Den AI-drevne produktchef: Sådan lancerer Dr. Nancy Li AI-produkter på få uger
Lær Dr. Nancy Lis rammeværk for AI-drevet produktlevering, og se, hvordan man automatiserer produktledelsesarbejde, validerer idéer hurtigt og lancerer AI-produkter på få uger med målbar værdi.
Nancy Li
Produktdirektør, YouTuber og LinkedIn-topstemme
Brancheførerskab: Dr. Nancy Li er en anerkendt produktdirektør, YouTuber og LinkedIn-topstemme inden for AI-produktledelse.
Projektledelse med AI: AI forandrer projektlevering ved at fokusere mere på beslutningstagning end på ren dokumentation.
Automatisering af opgaver: Automatisering af centrale produktledelsesopgaver sparer betydelig tid og øger effektiviteten og produktiviteten.
AI-produktets livscyklus: Et struktureret rammeværk for AI-produkter fremskynder lanceringen og sikrer samtidig, at AI-applikationer skaber reel værdi.
Rollernes fremtid: AI kan erstatte nogle roller, men understreger behovet for dygtige, AI-drevne produktchefer.
Dr. Nancy Li er en anerkendt produktdirektør, YouTuber og LinkedIn Top Voice. Hun grundlagde Product Manager Accelerator, to AI-produkter og AI Product Management Bootcamp — sidstnævnte står bag lanceringen af mere end 40 AI-produkter fra den virkelige verden.
Vi talte med hende for at forstå, hvordan hun gør. Hun gav os sin metode til hurtig og effektiv projektlevering.
Uddannelse af produktchefer
Jeg grundlagde Product Manager Accelerator, som har hjulpet mere end 1.500 produktchefer med at få deres drømmejob som PM'er i FAANG-virksomheder og enhjørningestartups — og med at blive forfremmet til produktledere. Og jeg grundlagde AI Product Management Bootcamp, som har hjulpet med at lancere 40 virkelige AI-produkter.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Senest udviklede vi to AI-produkter til vores studerende: AI Study Companion og AI Interviewer Copilot. De bruges i øjeblikket af studerende på PM Accelerator, og vi lancerer produktet til eksterne brugere i 2026.
Jeg var også en af de yngste med en ph.d. i ingeniørvidenskab fra BU, og jeg er alumne fra MIT Sloan School of Business. Jeg er en prisbelønnet produktdirektør og YouTuber. Jeg har været omtalt i Forbes, og jeg er LinkedIn Top Voice.
Hvordan AI ændrer projektlevering fra artefakter til beslutninger
På grund af AI ændrer projektlevering sig fra at producere artefakter til at træffe beslutninger. Vi bruger mindre tid på dokumentation og koordinering og mere tid på at formulere de rigtige problemer, validere antagelser og designe AI-understøttede arbejdsgange.
På grund af AI ændrer projektlevering sig fra at producere artefakter til at træffe beslutninger.
Det går hurtigere, er mere iterativt og handler i stigende grad om at koordinere mennesker og AI — ikke om at styre overdragelser.
Som CEO og CPO var jeg i stand til at halvere mit team og fordoble mit output ved at udnytte AI's kraft.
Hvilke centrale PM-opgaver kan automatiseres
Jeg sparer mindst otte timer om ugen på produktledelsesopgaver ved at automatisere mit arbejde. Følgende opgaver bør automatiseres:
- Generering af krav
- Udarbejdelse af prototyper
- Markedsundersøgelser
- Fejlfinding
- Kundeinterviews — vi bruger Dovetail til at opsummere mødenoter og omdanne dem til krav.
- At sætte sig ind i nye projekter
- At komme ajour med ethvert emne, f.eks. branchenyheder
- Opsummering af eksisterende teknologistakke
- Oprettelse af systemarkitekturdiagrammer baseret på den eksisterende kodebase
Men det er vigtigt at bemærke, at der stadig kræves et menneskeligt præg på nogle områder, f.eks. overgangen fra prototype til produkter på produktionsniveau og udarbejdelsen af en produktstrategi, der rent faktisk hjælper dig med at skille dig ud.
Der kræves stadig et menneskeligt præg på nogle områder, f.eks. overgangen fra prototype til produkter på produktionsniveau og udarbejdelsen af en produktstrategi, der rent faktisk hjælper dig med at skille dig ud.
Hvordan AI ændrer de centrale leverancerutiner for produktteams
Alt dette påvirker leverancerutinerne.
AI halverer tiden, det tager at definere projektomfanget . I dag kan du indsamle kundefeedback og gennemføre markedsundersøgelser så nemt.
Og selvom det stadig kræver et menneskeligt touch at få teams til at arbejde sammen, kan AI hjælpe med at opsummere teammøder og spare tid på den måde.
En ramme for udvikling af AI-produkter
Som jeg nævnte, har min bootcamp hjulpet med at lancere over 40 AI-produkter. For at gøre dette skabte vi en hypoteseproces for AI. Det er et enkelt, gentageligt system, vi bruger til at validere AI-idéer, før vi bygger dem.
Det begynder med problemdefinition ved hjælp af vores GUCCI-ramme (mål og mission, udækkede behov, kundesegmentering, konkurrence og integreret økosystem), hvor vi tydeliggør brugerens mål, smertepunkt, begrænsninger og den indvirkning, vi ønsker at skabe.
Derfra formulerer vi en AI-hypotese — en klar erklæring om, hvilke input AI'en har brug for, hvilke output den skal generere, og hvordan den vil forbedre arbejdsgangen. Dette danner grundlag for vores datastrategi og et hurtigt AI-konceptbevis for at teste den tekniske gennemførlighed.
Derefter validerer vi AI-input og -output direkte med kunderne for at bekræfte, om funktionen faktisk løser et reelt problem. Kun validerede idéer går videre til produktets MVP, hvor vi designer hele den AI-understøttede brugerrejse.
Når MVP'en er lanceret, måler vi, om vi har opnået AI-produkt–markedstilpasning. Hvis ja, skalerer vi gennem en generaliseringsstrategi, udvider anvendelsesområderne og udnytter data fra rigtige brugere til at styrke vores data- og produktfordel.
Denne livscyklus — GUCCI → AI-hypotese → PoC → MVP → PMF → skalering — gør det muligt for os konsekvent at lancere AI-produkter på omkring tre måneder, samtidig med at vi sikrer, at AI kun bruges dér, hvor den virkelig skaber målbar værdi. Du kan læse mere om processen her.
Sådan fremskynder specifikationsdrevet produktledelse leveringen af AI-produkter
En anden vigtig del af dette er, at vi har bevæget os væk fra traditionelle projektledelsesmetoder — at skrive krav, vente på, at designere laver mockups, og vente på, at udviklere laver den første prototype. Nu bruger vi en specifikationsdrevet produktledelsesproces, hvilket betyder, at vi bruger AI-værktøjer til hurtigt at skrive krav og generere prototyper.
Nu bruger vi en “specifikationsdrevet” produktledelsesproces, hvilket betyder, at vi bruger AI-værktøjer til hurtigt at skrive krav og generere prototyper.
Vi kan omsætte produktkrav til prototyper på en time uden kode og eksperimentere hurtigt med idéer. Når vi fjerner afhængighederne af designere og udviklere, forkortes tidsplanerne, og projektledere sparer nemt flere timer hver uge.
Sådan gør du:
- Bed ChatGPT om hjælp til produktkravene for dine idéer
- Indtast vores produktidéer
- ChatGPT vil derefter stille afklarende spørgsmål og designe det detaljerede kort over brugerrejsen
- Bed ChatGPT om at generere kravene.
- Indsæt kravene i Google AI Studio for at generere prototypen.
Hvorfor en scenarieorienteret filosofi skaber målbar værdi
Vi har stor fokus på agenter. Faktisk er vores primære produktretning i høj grad baseret på agentbaserede arbejdsgange — både i vores virksomhed og i vores produkter. Det betyder, at AI får ansvar for resultater og ikke kun for prompts.
Internt hjælper agenter os med at omdanne komplekse arbejdsgange til skalerbare processer af høj kvalitet, som kan gentages. Kombineret med vores evalueringssløjfe fra start til slut er agentbaserede systemer blevet en pålidelig motor bag kvaliteten af vores leverancer.
Vi bruger for eksempel agenter, der indlæser kundedata, genererer indsigt, udarbejder PRD'er, genererer designvariationer og laver designprototyper. Og vi har skabt en "AI-sekundær hjerne", der kan brainstorme idéer med mig som en juniorproduktchef.
I vores produkter fokuserer vi på arbejdsgange, der skaber reel værdi for vores læringsfællesskab: læringsassistenter, dokumentintelligens og ræsonnering i flere trin.
Vores filosofi er enkel: AI skal understøtte scenariet, og scenariet skal skabe målbar værdi.
Efter vores opfattelse handler AI ikke om at jagte den nyeste model — det handler om disciplineret udvikling, scenariedrevet design og håndværket med at forfine hver komponent, indtil den virkelig tjener brugeren.
Efter vores opfattelse handler AI ikke om at jagte den nyeste model — det handler om disciplineret udvikling, scenariebaseret design og håndværket i at forfine hver enkelt komponent, indtil den virkelig tjener brugeren.
Hvordan agenter kan blive mere sofistikerede med LangGraph
Lad os se nærmere på en agentbaseret arbejdsgang. Denne specifikke anvendelse er måske ikke bredt anvendelig, men jeg tror, at detaljerne i, hvordan vi implementerede den, kan være nyttige i avancerede PM-baserede arbejdsgange.
I den tidlige fase af vores AI Interviewer Copilot var vores system primært en RAG-centreret assistent bygget på LangChain. Den fungerede godt til hurtig iteration og hjalp os med at etablere et stærkt fundament inden for dokumentbehandling og kvaliteten af informationssøgningen, men efterhånden som assistenten voksede i funktionalitet og kompleksitet — med understøttelse af flertrinsræsonnering, nye opgavetyper, personalisering og samarbejde mellem forskellige ræsonneringsmoduler — var en ren RAG-pipeline ikke længere tilstrækkelig.
Den tidlige udfordring handlede ikke kun om kompleksitet, men også om at sikre en pålidelig, gentagelig levering af høj kvalitet, når indholdskilderne var heterogene og konstant under udvikling. Vi havde brug for et rammeværk, der kunne understøtte agentbaseret RAG, hvor flere specialiserede agenter arbejder sammen på en kontrolleret og fortolkelig måde.
Det førte til implementeringen af LangGraph. Det giver determinisme, gennemsigtighed og eksplicit tilstandshåndtering, hvilket er afgørende, når man bygger en konversationsassistent, hvis ræsonneringstrin skal kunne revideres, forklares og gentages. Skiftet til LangGraph passede også godt med vores langsigtede retning: at bygge en intelligent assistent frem for et system til spørgsmål og svar i én enkelt omgang.
Så vi genopbyggede leveringsarbejdsgangen ved hjælp af moderne AI-orkestrering:
- LangGraph til deterministiske tilstandsovergange mellem flere agenter
- Evalueringssløjfer for indlejringer og informationssøgning for at stabilisere RAG-agenten
- Dokumentbehandling, der bevarer metadata, for at forhindre semantisk afvigelse
Nu består det af et system med flere agenter: en RAG-agent, en agent til CV-gennemgang og en agent til kontekstorkestrering. Vi implementerede et komplet evalueringsrammeværk fra start til slut — der dækkede nøjagtighed på komponentniveau (opdeling i bidder, indlejring, informationssøgning) og nøjagtighed på systemniveau (den endelige svarrelevans, hallucinationsrate).
Og ved løbende at finjustere hver komponent og integrere automatiserede regressionstests sikrede vi, at systemet opnåede en nøjagtighed på over 90 % før hver større udgivelse.
I sidste ende mener vi, at et moderne AI-system ikke defineres af en enkelt model. Det defineres af et velorkestreret økosystem af komponenter: dokumentintelligens, stabil informationssøgning, samarbejde mellem flere agenter, hukommelsesstrukturer og løbende evaluering.
Vi mener, at et moderne AI-system ikke defineres af en enkelt model. Det defineres af et velorkestreret økosystem af komponenter: dokumentintelligens, stabil informationssøgning, samarbejde mellem flere agenter, hukommelsesstrukturer og løbende evaluering.
Hvordan AI-assisteret fejlfinding fremskynder leveringen
AI-assisteret fejlfinding var en vigtig del af den vellykkede implementering — vi var i høj grad afhængige af den.
Værktøjer som Claude Code og Cursor hjælper os med hurtigt at diagnosticere integrationsproblemer, generere enhedstests og gennemgå vanskelige randtilfælde i promptadfærd. Det øgede vores udviklingshastighed markant, især når vi skulle rette logiske fejl eller uventede modeloutput.
Sådan ser en AI-første værktøjsstak til produktledelse ud i praksis
Her er vores teknologistak til produktledelse:
- Google AI Studio til prototypeudvikling
- Claude Code til at identificere problemer, gennemgå randtilfælde og generere målrettede enhedstests
- Cursor til fejlfinding
- ChatGPT til PRD'er
- ChatPRD til produktledelse
- Dovetail til at udlede krav fra kundeindsigter
- Miro til samarbejde
Min favorit er nok Claude Code. Det hjælper os konsekvent med at opdage integrationsproblemer eller logiske mangler langt tidligere end traditionel fejlfinding alene. Og det er betydeligt bedre end Lovable. Selvom der er meget hype omkring Lovable, er det ikke egnet til avanceret AI-udvikling på produktionsniveau.
Vil AI erstatte projektledere og produktroller?
I sidste ende tror jeg, at AI vil erstatte projektledere. Vi har simpelthen ikke længere brug for projektledere til at styre processer! Faktisk vil mange stillinger på begynderniveau blive erstattet af AI — det gælder blandt andet softwareingeniører, designere og dataanalytikere.
Vi har dog brug for flere AI-drevne produktchefer, som kan træffe beslutninger ved hjælp af AI, lede tværfunktionelle teams med henblik på at føre produktvisioner ud i livet og sikre effektiv interessenthåndtering samt skabe resultater hurtigt.
Mit råd? Du skal hurtigt opkvalificere dig inden for brugen af eksisterende AI-værktøjer og gentænke produktleveringen. Og overvej specifikt at fokusere på AI-produkter. Sådan ser jeg på det: Du kan enten skabe AI-produkter og lede innovationen eller blive erstattet.
Følg med
Du kan følge Dr. Nancy Li, mens hun lancerer AI-produkter og lærer andre at gøre det samme, på YouTube, LinkedIn, X, hendes podcast og PM Accelerator-webstedet. Du kan også se hendes nye Bootcamp i AI-produktledelse.
Der kommer flere ekspertinterviews på The Digital Project Manager!
