på AI-agenter
De fleste organisationer har brugt de store sprogmodeller til at lancere en chatbot til kundeservice over de sidste to år, men et næste skridt på rejsen kan være en chatbot, der ikke blot svarer på spørgsmål, men kan udføre handlinger på vegne af brugeren. Eksperimentet kræver også adgang til en produktgruppe i et par sprint, da der skal laves integration med et eller flere systemer, håndtering af sikkerhed og brugerautorisation. Eksperimentet kan laves mere eller mindre komplekst ved at begrænse/udvide graden af automatisering, brugen af AI-agenter etc. Et sådant projekt ville være perfekt til en offentlig løsning, men jeg er relativt sikker på, at der ikke findes en myndighed i Danmark, der har en modenhed, hvor de kan lave et sådant eksperiment fra den ene dag til den anden ☹.
3. Individuelt tilpasset produktintroduktion
Her skal vi bygge en produktintroduktion, hvor systemet automatisk tilpasser introduktionsforløbet baseret på brugerens adfærd. Dette kan inkludere personaliserede vejledning, adaptive hjælpetekster og intelligent navigation af nye brugere til relevante funktioner. Teknisk er det mindre krævende end de to første eksperimenter, eftersom vi primært retter de store sprogmodeller mod brugeroplevelsen på applikationsniveau.
4. Automatiseret indsigt fra kundedata
Hvis din organisation allerede har store mængder af kundedata fra f.eks. en chatbot, så kan disse datamængder bruges til at generere handlingsrettede indsigter om nye produktfunktioner, muligheder for ekstra salg, eller kundeservicebehov. Da der er tale om et internt system, er risikoen for forretningen signifikant lavere end ved de første tre eksperimenter. Start her, hvis de tre første virker uoverskuelige med det modenhedsniveau, som I har i jeres nuværende produktledelsespraksis.
5. Hurtige prototyper baseret på Vibe-kodning
Her kan eksperimentet være internt i produktledelsesfunktionen eller bredere med involvering af designerne og udviklerne. Igen kan det være en fordel at starte mere snævert i en mindre moden produktledelsespraksis, hvor samarbejdet med de andre funktioner er begrænset. Brug Vibe-kodeværktøjer (så som Lovable) til at skabe en prototype af den løsning, som du ønsker. Formålet med dette eksperiment er at reducere tiden fra idé til testbar prototype. Hvis din produktledelsespraksis er moden nok, kan den efterfølgende analyse også inkludere en gennemgang af koden med udviklerne for at forstå, om der findes en bedre overgang fra udforskning til udvikling end brugerhistorier. Hvis det første eksperiment er succesfuldt, kan du skabe en version med integration til dit design system, så designkomponenter kan genbruges på en let måde.
6. Automatiseret indsigt fra markedsdata
Nu er vi nede på et lavt risiko-niveau for virksomheden. Hvorvidt du kan udfører eksperimentet, afhænger primært af, om du har tiden til at bygge en MVP. Analysen af konkurrentdata, branchetrends og markedsudvikling for at identificere produktmuligheder eller trusler kan enten ske manuelt gennem brug af prompter eller automatisk ved at bruge API’erne til de store sprogmodeller. Dette kan inkludere automatisk overvågning af konkurrenters funktioner, prisændringer eller kundefeedback på sociale medier. Eksperimentet hjælper produktledere med at træffe datadrevne strategiske beslutninger baseret på eksterne signaler.
7. Generering af brugerhistorier
Ligesom eksperiment nr. 6 er du uafhængig af andre funktioner for at eksperimentere med generering af produktinitiativer, epics, og brugerhistorier. Kunstig intelligens kan hjælpe med at formulere brugerhistorier i korrekt format og foreslå testscenarier. Dette kan accelerere produktplanlægning og sikre mere konsistente krav på tværs af teamet. Vi er nu nede på det lavest påkrævede modenhedsniveau for din produktledelsespraksis. Her kan alle være med og få erfaringer med de store sprogmodeller.
Indsigt gennem god produktledelse
Mine syv eksperimenter med kunstig intelligens har givet en indsigt i, hvordan en god produktledelsespraksis kan hjælpe softwareudviklingsorganisationer med at navigere i et marked præget af usikkerhed på grund af nye teknologiske muligheder. En moden produktledelsespraksis skaber den nødvendige psykologiske sikkerhed til at håndtere nye muligheder på en proaktiv måde. Læs mere on de tre uundgåelige U’er her.
