AI-ekspert og tidligere produktsjef går i dybden på bruken av agentbaserte arbeidsflyter i prosjektleveranser
Nate Jones er en tidligere produktsjef som nå bygger sine egne produkter – samtidig som han lærer massene hvordan de kan bruke agentbaserte systemer til sin fordel. Han er personen du bør snakke med hvis du vil vite detaljene om hvordan agentbaserte prosesser kan brukes til prosjektleveranser. Og det er nettopp derfor vi satte oss ned med ham.
Nate Jones
Produktsjef i Rockerbox
Agentbaserte arbeidsflyter omdefinerer prosjektleveranser: AI-agenter kan nå håndtere sortering, planlegging og dokumentasjon i stor skala. Når de kombineres med tydelige forretningsregler, øker de hastigheten og konsistensen betydelig på tvers av prosjekter.
Den nye prosjektlederen er agentenes leder: Produkt- og prosjektledere må gå fra å lage artefakter til å validere agentenes resultater. Jobben handler nå om oppfølging, kvalitetskontroll og å veilede AI-systemer slik at de lærer og forbedrer seg.
Innføring av AI krever omfattende operasjonelle endringer: Overgangen til AI-drevne arbeidsflyter skjer ikke automatisk. Den krever nye vaner, ryddig konteksthåndtering og tydelig dokumentasjon, slik at mennesker kan konsentrere seg om de 2 prosentene med strategisk arbeid som driver de 98 prosentene som utføres av AI.
Dette fortalte han oss.
Møt «Mr. Rogers innen AI» og hans besettelse av AI
Jeg heter Nate – kjent rundt omkring på internett som fyren med lua som snakker mye om AI. Noen kalte meg nylig «Mr. Rogers innen AI», og jeg likte det egentlig veldig godt. Jeg har bakgrunn fra produktledelse, så jeg kjenner utfordringene med leveranser svært godt, og jeg jobber med selskaper som utvikler agentbaserte AI-systemer.
Etter min mening er det viktigste du kan gjøre akkurat nå, å lære om AI. Det er derfor jeg underviser i det.
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
Jeg er besatt av det. Og de jeg kjenner som er besatt av det, er de som gjør det best i karrieren. Du må se på utviklingen i AI-ferdigheter – hvor raskt du forbedrer evnen din til å bruke AI-verktøy – som en sentral karrieremåling.
Slik tidobler du effektiviteten og leveringshastigheten din med AI på 24 måneder
AI har endret alt! Det har endret rollen min fullstendig. Nå starter jeg som standard med AI.
Faktisk vil jeg si at jeg har tidoblet omfanget og leveringshastigheten min, samtidig som kvaliteten har økt, i løpet av 24 måneder. Slik kan du gjøre det samme:
- Endre tankesettet ditt: Ta utgangspunkt i LLM-er først. Det er den eneste måten å lære på.
- Forvent leveranser, ikke bare råd: AI er et kraftig verktøy som kan drive frem komplette leveranser, særlig innen prosjektledelse. Du må bare presse det til å levere. Still høye kvalitetskrav. Si tydelig fra når resultatet ikke er godt nok. Se deretter på deg selv, for problemet er nesten alltid at du ikke kommuniserte intensjonen tydelig, og at LLM-en tolker en vag ledetekst og derfor gir lite nyttige resultater.
- Bruk LLM-støttet konstruksjon av ledetekster: LLM-er kan hjelpe deg med å utforme ledetekstene dine, og det sparer svært mye tid.
- Lær optimal bruk av LLM-er: Lær å dele opp inndata og formulere ledetekster svært tydelig. Og vær besatt av inndataene, dataene og den ryddige konteksten du gir modellen.
Slik automatiserer du sortering av saker og oppdeling av oppgaver med agentbaserte systemer
Det har vært svært viktig å bygge opp sortering av saker og oppdeling av oppgaver i stor skala ved hjelp av agentbaserte systemer. Særlig for å få ryddige, typede og deklarative arkitekturer for planlegging og agentflyter.
Her er en agentbasert arbeidsflyt for sortering av saker fra start til slutt:
- En kundesamtale transkriberes med Granola (notatapp). Transkripsjonen går deretter inn i en agentbasert prosess.
- Den første agenten bruker GPT-5 Thinking til å analysere transkripsjonen og identifisere kundens egne formuleringer. Den produserer tydelige behov.
- Dette resultatet sendes til den neste agenten, som bruker MCP til å koble til Notion (programvare for prosjektledelse), logger kundens informasjon og behov og legger ved hele transkripsjonen som referanse.
- Den neste agenten aktiverer en analyse-LLM, i mitt tilfelle Gemini 2.5 Pro, for å skanne hele Notion-databasen ved hjelp av en egendefinert ledetekst. Den kommer tilbake med en vektet oversikt over behovsprioritet på tvers av alle kjente forespørsler.
- Deretter bruker en annen agent en lettvekts-LLM (som GPT Turbo) til å spørre Linear via MCP. Den sammenligner disse prioriteringene med eksisterende saker, identifiserer overlapp og fremhever eventuelle mangler.
- Hvis det finnes mangler, går arbeidsflyten tilbake til GPT-5 Thinking med en ledetekst for å generere produktproblemer og løsningskrav.
- Deretter bruker en agent ChatPRD via MCP til å utarbeide et produktkravdokument (PRD).
- Etter det tar GPT-5 Non-thinking over for å dele PRD-et opp i individuelle saker – et svært lineært trinn – og sender dem tilbake til Linear via MCP.
- Til slutt kan en annen agent, hvis du vil gå videre, hente oversikten over menneskelige og agentbaserte utviklere (som Devin AI) og begynne å tildele oppgaver automatisk i Slack.
Det har vært svært viktig å konstruere triage og oppdeling av saker i stor skala ved hjelp av agentbaserte systemer. Særlig for å få rene, typede og deklarative planleggingsarkitekturer og agentflyter.
Hva agentbaserte arbeidsflyter er, og hvordan du bygger dem for leveranser i stor skala
Agentbaserte arbeidsflyter er et helt dagskurs i seg selv, men her er hovedpoenget: Du gir en LLM verktøyene, veiledningen og rammene som trengs for å håndtere et problem for deg. Målet ditt er å hente inn relevante data via et API – for eksempel gjennom MCP-serveren fra Atlassian eller et lignende system – og deretter koble innkommende saker med riktig instruksjon for å sette i gang autonom handling.
Det er her rene, deklarative instruksjoner blir viktige. Jeg opplever at det fungerer godt å lene seg mindre på instruksjonsspråk og heller bygge strukturen direkte inn i arbeidsflyten. Dette gjør det mulig å skalere på tvers av ulike sakstyper. Å oppnå deterministisk intelligens — der resultatene er konsistente og forutsigbare — ved å tvinge inn tydelighet og forretningsregler i arbeidsflyter kan skaleres til tusenvis av saker.
Se bare på den agentbaserte flyten jeg beskrev ovenfor. Den handler ikke om å skrive gode instruksjoner. Den har én eller to instruksjoner, men består hovedsakelig av forretningsregler, returnerte data og nøye strukturerte resonneringsoppgaver i små deler. Store instruksjoner for tenkemodeller er ikke like pålitelige som mange sekvensielle oppgaver for enkle modeller. Men det er viktig å merke seg at du må bygge inn verifisering når du bruker enkle modeller.
Hvorfor innføring av AI i leveransearbeidsflyter krever omfattende endringsledelse
Alt i alt har jeg blitt overrasket over hvor mye arbeid det krever å ta i bruk AI i arbeidsflyter! Det er en enorm endringsledelsesinnsats — sannsynligvis den største vi har sett innen teknologi. Du må legge om hele arbeidsflyten slik at du tar utgangspunkt i at mennesket bidrar med 2 % av oppmerksomheten, mens LLM-en bidrar med 98 %.
Hele arbeidsprosessen må bygges opp på nytt.
Hvordan ser det ut å bevege seg mot en slik verden? Hva er de riktige 2 % av oppmerksomheten fra mennesket, slik at de får reell utnyttelse av dette fokuset? Hvordan kan du meningsfullt øke omfanget tidoblet med den ekstra oppmerksomheten fra LLM-en? Hvordan bygger du opp maler, forventninger til kontekst, forventninger til dokumentasjon og prosesser på nytt?
Tenk på det slik — jobben din innen produktutvikling er ikke å skrive dokumenter nå. Den er å:
- Tenke på den fremtidige retningen
- Validere agentbaserte systemer som begynner å lytte, utarbeide PRD-er for deg og sende dem videre til utvikling.
- Og aktivt gå inn i arbeidet og gripe inn når du ser bedre alternativer.
Bygg derfor systemer som lar deg gjennomgå en strøm av ideer som AI begynner å generere.
På samme måte handler jobben med å holde togene på sporet i prosjekter ikke om dokumenter eller møter. Det handler ikke om oppdateringer til interessenter. Det handler om å se på en automatisert flyt som den jeg beskriver ovenfor og si: «Nei, jeg tror det er et grunnleggende estimat her som er feil», og deretter gripe inn og ta aktivt del i arbeidet for å sikre at det er korrekt — samtidig som du sørger for at systemet lærer av denne inngripen.
Du er leder for agenter nå.
Et innblikk i Nate Jones’ teknologistakk for å bygge og lede prosjekter
Her er et innblikk i stakken min til inspirasjon:
- Linear er et godt valg for prosjektstyring — utviklet for KI
- Superhumans KI-funksjoner (produktivitetsprogramvare) for søking, skriving og kalenderstyring som forenkler korrespondansen
- Granola for møtetranskripsjoner
- Perplexity for undersøkelser
- ChatGPT Deep Research for et første overblikk over komplekse emner
- GPT-5 Pro for svært kompleks tenkning og problemløsning
- Codex for veiledet problemløsning innen kode
- Claude for krevende redigering og utforming
- Claude Code som en allsidig agent med tilgang til lokale filer
- Claude på mobil som personlig assistent
- Riverside for KI-drevet opptak
- Comet Browser for intelligent nettlesing med KI
Og jeg vil si dette: Folk overser bruken av verktøy i Claude. Den kan opprette Excel- og PowerPoint-filer fra grunnen av. Og du kan bruke Claude Code til langt mer enn programmering. Jeg skrev faktisk en hel artikkel om det.
Hvorfor KI avskaffer møter og muliggjør et fullt asynkront samarbeid
Du kan jobbe langt mer asynkront nå, med KI. Jeg har utviklet hele produkter uten ett eneste møte med de jeg utviklet dem sammen med. Du trenger bare gode dokumentasjonssystemer og kan håndtere beslutninger i Slack.
KI muliggjør dette gjennom KI-drevet dokumentasjon, KI-drevet programmering og mer.
Men fremfor alt handler det om et endret tankesett.
Hvorfor tradisjonell prosjektstyring forsvinner i KI-alderen
God dømmekraft forsvinner ikke. Det gjør heller ikke ansvarlighet. Eller interessenthåndtering og relasjoner. Eller ikke-deterministiske oppgaver med tvetydig kontekst. Du trenger mennesker til dette.
Men prosjektstyring, forstått som å holde styr på alt og drive prosjekter fremover, kommer til å forsvinne. Alt arbeidet med å holde togene på skinnene kommer til å bli overtatt av KI.
Så mitt råd er å bli begeistret for de tvetydige, menneskelige delene av jobben. Og begynn å satse virkelig tungt på å bygge og administrere KI-agentsystemer — du kan komme i gang med OpenAI agent builder og n8n.
Mitt råd er å bli begeistret for de tvetydige, menneskelige delene av jobben. Og begynn å satse virkelig tungt på å bygge og administrere KI-agentsystemer — du kan komme i gang med OpenAI agent builder og n8n.
Følg med
Du kan følge med på og lære av Nate via hans nyhetsbrev og YouTube.
Det kommer flere ekspertintervjuer på The Digital Project Manager.
