Leveranceleder hos Google deler, hvordan agentbaserede arbejdsgange ændrer produktledermodeller
Anshumani Ruddra forklarer, hvordan agentbaserede arbejdsgange hjælper leveranceteams med at bygge hurtigere, samtidig med at menneskelig dømmekraft, validering og beslutningstagning bliver endnu vigtigere.
Anshumani Ruddra
Produktleder hos Google
Det agentbaserede skifte: Agentbaserede arbejdsgange erstatter lineære overdragelser med parallel leverance på tværs af funktioner, forankret i fælles kode og dokumentation.
Menneskelig dømmekraft: AI håndterer koordinering og udarbejdelse, mens ledere fortsat har ansvaret for kvalitet, kreativitet, prioritering og tillid.
Begynd med en kortlægning: Teams bør hver uge kortlægge, hvad tiden går med, før de vælger værktøjer, og dermed undgå ukritisk anvendelse samt prangende, men ineffektive værktøjsstakke.
Ritualer betyder noget: Hurtigere AI-leverancer kræver stadig et klart omfang, afstemning med interessenter, grundig validering og disciplineret brug af tjeklister for at opretholde produktkvaliteten.
Ledelsesmodel: Succesfuld anvendelse af AI kombinerer ledere, der ændrer deres arbejdsgange, med teams, der eksperimenterer og deler forbedringer på tværs af organisationen.
Anshumani Ruddra er produktleder hos Google, hvor han arbejder med levering inden for virksomhedens betalingsprodukter. Han er også underviser og har haft leveringsroller på C-niveau.
Vi satte os ned med Anshumani for at lære, hvordan AI ændrer leveringen hos virksomheder som Google. Her er, hvad han sagde.
Udvikling af produkter hos Google
Jeg hedder Anshumani Ruddra. Jeg har brugt mere end 22 år på at udvikle forbrugerprodukter i krydsfeltet mellem teknologi, historiefortælling, popkultur og menneskelig adfærd — først som forfatter af børnebøger, derefter som spildesigner på globale sociale hits som Mafia Wars og Café World, og senere med at skalere Hotstar til en af verdens største streamingplatforme i IPL-årene.
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
De seneste fem år hos Google har jeg stået i spidsen for produktledelsen af den enormt succesfulde GPay-app i Indien, drevet hele Googles betalingsprodukttilbud i APAC og udviklet AI-produkter rettet mod forbrugere. I øjeblikket leder jeg en AI-produktudviklingsindsats fra ende til anden for at udvikle et helt nyt produkt.
Derudover underviser jeg produktledere og ledere i, hvordan man udvikler med AI, gennem mit Maven-kursus, Level Up to Product Super IC. Jeg varetager to roller samtidig — som praktiker og underviser — og begge former min tilgang til produktlevering: mindre koordinering og godkendelser, mere fokus på at gå fra indsigt til fungerende prototype uden at vente på tilladelse.
Hvordan AI gør det muligt for mennesker at gøre mere af det, de er bedst til
Jeg forsøger ikke at tænke på AI som bare endnu et, om end bedre, værktøj. Den måde at anskue det på får dig til at tro, at det kun handler om effektivitet. AI er en multiplikator — muligvis en, man kun ser én gang i århundredet.
Det giver mig mulighed for at bruge langt mindre tid på leverancens forbindende elementer: opsummering af møder, udarbejdelse af PRD'er, status- og opdateringer til interessenter samt indledende undersøgelser. Jeg har lagt meget af det over i et personligt "agentisk operativsystem", som i vid udstrækning kan køre sig selv.
Så nu bruger jeg min tid på de 10 %, der er vanskelige og menneskelige, ikke på de 90 % koordinering, der tidligere slugte hele ugen. Jeg fokuserer mere på selve håndværket. Tænkningen, vurderingerne og prototyperne.
Nu vi taler om prototyper, er det i sig selv en enorm forandring. Jeg kan nu validere en vision ved selv at bygge en funktionel prototype, før jeg tildeler den til nogen. Barrieren for at bygge er væk. Hvis jeg kan forestille mig det, kan jeg få et første udkast til at fungere.
Hvornår skal man bruge AI, og hvornår er et menneske nødvendigt?
Det arbejde, der lettest kan automatiseres, er syntese- og administrationslaget:
- Omsætte rå lyd fra møder til beslutninger og handlingspunkter
- Generere første udkast til PRD'er og undersøgelser
- Sortere indkommende signaler
- Håndtere opdateringer til interessenter
Du implementerer dette med personlige agenter, der overvåger dine input, fremhæver det, der kræver en beslutning, og udarbejder udkast til resten.
Kundeindsigt bliver også i høj grad underudnyttet her: Der findes nu værktøjer, som fortæller dig, hvilke funktioner du skal udvikle, og estimerer ARR-effekten, men de fleste team indsamler stadig feedback manuelt fra Slack og supportsager.
Men mennesker skal stadig definere, hvad der betyder “godt”. Som leder er det dit ansvar at definere kvalitet, og derfor mener jeg, at evalueringer er så vigtige.
Mennesker skal også håndtere smag og produktmæssig dømmekraft, ægte kreative spring fra nul til et samt det tillidsbaserede menneskelige arbejde med at coache team, navigere i politik og træffe de vanskelige prioriteringsbeslutninger.
AI giver dig flere forsøg på dartskiven; et menneske skal stadig beslutte, hvor skiven skal være.
Hvorfor teknologistakke bør begynde med en gennemgang
AI-værktøjer er præcis som et fantastisk videospil — nemme at spille, brutalt svære at mestre. Den forførende førstegangsoplevelse får folk til at tro, at det hele går glat, så de bliver chokerede, når kompleksiteten rammer. Mange giver op. Den virkelige færdighed ligger ikke i at skrive prompter; den ligger i viljen til at blive ved og lære i dit eget tempo, hurtigere end det føles behageligt.
På arbejdet består min stak primært af de nyeste Gemini-modeller med Antigravity som agentcentral. Antigravitys agentadministrator bliver undervurderet. Den er virkelig innovativ. Hvad angår projektledelse, bruger Google sine egne specialbyggede værktøjer, som svarer til Jira og GitHub i omverdenen.
Til mine personlige projekter og undervisningsaktiviteter er min grundlæggende værktøjspakke:
- Claude Code til kodning. Dette er det fremtrædende værktøj. Jeg kører flere agenter parallelt. Det er det nærmeste, man kommer på en rigtig assistent, ikke bare autoudfyldning.
- Replit til prototyper. Dets tilgang med planlægning først og parallelle agenter adskiller det fra andre værktøjer.
- NotebookLM plus Obsidian til research og skrivning.
- Codex og Claude Cowork håndterer mange planlagte opgaver og automatiseringer og integrerer e-mail, kalender, cloud-drev og mødereferater.
- Granola og Wispr Flow fuldender værktøjspakken. Jeg anbefaler kraftigt tale-til-tekst og at bruge stemmen som input.
De seneste 6–12 måneder har værktøjspakken udviklet sig fra "at bruge AI til at udarbejde ting hurtigere" til et ægte personligt agentbaseret OS — mindre fokuseret på enkeltstående prompts og mere på permanente agenter, der håndterer tilbagevendende arbejdsgange fra start til slut.
Mit råd om at opbygge en værktøjspakke: Start ikke med det mest prangende værktøj. Gennemgå, hvordan du bruger din uge, find de største tidsrøvere, og vælg det specifikke værktøj, der eliminerer dem. Generiske strategier for implementering virker ikke.
Sådan effektiviserer agentbaserede arbejdsgange projektleveringen
Vi fokuserede bevidst først på det fælles fundament, der gør disse arbejdsgange mulige, fordi alt enten hænger sammen eller falder fra hinanden dér.
Næsten alle vores processer kører nu som agentbaserede arbejdsgange på tværs af design, produktledelse og teknisk udførelse. Agentbaserede arbejdsgange håndterer strategien og overvejelserne bag det, der skal bygges, designet af komponenter, skærmbilleder og layouts samt hvordan backend- og frontendkode sættes sammen. Dette er ikke et isoleret eksperiment i en enkelt del af teamet; det er sådan, arbejdet foregår fra start til slut.
Vi fokuserede bevidst først på det fælles fundament, der gør disse arbejdsgange mulige, fordi alt enten hænger sammen eller falder fra hinanden dér. I praksis betyder det, at vi opbygger fælles infrastruktur for hele teamet, et fælles sæt agentfærdigheder og en fælles ramme, som alle arbejder igennem. Den vigtigste del er dokumentation, der ikke kun er klar til mennesker, men også klar til agenter. Hvis din dokumentation kun giver mening for mennesker, vil dine agenter komme på afveje, så vi investerer massivt i at skrive til begge målgrupper på én gang.
Konkret ser det ud som tydeligt markerede vidensfiler, PRD'er og tekniske designdokumenter. Vi opbevarer dem typisk i Markdown, holder dem meget præcise og skriver dem, så de giver mening for både mennesker og agenter. Det er afgørende, at mennesker validerer alle disse filer, før vi begynder at bygge noget. Menneskelig validering af input holder den agentbaserede arbejdsgang ren, fordi agenter kun er så gode som de dokumenter og færdigheder, de får anvist.
Vi vedligeholder også meget tydelige tjeklister og sørger for, at agenterne arbejder sig igennem dem. En agent markerer kun et trin som afsluttet, når tjeklisten reelt er opfyldt; først derefter går vi videre til næste trin. Denne disciplin med tydelig dokumentation, menneskevaliderede input, fælles færdigheder og trin-for-trin-tjeklister gør agentbaseret arbejde til noget pålideligt i stedet for en nyhed.
Gevinsten er reel, når fundamentet er på plads. Den svære del er den indledende investering i fælles infrastruktur og dokumentation, der er klar til agenter. Teams, der springer dette trin over, får en prangende demonstration og ser den derefter falde fra hinanden, efterhånden som kompleksiteten vokser. Teams, der lægger arbejdet i det, får en reelt hurtig, parallel udførelse på tværs af design, produkt og teknik.
Sådan ændrer AI traditionelle projektstyringsmodeller
Den gammeldags vandfaldsmodel fungerer ganske enkelt ikke længere. Traditionel projektstyring var ubønhørligt lineær: Trin et førte til trin to og derefter til trin tre med rigide overleveringer mellem fagområderne. Produktteamet skrev specifikationen, design skabte designmodeller, teknik byggede det, og derefter gennemgik design den sidste finish — hvert trin ventede på det foregående.
Denne lineære kæde er brudt sammen, og det er en vidunderlig ting. Trinene kan nu udskiftes, og grænserne mellem design, teknik og produkt er blevet udvisket. Designerne har for eksempel allerede bygget designsystemet direkte ind i kodebasen — de rigtige komponenter, layouts og specifikke farvetokens. Teknikteamet kan derefter bygge et helt funktionsforløb, og design retter alle UI-problemer direkte i koden for at færdiggøre den sidste finish. Ingen venter på en Figma-overlevering. Design arbejder i det samme medie som teknik.
Den samme udviskning sker tidligere i processen. Produktteamet kan skrive mange flere PRD'er parallelt, så udviklingen ikke blokeres. Udviklingsteamet kan generere dybdegående, detaljerede tekniske designdokumenter uden at produktteamet skal godkende hvert trin, fordi AI gør det muligt for hver fagdisciplin at producere arbejde, der tidligere krævede en specialist.
Forskellige teammedlemmer kan nu udføre forskellige dele af arbejdet. Så i stedet for et lineært stafetløb, hvor stafetten tabes ved hver overdragelse, opstår der et lille team med stort handlerum, hvor alle kan bevæge sig ind på tilstødende områder for at fjerne blokeringer.
I praksis betyder det lette systemer frem for tunge processer: færre statusmøder og godkendelsesporte, flere fungerende prototyper. PRD'er og tekniske designdokumenter genereres hurtigt og behandles som levende artefakter frem for fastlåste specifikationer. En fælles kodebase — med designsystemet indbygget — fungerer som den eneste kilde til sandhed, hvor produkt, design og udvikling mødes.
Resultatet er højere hastighed — teams validerer visionen ved at bygge, ikke ved at koordinere, og leverer en færdiggørelse, som tidligere krævede flere overdragelsescyklusser, på en brøkdel af tiden.
Hvorfor AI ikke kan fjerne behovet for projektets ritualer
Alle de sædvanlige ritualer findes stadig, og flere af dem bliver endnu vigtigere med AI, ikke mindre vigtige. Folk antager fejlagtigt, at hurtigere udvikling betyder mindre disciplin. Det modsatte er tilfældet.
Afgrænsning af omfanget er lige så afgørende som altid. Et team har stadig brug for en krystalklar definition af, hvad det forsøger at bygge. Det, der har ændret sig, er, hvad der bliver muligt inden for dette omfang. Hvis et team bygger effektivt med AI, kan mange ting, der tidligere havde lav prioritet eller sad fast i en backlog for evigt, nu prioriteres og lanceres. Derfor kan man bygge et mere meningsfuldt og mere komplet produkt end før. Ambitionerne for omfanget kan vokse, men behovet for at definere det klart består.
Teams har stadig brug for fuld afstemning. Interessenter har stadig brug for afstemning. Når man arbejder på tværs af flere teams, skal man stadig bevidst skabe afstemning både internt i sit eget team og på tværs af disse teams. AI skaber ikke afstemning mellem mennesker for dig.
Det er endnu vigtigere at validere arbejdet. Når man bygger i en stor virksomhed, når ens produkter ud til millioner, ikke kun tiere eller hundreder af brugere. Produkter skal stadig være fremragende, fungere særdeles godt og levere på den skala. At AI hjælper dig med at bygge hurtigere, sænker ikke barren. Derfor er validering fortsat ufravigelig.
Det, der har ændret sig, er, at processen ikke længere er så vanskelig og langsom. Selve ritualerne — klart omfang, reel afstemning og grundig validering — består og bliver endda vigtigere. Vi er nødt til at gentænke de processer, der traditionelt hindrer hurtigere eksekvering. AI gør det muligt at skære ned på ceremonien og friktionen omkring disse ritualer, samtidig med at man beskytter deres substans.
Hvorfor dømmekraft bliver endnu vigtigere i AI-fokuserede organisationer
På kort sigt vil flere teknologivirksomheder indføre AI i produktudvikling og -levering fra start til slut. Den mere vovede forudsigelse handler dog om, hvor AI spreder sig hen bagefter. Den bliver ikke inden for teknologibranchen. Den spreder sig til store virksomheder, derefter til ikke-teknologiske virksomheder og til sidst til traditionelle virksomheder.
Når disse gevinster bevæger sig fra enkeltpersoner til små teams og videre til hele organisationer, vil dynamoeffekten drastisk omforme teams og arbejdsgange. Strukturen for, hvordan leveringsteams opbygges, og hvordan arbejdet flyder gennem dem, vil se meget anderledes ud end i dag.
Men betydningen af gode beslutninger forsvinder ikke; faktisk bliver den større, fordi man nu træffer beslutninger langt oftere. Da den samlede levering gik langsomt, traf man kun nogle få vigtige beslutninger, måske én gang hver anden uge eller måned. Nu skal man træffe beslutninger af høj kvalitet flere gange om dagen, nogle gange flere gange i timen.
AI-drevet udvikling skal indføres både ovenfra og ned og nedefra og op.
Derfor skal fokus flyttes til menneskelig beslutningstagning. Hvert ekspertiseområde skal definere et klart sæt perspektiver, som alle beslutninger kan anskues gennem, så beslutningerne bliver skarpere og hurtigere. Lige så vigtigt er det, at disse beslutninger registreres, så agenter forstår dem og kan vende tilbage til dem.
Vinderteams vil behandle menneskelig dømmekraft af høj kvalitet, som er veldokumenteret, som en knap ressource, fordi AI gør den både hyppigere og mere værdifuld.
Hvorfor leveranceledere skal tage AI til sig og tilskynde til eksperimenter
Det afgørende overordnede punkt er, at AI-drevet udvikling skal implementeres både ovenfra og ned og nedefra og op. Det kan ikke være enten det ene eller det andet.
Den ovenfra-og-ned-baserede del kræver opbakning fra ledelsen. Hvis den øverste ledelse ikke bakker op, eksperimenterer og forsøger at ændre sine egne arbejdsprocesser og leverancesystemer, vil organisationen få meget svært ved at implementere AI meningsfuldt. Man kan ikke påbyde en transformation, man ikke selv lever efter. Ledere, der uddelegerer AI til en arbejdsgruppe, samtidig med at de lader deres egne arbejdsmetoder forblive uændrede, sender et klart signal om, at dette er valgfrit, og organisationen opfatter signalet korrekt. Derfor er mit første råd til andre leveranceledere at ændre jeres egne arbejdsprocesser først, før I beder andre om at ændre deres.
Den nedefra-og-op-baserede del er lige så vigtig. Juniormedarbejdere og enkelte teams skal have frihed til at eksperimentere, udfordre konventioner og udfordre eksisterende arbejdsprocesser. De har brug for plads til at prøve ting af, stille spørgsmål ved, hvordan leverancer altid er blevet håndteret, og derefter gøre ledelsen opmærksom på det, de lærer. Hvis den kanal ikke findes, hvis folk mangler den frihed, og deres resultater aldrig bevæger sig op gennem organisationen, falder det hele lige så sikkert fra hinanden, som når ledelsen er fraværende.
Det mest nyttige, en leveranceleder kan gøre lige nu, er at håndtere begge ender på én gang. Gå forrest ved synligt at gentænke dine egne leverancesystemer, og skab samtidig betingelser for, at dine teams frit kan eksperimentere og bringe det, der virker, tilbage til dig. Det skal være både ovenfra og ned og nedefra og op.
Når kun den ene ende engagerer sig, går implementeringen i stå. Når begge gør det, får forandringen fodfæste.
Følg med
Du kan følge Anshumani Ruddras arbejde på LinkedIn. Du kan også se hans blog og hans kurser.
Der kommer flere ekspertinterviews på The Digital Project Manager!
